综述：皮肤瘢痕图像的智能识别与诊断进展：概念、方法、挑战及未来趋势

《Frontiers in Medicine》：Advances in intelligent recognition and diagnosis of skin scar images: concepts, methods, challenges, and future trends

这篇综述系统梳理了人工智能（AI）在皮肤瘢痕（如增生性瘢痕、瘢痕疙瘩）识别与诊断中的研究进展，涵盖传统机器学习（ML）、深度学习（DL）及多模态融合技术，并指出数据稀缺性、领域偏移（domain shift）和隐私法规等关键挑战，为未来智能瘢痕诊疗系统的临床转化提供了路线图。

　　

1 引言

皮肤瘢痕是创伤修复后的常见结局，其异常胶原沉积会导致增生性瘢痕（hypertrophic scar）或瘢痕疙瘩（keloid），不仅影响外观，还可能伴随瘙痒、疼痛等功能障碍。传统评估依赖温哥华瘢痕量表（VSS）等主观工具，存在观察者间变异（ICC ≤ 0.50）。人工智能技术通过分析临床图像、病理切片等多模态数据，有望实现客观量化评估。

2 瘢痕分类与形成机制

瘢痕可分为正常瘢痕、增生性瘢痕、瘢痕疙瘩和萎缩性瘢痕（atrophic scar）。其形成涉及炎症期、增殖期和重塑期三个阶段，其中TGF-β信号通路过度激活是胶原过度沉积的关键驱动因素。

3 人工智能技术基础

机器学习：包括监督学习（如SVM、决策树）和无监督学习（如k-means聚类）。

深度学习：CNN通过卷积层自动提取层次化特征，在ISIC等皮肤影像数据集上表现优异。Transformer架构（如Swin Transformer）进一步提升了全局上下文建模能力。

4 数据集挑战

现有瘢痕数据集多为私有，且存在肤色偏差（Fitzpatrick IV-VI样本不足）。推荐采集时记录设备参数（如偏振光/非偏振光）、解剖部位和瘢痕成熟度，并采用标准化元数据（见表3）。

5 隐私保护技术

联邦学习（FL）和差分隐私（DP）可解决医疗数据共享难题。例如，FL框架在多个医疗机构联合训练模型时，仅交换参数而非原始数据，隐私泄露风险降低90%。

6 智能诊断方法

传统方法：

• •

  无监督：模糊C均值聚类（准确率92.6%）

• •

  监督：LBP+SVM分类（准确率85.5%）

深度学习方法：

• •

  CNN模型：ResNet-50通过多视角临床照片学习（MCPL）实现瘢痕亚型分类（AUC=0.915）

• •

  3D重建：智能手机多视角立体视觉测量线性瘢痕长度（误差3.69%）

• •

  大模型：PanDerm通过200万皮肤图像预训练，支持128种皮肤病变诊断

7 临床整合路径

1. 1.

   诊前：患者自拍图像结合电子问卷（ePROs）筛查高风险病例

2. 2.

   诊中：AI辅助VSS评分可视化（如3D表面高度图）

3. 3.

   随访：远程监测瘢痕体积变化（激光轮廓术）与症状评分

8 未来方向

开发融合窄带光谱增强（hyperspectral imaging）的混合模型，提升深色皮肤瘢痕对比度；通过伦理审查（IRB）推动多中心临床试验验证泛化性。

（注：全文数据与结论均源自原文，未新增观点）