银屑病作为一种慢性、复发性、炎症性皮肤病，临床表型多样，患病率高，严重影响患者生活质量，但目前其准确评估仍存在较大挑战。本研究旨在系统梳理人工智能（AI）技术与银屑病动态评估整合的研究进展，明确AI在银屑病治疗前、治疗中及治疗后三个阶段评估中的应用价值，为临床决策提供更全面的理论支持，进而优化银屑病的诊断、治疗及管理方案，减轻患者疾病负担，改善患者预后。

本研究通过系统检索PubMed、Embase等国际权威数据库，收集关于人工智能辅助银屑病动态评估的相关研究文献，对文献内容进行综合分析与归纳。研究重点围绕银屑病治疗的三个阶段展开：

1. 治疗前评估：包括AI在辅助诊断（如皮肤图像识别、疾病分类鉴别）及严重程度评估（如与银屑病面积和严重程度指数（PASI）等传统工具结合）中的应用；

2. 治疗中评估：聚焦AI在预测药物疗效、辅助制定及调整治疗方案等方面的作用；

3. 治疗后评估：关注AI在疾病复发预测及相关并发症（如银屑病关节炎、心血管疾病）早期干预中的应用。同时，对AI技术在应用中面临的数据标准化与多样化不足、伦理问题及临床整合壁垒等挑战进行梳理，并探讨未来研究方向。

1. 治疗前评估成果

辅助诊断：AI技术（尤其是深度学习中的卷积神经网络（CNN））可有效识别银屑病图像并进行分类鉴别。例如，基于CNN的模型对五种类型银屑病的分类准确率达84.2%；区分银屑病与扁平苔藓的准确率达89.07%；区分银屑病与脂溢性皮炎的灵敏度达96.1%、AUC为0.922，显著提升了诊断准确性和效率。此外，针对医疗资源匮乏地区开发的“Derma Care”手机应用，诊断准确率达96.2%，拓宽了AI的应用场景。辅助严重程度评估：AI与传统评估工具（如PASI）结合，可客观、高效评估银屑病严重程度。例如，Single-Shot PASI系统仅通过单张临床图像即可实现与临床严重程度基本一致的评估；基于深度学习的模型可高效计算PASI分数，减少人工评估的主观性和耗时问题；RetNet50模型在五种深度学习模型中表现最佳，为严重程度分类提供了可靠工具。

2. 治疗中评估成果

AI可预测药物疗效，辅助制定和调整治疗方案。例如，梯度提升决策树模型可预测特定生物疗法的持续治疗效果，帮助患者选择合适生物制剂；深度学习模型可模拟不同治疗方案及时间下的皮损变化，辅助患者优化治疗选择；结合深度学习与知识系统的临床决策支持系统，可在准确分类皮损的同时推荐最佳治疗方案。基于分子和细胞特征的机器学习亚型分类（将银屑病分为3个亚型），揭示了不同亚型的治疗反应差异，为精准治疗提供了依据。

3. 治疗后评估成果

AI可预测银屑病复发风险，尤其是生物制剂停用后的复发风险，个性化模型的预测准确性较高，为制定长期治疗策略提供参考。针对并发症，AI结合流行病学大数据可识别银屑病关节炎的预测因子，辅助早期干预；同时可预测心血管疾病等共病风险，有助于改善患者预后。

人工智能技术在银屑病动态评估中展现出显著价值，可有效辅助治疗前的诊断与严重程度评估（提升准确性、客观性和效率）、治疗中的疗效预测与方案优化（助力精准治疗）及治疗后的复发预测与并发症干预（改善预后），为银屑病的全周期管理提供了有力支持。然而，AI技术在应用中仍面临数据标准化与多样化不足、伦理风险及临床整合困难等挑战。未来研究应聚焦上述问题，优先构建高质量、多样化的训练数据集，培养跨学科人才，加强伦理与法律规范建设，并致力于构建整合诊断、评估、治疗及预后管理的综合性AI模型，以进一步提升银屑病精准诊疗水平，减轻患者疾病负担，改善其生活质量。