高光谱成像联合机器学习实现皮肤黑色素与红斑的精准量化分析

《Journal of Biophotonics》：Hyperspectral Imaging Combined With Machine Learning Methods to Quantify the Facial Skin Melanin and Erythema

本研究针对皮肤生理状态评估中黑色素与红斑量化难题，开发了高光谱成像结合机器学习的新方法。通过竞争性自适应重加权采样（CARS）算法筛选特征波长，并对比七种机器学习模型，发现堆栈泛化模型表现最优（黑色素指数RMSEV=14.23，RPDv=2.706；红斑指数RMSEV=31.74，RPDv=2.002），实现了皮肤色素分布的可视化分析，为皮肤病学诊断提供非侵入性技术支撑。

　　

通过高光谱成像技术（Hyperspectral Imaging）与机器学习方法的创新结合，研究人员成功实现了对面部皮肤黑色素（Melanin）和红斑（Erythema）的精准量化分析。皮肤中的黑色素沉积和红斑现象是评估皮肤状态的重要指标，本研究通过解析皮肤与光相互作用的机理，将光谱反射率数据与单点色素测量设备Mexameter MX18的检测值进行融合，建立了客观的肤色成像评估体系。

采用竞争性自适应重加权采样（CARS）算法筛选出的特征波长，与MX18设计的窄波段高度吻合，在有效剔除冗余数据的同时保持了模型预测精度。研究团队系统比较了七种机器学习算法，其中堆栈泛化模型（Stacked Generalization Model）展现出最优性能——黑色素指数验证集均方根误差（RMSE_V）为14.23，相对预测偏差（RPD_v）达2.706；红斑指数RMSE_V为31.74，RPD_v为2.002。

该技术突破实现了皮肤色素分布的空间可视化，为皮肤病临床诊断和美容医学评估提供了快速、非侵入性的前沿分析工具。