基于卷积神经网络(Mask R-CNN)的耳穴精准定位研究：人工智能提升针灸治疗一致性的新方法

本研究针对传统针灸治疗中耳穴定位存在的主观差异问题，开发了基于Mask R-CNN和CNN的AI定位系统。通过39名受试者的117张多角度耳部图像，研究人员实现了shenmen(P1)、lung(P2)和mouth(P3)三个耳穴的自动识别，其预测坐标与传统韩医实践者的标记偏差<3像素（约0.54mm），且核密度估计显示AI预测分布更集中。该成果发表于《Integrative Medicine Research》，为针灸标准化提供了可靠的技术支持。

　　

针灸作为传统医学的重要组成部分，其疗效高度依赖准确的穴位定位。然而耳穴定位长期面临两大难题：一是缺乏明确的解剖学标志，不同从业者定位差异显著；二是现有辅助设备如激光定位仪虽能提高精度，但难以实现高效标准化操作。更棘手的是，耳穴作为"倒置胎儿"的微系统投影，其治疗范围涵盖疼痛管理、失眠和吸烟戒断等多个领域，定位偏差可能直接影响临床效果。

针对这一挑战，韩国光云大学Junsuk Kim团队在《Integrative Medicine Research》发表创新研究。他们巧妙地将计算机视觉与深度学习结合，构建了双阶段AI系统：先通过Mask R-CNN实现耳部区域精确分割，再训练专用CNN模型预测55个耳部标志点，最终定位shenmen(P₁)、lung(P₂)和mouth(P₃)这三个常用于戒烟治疗的耳穴。研究采用39名韩国受试者的多角度耳部图像，通过-20°至+20°旋转增强数据集，并创新性地采用独立神经网络分别预测各穴位坐标以避免几何偏差。

关键技术包括：1) Mask R-CNN耳部区域分割；2) 基于55个标志点的CNN预测模型；3) 核密度估计分析空间分布；4) 独立神经网络分别处理P₁-P₃坐标预测；5) 与传统韩医实践者的标记进行像素级比对。

【准确性对比】

CNN模型预测坐标与传统标记的偏差均<3像素，其中P₁的x坐标仅差0.2像素。误差距离分析显示，CNN对所有穴位的平均误差(10.89-14.82像素)显著低于人工标记(15.44-22.84像素)。

【分布一致性】

核密度图清晰显示，CNN预测的穴位分布范围较人工标记缩小30%-40%，证明AI具有更高重复性。统计检验表明这种差异具有高度显著性(P<0.01)。

【方法创新】

研究突破性地采用三套独立神经网络分别处理P₁-P₃预测，避免了早期单一模型产生的几何模式偏差。数据增强方面，限定在±20°旋转范围内进行图像扩充，既保证数据多样性又不影响标志点识别。

这项研究标志着针灸数字化的重要进展。其价值不仅体现在0.54mm级的定位精度，更在于首次通过量化分析证明AI可显著降低穴位定位的个体差异。特别值得注意的是，该方法可直接扩展至其他耳穴组合，为失眠、肥胖等病症的标准化治疗铺平道路。尽管存在样本量有限(仅39人)和缺乏多民族验证的局限，但研究团队建立的KHU-EAR数据集和开源模型架构，为后续研究提供了重要基础。从临床转化角度看，这项技术未来可整合到智能针灸设备或AR系统中，实现"所见即所治"的精准医疗新模式。