编辑推荐：
为解决菌状乳头（FPs）手动检测耗时主观等问题，研究人员采用经典 U-Net、MultiResUNet 和优化 U-Net 对 175 张舌图像开展 FP 自动识别研究。结果显示优化 U-Net 性能最佳，为味觉障碍诊断和个性化营养提供新方法。
味觉作为人体感知世界的重要感官，不仅关乎美食体验，更与健康息息相关。菌状乳头（Fungiform Papillae, FPs）作为味觉感知的关键结构，其数量与功能的个体差异会直接影响人们对滋味的辨别能力，甚至与肥胖、糖尿病等代谢性疾病的发生风险紧密相连。然而，传统的 FPs 检测依赖人工染色和视觉计数，不仅耗时费力，还存在主观误差大、标准化困难等问题，尤其在面对复杂形态的乳头或大规模样本时，效率与准确性均难以保证。因此，开发一种高效、可靠的自动化检测方法，成为味觉研究领域亟待突破的技术瓶颈。
来自意大利卡利亚里大学医院的研究团队针对这一挑战，开展了基于深度学习的 FPs 自动识别研究。他们利用三种卷积神经网络（Convolutional Neural Networks, CNNs）模型 —— 经典 U-Net、MultiResUNet 和优化 U-Net，对 175 名健康受试者的舌部图像进行分析，旨在筛选出对 FPs 形态和分布变异具有高鲁棒性的检测模型。研究成果发表在《Computational and Structural Biotechnology Journal》，为味觉功能的量化研究提供了新的技术范式。
研究人员采用标准化流程获取舌部图像：通过蓝色食用染料（E133）染色区分菌状乳头与丝状乳头，在舌前部划定 6mm 直径的圆形感兴趣区域，由三名观察者独立计数并达成共识，以此构建用于模型训练的金标准（Ground Truth）。图像预处理环节包括椭圆检测、区域裁剪、尺寸标准化（250×250 像素）和对比度受限的自适应直方图均衡化（CLAHE），以增强 FPs 的视觉特征。
模型训练采用五折交叉验证策略，以均方误差（MSE）为损失函数，结合 Adam 优化器和数据增强技术（旋转、翻转、亮度调整）提升泛化能力。研究对比了三种网络的性能表现：经典 U-Net 采用编码器 - 解码器结构，通过四层卷积块提取特征；MultiResUNet 引入多分辨率卷积块以捕捉不同尺度细节；优化 U-Net 则通过减少卷积核数量、添加批量归一化（Batch Normalization）和 dropout 层，降低过拟合风险并加速训练收敛。
3. 结果分析
3.1 模型训练稳定性
通过监测 500 个训练周期的损失函数（MSE）和平均绝对误差（MAE），优化 U-Net 表现出最佳稳定性：其训练与验证曲线趋势一致，误差值快速收敛且波动较小，而 MultiResUNet 出现明显过拟合迹象，经典 U-Net 虽收敛较快但验证误差波动大于优化模型。
3.2 量化性能对比
在关键评价指标中，优化 U-Net 以最低的 MAE（0.034±0.001）、最高的结构相似性指数（SSIM, 0.755±0.047）和骰子系数（DC, 0.712±0.033）显著优于其他模型。值得注意的是，经典 U-Net 虽能检测到更多真阳性（TP）样本，但假阳性（UP）率高达 37.33%，反映出其对 FPs 形态的特异性识别不足；MultiResUNet 则因假阴性（UN）率过高（25.48%），导致漏检问题突出；而优化 U-Net 在 TP（79.41%）、UN（20.57%）和 UP（24.31%）之间实现了更均衡的表现，完全准确率（63.89%）亦为最高。
3.3 复杂场景鲁棒性
在五组具有不同 FP 密度和形态的挑战性图像中，优化 U-Net 展现出更强的适应性。例如，在 FP 密集分布的样本中，其 UP 率仅为 2%，显著低于经典 U-Net 的 7% 和 MultiResUNet 的 4%；而在形态变异较大的样本中，优化模型的 TP 率保持在 93% 以上，充分证明了其对复杂输入的识别能力。
4. 结论与意义
本研究通过改进经典 U-Net 架构，成功开发了一种针对舌部菌状乳头的自动化检测模型 —— 优化 U-Net。该模型通过批量归一化和 dropout 层设计，有效提升了训练稳定性和特征提取精度，在多维度性能评估中均表现出最优的准确性与鲁棒性。研究结果不仅为味觉感知的个体差异研究提供了标准化工具，还为临床味觉障碍（如味觉减退 hypogeusia、味觉丧失 ageusia）的诊断及个性化营养干预奠定了技术基础。此外，研究团队公开的开源代码（GitHub）将推动该方法在跨学科领域的广泛应用，助力探索 FP 密度与代谢性疾病、药物干预等因素的关联机制。
尽管优化 U-Net 已展现显著优势，但研究仍存在一定局限性，如舌面非平面特性对金标准构建的影响，以及模型在儿童等特殊群体中的泛化能力待验证。未来研究可通过扩大样本多样性、引入三维图像重建技术等方式进一步优化模型，推动其从实验室走向临床实践，为精准健康领域开辟新的研究路径。
