基于3D优化AI成像模型的蕈样肉芽肿皮肤肿瘤负荷精准评估系统mSWAT-Net开发与验证

【编辑推荐】针对蕈样肉芽肿（MF）传统mSWAT评分存在耗时、观察者差异大的临床痛点，北京大学第一医院团队开发了AI模型mSWAT-Net。通过3D图像辅助深度学习技术，实现皮肤病变类型、体区及重叠区域的三重语义分割，验证显示其ICC达0.917（优于初级医师0.777），并部署为免费网页工具，为MF分期随访提供自动化精准解决方案。

　　

论文解读
在皮肤T细胞淋巴瘤领域，蕈样肉芽肿（Mycosis fungoides, MF）的病情监测长期依赖改良版严重程度加权评估工具（modified Severity Weighted Assessment Tool, mSWAT）。这种传统方法需要医生手动计算12个解剖区域的斑片、斑块和肿瘤的体表面积（Body Surface Area, BSA），再分别赋予1、2、4的权重系数。然而，临床实践暴露两大痛点：一是多角度拍摄导致的病灶重复计算误差，二是不同医师评估存在显著差异（Scarisbrick和Morris, 2013），甚至经过标准化培训的专家间ICC（组内相关系数）仅0.65-0.75。

为解决这一难题，北京大学第一医院皮肤淋巴瘤专科团队联合开发了mSWAT-Net。这项发表于《Journal of Investigative Dermatology》的研究，创新性地将3D人体成像技术与深度学习结合：首先通过61例3D人体图像生成3,904张标注图像训练重叠区域分割子模块，再构建包含皮肤病变类型（U-Net架构）、体区识别和重叠校正的三级AI分析体系。研究团队从TACTICAL数据库（NCT05518851）前瞻性收集171个成像序列的3,184张标准化全身照片，采用五折交叉验证进行模型优化。

关键技术方法

1. 数据采集：使用四视角（前/后/左/右）标准化拍摄方案，建立含134例MF患者2,463张照片的队列（含77例训练集、29例时序验证集）
2. 模型架构：三级语义分割网络（病变类型分类+体区定位+重叠校正）
3. 验证策略：对比床旁mSWAT评分、3D成像真实值及不同年资医师评估结果

研究结果
Patient characteristics
训练集患者平均年龄50.2±14.5岁，63.4%处于疾病早期（mSWAT中位数31.3），时序验证集患者基线特征相似，确保模型泛化能力。

Model training and validation
mSWAT-Net在内部验证和时序验证中ICC分别达0.917和0.846，显著优于三名初级皮肤科医师的0.777。与3D成像真实值对比时ICC保持0.812，证实其消除多视角重复计数的有效性。

Discussion
该研究突破现有AI皮肤分析模型的单图像局限，首次实现跨视角病灶关联计算。临床转化方面，部署的网页应用可30秒完成全身评估，特别适合资源有限地区。值得注意的是，模型对晚期肿瘤患者（mSWAT>50）的预测误差稍高（平均绝对误差6.7），团队建议此类病例仍需专家复核。

结论与展望
mSWAT-Net通过3D优化算法解决了MF评估的重复计数难题，其自动化流程将传统40分钟的手工评估缩短至1分钟内。未来可通过纳入更多种族数据和移动端集成进一步提升可及性。这项研究为罕见皮肤淋巴瘤的数字化诊疗树立了新范式，也为AI在复杂体表面积计算中的应用提供了普适性框架。