基于3D全身摄影与人工智能的皮肤表型分析揭示50岁以上人群侵袭性黑色素瘤风险的新型预测模式

《British Journal of Dermatology》：3D-total body photography identifies cutaneous phenotypes associated with late-onset invasive melanoma risk

本研究针对传统黑色素瘤风险因素评估方法的局限性，利用3D全身摄影(3D-TBP)结合人工智能(AI)技术，对117名50岁以上高风险人群进行皮肤表型分析。研究发现四种不同的皮肤表型模式，其中严重泛发性光损伤伴少量痣的表型与多发性侵袭性黑色素瘤风险显著相关(PPR 2.00)。该研究为个性化风险分层和精准监测提供了新思路。

　　

在皮肤癌领域，黑色素瘤一直是最受关注的恶性肿瘤之一，尤其对具有个人史的高风险人群而言，其发生后续原发性黑色素瘤的风险比普通人群高出十倍。传统风险评估主要依赖全身痣计数和紫外线光损伤程度等指标，但这些方法往往忽略了风险因素在身体不同部位的分布差异。随着三维全身摄影(3D-TBP)技术的临床推广应用，结合人工智能(AI)的分析方法为深入了解个体化皮肤特征与黑色素瘤风险的关系带来了新的机遇。

目前黑色素瘤风险评估面临的主要挑战在于，传统的全身性评估指标无法捕捉到光损伤和痣分布在身体不同部位的变异情况。对于50岁以上的高风险人群，特别是那些已经有黑色素瘤个人史的患者，开发更精准的风险评估方法显得尤为重要。这类人群往往表现出慢性日光损伤型(CSD)黑色素瘤的特征，包括过度的紫外线暴露、累积性光损伤和年龄因素。在澳大利亚等高紫外线暴露地区，这类人群构成了密集监测队列的主体。

在这项发表于《British Journal of Dermatology》的研究中，研究人员尝试通过创新的方法解决这些挑战。他们利用3D-TBP和AI技术，探索了50岁以上高风险人群中痣和光损伤在不同身体区域的分布特征，旨在识别与黑色素瘤风险相关的特定表型模式，为个性化筛查和监测提供依据。

研究团队主要采用了几个关键技术方法：首先，研究人群来自健康结果计划研究(HOPs)，这是一个为期两年的随机对照试验，针对黑色素瘤高风险个体使用序列数字皮肤镜成像(SDDI)和3D-TBP进行密集监测。参与者包括有黑色素瘤个人史或高风险因素的人群。其次，利用Vectra WB360系统进行3D-TBP成像，通过92个摄像头框架获取全身表面图像，并重建为3D虚拟图像。第三，采用基于密度的噪声应用空间聚类(DBSCAN)这一无监督算法，根据空间密度而非预定聚类形状或大小来识别具有相似全身表型的个体。最后，通过卷积神经网络自动提取痣计数，并由皮肤科培训的临床医生使用临床光子数字量表对每个身体部位的光损伤进行分类。

研究结果

研究人群

分析队列包括117名50岁后接受3D-TBP检查的有黑色素瘤个人史的患者。这些患者在首次诊断后接受了中位时间为16.5年的社区基础监测，随后被招募到使用SDDI和3D-TBP的研究项目中。在整个生命周期中，这117名个体共被诊断出442个黑色素瘤（157个侵袭性和265个原位性）。其中344个黑色素瘤（115个侵袭性，229个原位性）发生在50岁之后。

全身表型模式

通过DBSCAN聚类分析，研究人员在队列中识别出四种不同的全身表型模式。按严重程度递增顺序，这些模式包括：中度V型颈部光损伤伴少量痣（24%）、中度泛发性光损伤伴中等量痣（27%）、中度V型颈部光伤损伴大量痣（17%），以及严重泛发性光损伤伴少量痣（32%）。值得注意的是，没有个体同时具有严重光损伤和中等量-大量痣的特征。

全身表型模式的特征

每种全身表型模式中的个体具有不同的光损伤分布、痣计数、色素特征和黑色素瘤诊断情况。随着表型严重程度的增加（相同光损伤类别内痣计数增加或光损伤严重程度增加），侵袭性黑色素瘤的患病率增加，但原位黑色素瘤(MIS)的患病率没有显著变化。中度V型颈部光损伤伴少量痣的模式较不可能患有侵袭性黑色素瘤（54%，PPR：1.51），而严重泛发性光损伤伴少量痣的模式更可能患有多发性侵袭性黑色素瘤（37%，PPR：2.00）。

黑色素瘤的解剖部位分布

四种表型模式中黑色素瘤影响的解剖部位各不相同。在中度紫外线损伤的情况下，黑色素瘤更可能出现在具有较多>5毫米痣计数的身体部位。在严重光损伤表型模式中，黑色素瘤风险与痣计数无关。在三种表型模式中，黑色素瘤更可能发生在上背部（大量痣模式除外）和中背部（少量痣模式除外）。

将表型模式应用于未患病对照组

为了确定在黑色素瘤患病组中识别的表型模式是否特定于黑色素瘤患病的老年（>50岁）队列，研究人员评估了未患黑色素瘤的个体（114名，年龄>50岁）是否与这些表型模式匹配。其中只有18人（16%）成功匹配到已建立的模式，匹配个体的痣计数在高风险模式的四分位距内，且具有相同数量的光损伤影响部位。

研究结论与意义

这项研究通过3D-TBP表型分析，在一个高风险、年长的澳大利亚队列中识别出四种不同的全身表型模式，这些模式与侵袭性黑色素瘤风险相关。研究结果表明，具有严重光损伤和相对少量痣的个体患多发性侵袭性黑色素瘤的风险显著更高。而对于具有中度光损伤的个体，侵袭性黑色素瘤的风险与痣数量呈正相关。

这些发现对临床实践具有重要意义：首先，全面的表型分析可能比传统方法更能预测侵袭性黑色素瘤的诊断和发生部位；其次，熟悉特定的光损伤和痣模式及其相关风险可以帮助临床医生为50岁以上人群定制风险分层、监测和早期检测策略；最后，3D-TBP与AI结合的方法为客观、全面量化风险因素提供了新途径，有望直接报告表型模式以改进风险分层。

研究的优势在于使用3D-TBP和基于经验捕获表型因素的无监督分组分析，并在未患黑色素瘤的队列中评估了表型模式。局限性包括聚焦于50岁以上、有高终身紫外线暴露、主要是英国和爱尔兰裔的高风险人群，以及缺乏遗传谱分析数据。

总体而言，这项研究展示了3D-TBP表型分析在识别基于光损伤和痣计数的特定部位表型模式方面的价值，这些模式与侵袭性黑色素瘤风险和色素特征相关。与依赖自我报告指标的既往研究不同，这种方法学方法使用3D-TBP和AI来客观、全面地量化风险因素。临床实施可能会指导临床医生主导和患者皮肤自我检查针对综合皮肤监测中风险升高的区域。最终，表型模式可能直接从3D-TBP报告中获取，以改进风险分层，从而优化后续针对性监测。