头皮银屑病是一种常见且严重影响生活质量的自身免疫性疾病，其与脂溢性皮炎的临床鉴别因表现重叠和基层医疗资源有限而颇具挑战。尽管皮肤镜提供了一种非侵入、低成本的辅助手段，但其诊断准确性高度依赖医生经验，在偏远地区尤为不足。虽然人工智能在皮肤影像分类中展现出潜力，但现有研究多集中于模型开发，缺乏实际临床应用转化。本研究旨在构建一个鲁棒、可临床集成的人工智能辅助诊断框架，用于高精度区分头皮银屑病与脂溢性皮炎，并以便捷的微信小程序形式部署，提升诊断可及性与可靠性。

我们构建了一个包含704名患者共3595张皮肤镜图像的数据集。提出了一种动态不确定性引导的诊断框架，将深度学习与临床可解释特征相结合。首先系统比较了八种主流网络架构，确定SwinB为最优基础模型。引入不确定性评分机制对预测进行分层处理，针对高不确定性样本，利用Qwen多模态大模型自动提取6类临床特征（如鳞屑形态、血管模式等），并采用粒子群优化算法（PSO）动态调整深度学习输出与临床特征的权重比例，实现自适应决策。系统最终部署为支持“快速模式”和“增强模式”的微信小程序，提供实时推理与可视化解读。

本研究提出的框架总体分类准确率达到94.7%，特异性为96.3%，准确性与鲁棒性分别较基础SwinB模型提升2.9%和3.1%。不确定性引导策略对高不确定性病例实现了100%的分类准确率，显著减少模糊病例误诊。结合Qwen生成的多模态临床特征和PSO加权整合，系统可输出结构化特征描述（如“银白色鳞屑伴扭曲红圈”）和置信度评分，提升了结果可解释性。微信小程序在快速模式下平均推理时间为3.2秒，增强模式下为8.7秒，热图可视化与特征解读增强了初级医生及皮肤科医师的信任度。

本研究首次将动态不确定性评估、多模态临床特征生成与多目标优化整合应用于头皮银屑病与脂溢性皮炎的智能诊断，有效解决了传统单一模型对复杂和边界病例处理的局限性，为临床落地提供了可扩展的解决方案。通过算法创新与广泛可及的微信平台集成，推动了人工智能技术在皮肤科一线诊疗中的实际应用。未来将进一步扩展病种覆盖、融入多源数据（如多光谱成像），并优化低功耗部署策略，以促进全球范围内AI辅助诊断的公平可及。