DermaCare AI：离线优先的皮肤病临床决策支持系统

章节 01

导读 / 主楼：DermaCare AI：离线优先的皮肤病临床决策支持系统

原作者与来源

原作者/维护者: arogixai-development（Arogix AI）
来源平台: GitHub
原始标题: DermaCare AI
原始链接: https://github.com/arogixai-development/DermaCare_AI
发布时间: 2026年3月18日创建
在线演示: https://dermacare-ai-inky.vercel.app

背景：皮肤科诊断的挑战

皮肤科是医学领域中高度依赖视觉观察和经验判断的专科。医生需要通过观察皮损的形态、颜色、分布等特征来做出诊断，这一过程既需要丰富的临床经验，也需要持续更新的医学知识。

然而，全球医疗资源分布不均的现实使得许多地区的医生面临以下挑战：

病例量过大：医生每天需要处理大量患者，难以对每个病例进行深入分析
罕见疾病识别困难：许多皮肤疾病临床表现相似，罕见病容易被误诊
药物相互作用风险：皮肤病治疗常涉及多种药物，相互作用检查容易被忽视
网络环境不稳定：偏远地区或移动医疗场景下，网络连接不可靠
患者隐私保护：医疗数据的云端传输和存储存在泄露风险

DermaCare AI 正是针对这些痛点设计的一款临床决策支持系统。

项目概述

DermaCare AI 是一个面向皮肤科的临床决策支持系统（CDSS），采用"离线优先"（Offline-First）架构设计。系统利用本地运行的大语言模型（Ollama + Phi-3）提供智能诊断辅助，同时确保患者数据完全在本地处理，无需依赖互联网连接。

项目的核心设计理念是"医师在环"（Physician-in-the-Loop）：系统不替代医生做出诊断，而是作为智能助手提供鉴别诊断建议、生成结构化病历、检查药物相互作用，最终决策权始终掌握在医生手中。

核心功能详解

1. AI 鉴别诊断（AI Differential Diagnosis）

系统根据患者症状描述和皮损照片，生成结构化的潜在皮肤病列表，并按照 Fitzpatrick 皮肤分型进行校准。这一功能帮助医生：

扩展诊断视野，避免遗漏罕见疾病
了解不同肤色患者的疾病表现差异
获得按可能性排序的鉴别诊断清单

2. SOAP 病历自动生成（SOAP Report Generation）

基于患者问诊信息，系统自动生成符合标准的 SOAP 病历（主观资料、客观资料、评估、计划）。这一功能：

显著减少医生书写病历的时间
确保病历结构符合电子病历系统（EMR）标准
提高病历的完整性和规范性

3. 治疗建议（Treatment Recommendation）

系统提供安全的治疗路径建议，包括：

一线治疗方案
治疗剂量范围
转诊指征

所有建议都经过本地化调整，考虑当地的医疗资源和药物可及性。

4. 药物相互作用检查（Drug Interaction Checker）

这是临床安全的关键功能。系统会：

交叉比对拟用药物与患者当前用药
标记严重、中度和轻度的治疗风险
提供替代方案建议

5. 临床置信度分析（Clinical Confidence Analysis）

采用蒙特卡洛模拟（Monte Carlo Dropout）技术，系统为每个诊断建议提供置信度区间。当置信度低于设定阈值时，系统会自动提示医生考虑专科转诊。这一机制：

保护医生免受 AI 幻觉（Hallucination）的影响
明确标示模型的能力边界
促进负责任的临床决策

6. 动态安全防护（Dynamic Safeguards）

系统内置自动化的模式修复循环，在数据格式异常时自动回退到稳健模式，确保界面持续可用。

7. 混合 AI 推理（Hybrid AI Inference）

系统无缝切换于高性能云端大模型（Groq）和本地安全引擎（Ollama）之间。在网络良好时使用云端服务获得更快响应，在网络中断时自动切换到本地模型，确保业务连续性。

技术架构解析

DermaCare AI 采用分层架构设计，实现了安全性、可扩展性和性能的平衡：

1. 前端层（Vercel Edge）

使用 Vanilla JavaScript 开发的渐进式 Web 应用（PWA）
通过 IndexedDB 实现零延迟的本地数据缓存
响应式设计，适配桌面和移动设备
支持离线访问历史病例和模拟测试

2. 后端层（FastAPI）

基于 Python FastAPI 框架构建的高性能 API
JWT 身份验证和令牌验证
速率限制和请求缓存
动态模式修复和结构化输出验证

3. AI 推理层（Ollama + Groq）

本地路径：通过 Cloudflare Tunnel 安全连接本地 GPU 工作站，运行 Ollama 和 Phi-3 模型
云端路径：使用 Groq API 作为高性能备用方案
双冗余设计确保服务高可用

4. 基础设施层（Oracle Cloud + Cloudflare）

Oracle Cloud 托管 PostgreSQL 生产数据库
Cloudflare Tunnels 提供零信任网络安全隧道

临床安全与治理

DermaCare AI 严格遵循临床决策支持系统的医疗安全模型：

1. 医师辅助设计

系统不做直接的自主医疗诊断，而是：

提供鉴别诊断建议
突出临床证据
指导医生决策医生始终是唯一的法律和临床权威。

2. 蒙特卡洛置信度分析

每次诊断都经过蒙特卡洛模拟管道，估算置信度区间。当不确定性超过阈值时，系统会嵌入明显的警告提示，建议专科转诊。

3. 确定性数据增强

原始 AI 输出会动态验证于本地临床数据库。一线治疗方案（如特定糖皮质激素剂量、厚润肤剂使用时间表）会被确定性地注入，确保提供精确、符合指南的临床信息。

4. 数据主权

患者健康信息（PHI）严格保存在本地：

使用安全的本地浏览器数据库结构（IndexedDB）
或保存在本地 GPU 基础设施上
消除云端泄露风险

技术栈亮点

组件	技术选择	优势
后端框架	FastAPI	异步高性能，Python 生态
本地 AI	Ollama + Phi-3	微软 Phi-3 模型，适合本地推理
云端备用	Groq API	极高推理速度
前端	Vanilla JS + PWA	零框架开销，快速加载
部署	Vercel + Oracle Cloud	边缘网络 + 企业级数据库
网络	Cloudflare Tunnels	零信任安全隧道

快速开始指南

开发者可以在 5 分钟内在本地运行 DermaCare AI：

1. 克隆代码库

git clone https://github.com/arogixai-development/DermaCare_AI.git
cd DermaCare_AI

2. 配置环境

cp .env.example .env

编辑 .env 文件，配置 Ollama 和 Groq 的凭证：

OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=phi3

3. 启动后端和推理服务

python -m venv venv
source venv/bin/activate  # Windows: .\venv\Scripts\activate
pip install -r requirements.txt
python -m uvicorn backend.app:app --reload

4. 启动前端

python -m http.server 3000 --directory frontend

访问 http://localhost:3000 即可使用系统。

未来路线图

DermaCare AI 团队正在积极扩展系统的临床能力：

企业级 GPU 负载均衡：自动扩缩容集群，支持数千个并发临床隧道
多模态视觉输入：集成图像分类模型，分析皮损照片
HL7 / FHIR 集成：与医院电子病历系统直接对接
临床分析仪表板：为医疗机构提供区域皮肤病健康分析
共识多模型引擎：编排多个轻量级模型（Phi3、Llama3、Qwen）生成交叉验证的临床摘要

总结与展望

DermaCare AI 代表了医疗 AI 系统的一种负责任的发展方向。它不是试图取代医生，而是通过以下方式增强临床能力：

离线优先架构：确保在网络不稳定环境下依然可用
本地推理：保护患者隐私，消除数据泄露风险
置信度透明：明确标示 AI 的不确定性边界
医师在环：保持医生的最终决策权

这种设计理念对于资源受限地区尤其重要。在许多发展中国家，网络基础设施不完善，但医疗需求迫切。DermaCare AI 的离线优先架构使其能够在这些环境中发挥作用。

同时，项目也展示了如何将大语言模型与确定性临床数据管道结合，既利用 AI 的推理能力，又确保输出的医学准确性。这种"混合增强"模式可能是医疗 AI 未来发展的重要方向。

对于关注医疗 AI 安全、隐私保护临床系统的开发者和医疗机构，DermaCare AI 提供了一个值得参考的架构范例。