编辑推荐：
为解决甲黑线传统诊断方法存在的侵入性、设备依赖等问题，研究人员开展基于深度学习图像分割的甲黑线智能分析系统研究。结果显示该系统诊断性能出色，有望提升甲黑线诊断和监测能力，改善诊疗效果。
在医学领域，皮肤癌是人类最常见的恶性肿瘤之一，其中黑色素瘤又是皮肤癌里死亡率最高的类型，其具有易转移的特性，所以早期诊断和治疗黑色素瘤迫在眉睫。甲黑线（Melanonychia）是指手指甲或脚趾甲上出现的色素条纹，它不仅影响患者日常生活和心理健康，在少数情况下，还可能是甲下恶性黑色素瘤的早期预警信号 。然而，传统诊断甲黑线病因的方法存在诸多弊端，比如作为金标准的指甲活检，会造成永久性指甲损伤，还伴有疼痛和恢复周期，对于疑似良性病因且无明显症状的患者，很难接受这种检查方式。临床实践中常用的 “ABCDEF” 规则，只能用于动态观察和初步诊断。同时，传统的皮肤疾病诊断算法，像支持向量机（SVM）和随机森林（RF），依赖人工设计和提取特征，不仅耗费人力，还容易忽略关键特征，限制了诊断模型的准确性和通用性。在这样的背景下，为了实现甲黑线的早期检测和监测，开发更便捷、准确的诊断方法至关重要。
中山大学附属的研究人员开展了一项关于甲黑线的研究，他们开发了一种基于智能手机影像的非侵入性甲黑线智能分析和随访系统，利用深度学习技术，助力甲黑线的早期检测和监测。研究成果具有重要意义，该系统为临床医生和患者提供了一种方便易用的工具，提升了甲黑线的诊断和监测能力，有望改善早期检测和治疗效果。这一研究成果发表在《Computerized Medical Imaging and Graphics》上。
研究人员开展研究时用到的主要关键技术方法如下：首先，构建了甲黑线图像数据集，从中山大学附属的两家医院收集了 200 张临床图像，经过严格筛选，剔除模糊、晃动或有杂物影响的图像 。然后，利用开源图像标注工具 LabelMe 对数据集进行细致标注，生成指甲和甲黑线区域的二进制掩码，并通过 OpenCV 进行边缘检测等预处理，为深度学习模型准备高质量的训练数据。此外，研究采用了基于 YOLOv8 的指甲检测系统和基于 UNet 的图像分割系统组成的两阶段模型进行分析。
研究结果
- 数据集构建与预处理：构建了包含 200 张甲黑线临床图像的综合数据集，这些图像来自 2022 - 2024 年中山大学附属的两家医院。使用 LabelMe 工具进行标注，并通过 OpenCV 进行边缘检测等预处理，得到了高质量的训练数据。
- 模型性能：集成的 YOLOv8 和 UNet 模型在检测和分割甲黑线病变方面表现出色，其 F1、Dice、特异性和敏感性等性能指标显著优于传统方法，与皮肤镜评估结果相近，说明该模型具有较高的准确性和可靠性。
- 创新点：一方面，构建的数据集涵盖多种甲黑线病变类型，丰富了深度学习模型训练的数据资源。另一方面，与依赖皮肤镜的诊断方法相比，基于智能手机的系统在保证诊断准确性的同时，大大提高了可及性。两阶段诊断过程有效应对了智能手机拍摄图像时环境条件的差异，增强了模型的稳健性和通用性。
研究结论和讨论
本研究成功开发了基于深度学习图像分割的甲黑线智能分析系统。通过构建全面的数据集和两阶段深度学习模型，该系统在甲黑线病变检测和分割方面展现出良好性能。这一系统为临床医生和患者提供了便利，有望提高甲黑线的早期诊断率，改善患者的治疗效果和预后。此外，该研究还为其他皮肤疾病的智能诊断提供了参考思路，推动了人工智能在医学领域的进一步应用。未来，可以进一步扩大数据集规模，优化模型结构，提高系统的性能和泛化能力，以更好地服务于临床实践。总之，这项研究在甲黑线诊断领域迈出了重要一步，具有显著的临床应用价值和广阔的发展前景。
