基于AI面积比分析的男性型秃发精准分层新方法

《Scientific Reports》：Enhanced stratification of male pattern hair loss using AI through novel loss region ratio analysis

本研究针对男性型秃发(MPHL)传统分级系统主观性强的问题，开发了一种结合Mask R-CNN实例分割和新型面积比(Rarea)指标的AI分级框架。通过对257名患者的761张图像分析，模型在边界框评估中达到97.6%的平均精度(AP)，在掩码评估中达96.1%。该面积比指标较传统BASP长度比具有更高一致性，为MPHL提供了更客观、标准化的诊断工具。

　　

男性型秃发(MPHL)作为最常见的脱发类型，影响着高达80%的男性群体。这种进行性毛发减少不仅是一种皮肤科疾病，更对患者的心理健康产生深远影响，常导致抑郁和焦虑等情绪问题。目前临床主要采用Hamilton-Norwood和BASIC和特异性(BASP)等分级系统进行评估，但这些传统方法严重依赖医生的主观判断，存在可重复性差、准确性有限等固有缺陷。

在这一背景下，研究人员开始探索人工智能(AI)技术在毛发疾病诊断中的应用潜力。尽管已有研究尝试使用卷积神经网络(CNN)和支持向量机(SVM)等算法进行脱发分类，但大多数方法未能充分结合临床实际需求，缺乏对脱发区域定量分析的创新指标。正是为了弥补这一空白，Haonan Xi等研究人员开展了一项突破性研究，开发了一种融合深度学习分割技术和新型面积比指标的AI分级框架。

本研究采用Mask R-CNN模型对761张头皮图像进行分析，这些图像来自257名MPHL患者，按照严格标准化程序采集。研究人员创新性地提出了面积比(R_area)指标，即脱发区域面积与健康毛发总面积的比值，替代传统BASP分类中使用的长度比(R_length)指标。

主要技术方法

研究采用Mask R-CNN进行实例分割，使用257名患者的761张标准化头皮图像，数据集按70%/10%/20%比例划分为训练集、验证集和测试集。通过五折交叉验证评估模型性能，采用边界框和掩码评估指标，包括平均精度(AP)和交并比(IoU)。

模型性能评估结果

模型在边界框评估中达到97.6%的平均精度(AP)和95.3%的召回率，掩码评估中获得96.1%的AP和91.4%的召回率。五折交叉验证显示曲线下面积(AUC)为0.933，表明模型具有优秀的泛化能力。

分级准确性分析

对不同MPHL等级的分类准确性显示：I级达到100%完美识别，II级为98%，IV级为92%，VI级为95%。而III级和V级的准确性相对较低，分别为81%和86%，主要由于这些中间等级存在边界重叠现象。这一发现揭示了模型在区分相近严重程度等级时的挑战。

面积比与长度比比较

研究对比了新型面积比指标与传统BASP长度比的性能。面积比在各等级尤其是高级别MPHL(IV-VI级)中表现出更小的变异性，分布更加集中。而BASP方法在所有等级均显示较大变异性，表明面积比能提供更一致和可靠的严重程度评估。

分层方法可视化

研究展示了基于面积比的自动分层流程，从预测发际线开始，通过掩码融合和面积计算，最终根据预设阈值将脱发严重程度分为I-VI级。该方法直观展示了如何将分割结果转化为临床可用的分级信息。

研究结论表明，这种面积分割集成(ASI)方法通过结合AI驱动的图像分割和客观面积比分析，为MPHL严重程度评估提供了可重复且精细的解决方案。与主要依赖发际线形状和后退长度视觉评估的传统分级系统相比，该框架通过像素级分析直接解决了视觉分类系统长期存在的可重复性限制问题。

尽管该研究存在一定局限性，如无法解析微尺度毛囊结构、缺乏Hamilton-Norwood VII级病例代表等，但其引入的几何面积量化与实例分割相结合的新范式，为MPHL客观评估建立了新标准。研究人员计划开发移动应用程序(APP)以促进临床实施，通过标准化图像采集流程和自动AI分析，为皮肤科医生提供即时、客观的MPHL严重程度评估。

这项发表在《Scientific Reports》的研究不仅推动了毛发疾病诊断的精准化进程，也为AI在皮肤病学中的更广泛应用提供了重要参考。通过将临床专业知识与先进算法创新相结合，该研究为实现个性化脱发治疗奠定了技术基础，有望在未来改善无数受脱发困扰患者的生活质量。