2022年，天津医科大学杨吉龙教授团队在Nature Communications发表题为“A single-cell analysis reveals tumor heterogeneity and immune environment of acral melanoma，单细胞分析揭示肢端黑色素瘤的肿瘤异质性和免疫环境”的研究论文。文章指出，肢端黑色素瘤是一种发生在无毛肢端皮肤的黑色素瘤亚型，在东亚地区发病率较高。该研究对5个肢端黑色素瘤和3个皮肤黑色素瘤样本中的63394个细胞进行单细胞RNA测序，以研究肿瘤异质性和免疫环境。该研究通过定义5个参与TGF-β信号、I型干扰素、Wnt信号、细胞周期和胆固醇外排信号的正交功能细胞簇，结果显示TGF-β、I型干扰素和胆固醇外排信号的富集特征与黑色素瘤的良好预后显著相关。与皮肤黑色素瘤相比，肢端黑色素瘤标本的免疫抑制状态明显严重，细胞毒性CD8+T细胞缺失，Treg细胞富集，CD8+T细胞耗尽。PD1和TIM-3在肢端黑色素瘤详尽CD8+T细胞中表达较高。该结果可以成为宝贵的资源，有助于更深入地了解与肢端黑色素瘤相关的机制，并有助于为黑色素瘤患者的免疫疗法开发更有效的治疗靶点和生物标志物。

2022年7月，北京大学崔传亮团队在Annals of Oncology在线发表题为“Toripalimab (anti-PD-1) versus High-Dose Interferon-α2b as Adjuvant Therapy in Resected Mucosal Melanoma: A Phase II Randomized Trial”的研究论文，该研究重点对比特瑞普利单抗（Toripalimab）与高剂量干扰素-α2b （HDI）对于黏膜黑色素瘤的辅助治疗。共纳入145例患者分别随机接受特瑞普利单抗或高剂量干扰素治疗，主要研究终点为RFS。研究结果显示，Toripalimab组和 HDI 组的中位RFS分别为13.6个月和13.9个月。两组之间的DMFS没有显著差异。Toripalimab组的中位OS为35.1个月。在不良反应方面，HDI 组中≥3级的治疗中出现的不良事件的发生率远高于特瑞普利单抗组（87.5%对27.4%）。总之，该研究发现与HDI相比，特瑞普利单抗显示出相似的RFS和更有利的安全性，均优于历史数据，这表明特瑞普利单抗可能是更好的治疗选择。然而，仍需要进一步的转化研究和更好的治疗方案来改善MM的临床结果。

皮肤作为人体最大的器官，既可保护体内组织免受外界侵害，又有调节体温和感受外界刺激的作用，所含的腺体还有分泌和排泄的功能。皮肤癌的发生发展严重危害人们的健康安全，其发病机制研究对于了解皮肤癌进展及研究针对性的治疗药物有着极其重要的意义。其中，IGF-1R的表达和信号传导在促进皮肤恶性肿瘤进展中发挥重要作用。识别调控IGF-1R的信号通路对于理解皮肤癌的发病机制和治疗方式至关重要。中国南方科技大学高级跨学科研究学院生物系吴传跃教授团队采用分子、细胞和遗传学的方法研究PINCH-1在调节IGF-1R表达和皮肤细胞行为中的作用，并建立小鼠动物模型，测定PINCH-1在调节IGF-1R表达皮肤癌变中的作用。通过研究发现PINCH-1-NEDD4-IGF-1R信号轴对促进皮肤肿瘤发生发展至关重要，为治疗皮肤癌或控制其进展提出了新的策略。其研究结果于2022年收录于I区期刊Theranostics中。

近年来，利用人工智能识别皮镜图像在皮肤癌的早期诊断和早期治疗方面取得了重大突破。皮肤癌的发病率逐年上升，对人类健康构成了巨大威胁。利用CNN的深度学习进行皮肤癌图像分类的研究已经取得了一些成果。然而，这种方法只能提取图像中小部分的特点，而不能定位图像中重要的部分。浙江大学宁波市第一医院陈海江团队在皮肤恶性肿瘤和人工智能医工交叉研究中取得了阶段性成果，其摒弃了传统的CNN和RNN，应用整个网络结构完全由Attention机制构成的vision transformers（VIT）。VIT在传统分类任务中展现出了强大的性能，陈海江团队应用VIT开发了一种名为Skin Trans的皮肤癌分类技术，并通过验证证实了其有效性。其优势主要在于能够抓住皮肤镜图像的主要特征，并抑制噪声，提高分类的准确性与效率。其研究结果2022年发表于Comput Biol Med。

众所周知，皮肤恶性肿瘤是世界上最常见的十种恶性肿瘤之一，早期诊断和治疗可以有效降低患者的死亡率。但是，目前大多数皮肤恶性肿瘤智能诊断系统仅使用皮肤图像数据，对图像数据和患者临床数据的交叉融合分析十分有限。因此，为了进一步探索皮肤图像数据与患者临床数据之间的互补关系，中国学者开发出皮肤恶性肿瘤多模式数据融合诊断网络（multimode data fusion diagnosis network, MDFNet）。MDFNet建立了异构数据特征之间的有效映射，可以有效融合临床皮肤图像和患者临床数据。据研究表明，MDFNet的诊断准确率为80.42%，与仅使用皮肤图像数据的准确率相比提高了约9%，充分说明MDFNet具有作为皮肤恶性肿瘤诊断的有效辅助诊断工具的潜力。MDFNet可以帮助医生提高临床决策能力，同时有效提高临床医学诊断效率。并且其提出的数据融合方法充分发挥了信息融合的优势，对其他临床疾病的智能诊断具有较高的参考价值。