编辑推荐：
为解决舌诊主观性强、现有深度学习方法难以捕捉细微细节及缺乏大样本数据的问题，研究人员开展了基于深度学习的舌象表型精细提取与分类算法平台（TonguExpert）的研究。结果显示该平台性能优异，远超人工分类，还发布了大型公开数据集，推动舌诊自动化发展。
舌诊在疾病检测和健康监测方面具有潜力，尤其是在中医领域。然而，其主观性阻碍了临床应用。深度学习为舌诊自动化提供了途径，但现有方法难以捕捉细微细节，且缺乏大型数据集阻碍了稳健且通用模型的开发。为应对这些挑战，研究人员推出了 TonguExpert（
https://www.biosino.org/TonguExpert ），这是一个用于存储、分析和从舌象图像中提取表型的免费平台。其深度学习框架整合了前沿的舌部分割和表型提取技术。TonguExpert 分析了来自中国人群的 5992 张舌象图像的大规模数据集，并在统一过程中提取了 773 种表型，包括 5 种预测标签及其概率、355 种全局特征（整个舌头、舌体和舌苔）和 408 种局部特征（裂纹和齿痕）。此外，还有针对五个舌亚区域的 580 种额外特征可供未来研究使用。值得注意的是，TonguExpert 的表现优于人工分类方法，实现了高精度（颜色的受试者工作特征曲线下面积
ROC-AUC为 0.89 - 0.99，裂纹为 0.97，齿痕为 0.88 ）。此外，该模型利用外部数据集对新表型（如腻苔）的预测具有良好的泛化性。这使得模型能够从更广泛的数据中学习，有可能提高其整体性能。研究人员还发布了目前最大的公开舌象和表型数据集，这对推进舌诊的自动化分析和临床应用具有重要价值。总之，这项研究推动了舌诊自动化的发展，为更广泛的临床应用铺平了道路，并有可能在未来扩展其应用范围。
