基于深度模型颜色空间分析的局部皮肤反应软传感：一种用于斑贴试验客观评估的计算机视觉方法

《Sensors》：Soft Sensing of Local Skin Reactions: A Computer Vision Approach Using Deep Model Colour Space Analysis for Objective Patch Test Evaluation

　　

专业摘要翻译 过敏性接触性皮炎（Allergic Contact Dermatitis，ACD）是一种常见疾病，传统上通过标准化斑贴试验进行诊断，该方法受限于主观的皮肤视觉评估以及皮肤反应表现的延迟性。本研究提出了一种新颖的“软光学传感器”方法，用于自动化定位和量化局部皮肤反应。所提出的计算机视觉框架采用混合深度学习集成，整合了DeepLabV3+、UperNet和SegFormer架构，以实现健康皮肤的精确分割和斑贴试验标记物的检测。为客观评估斑贴试验反应的强度，该系统将提取的感兴趣区域（Regions of Interest，ROIs）转换至CIELAB颜色空间。研究人员为每位患者计算个性化健康皮肤基线，从而能够通过测量绝对颜色偏差，将皮肤反应分类为三个不同的严重程度等级（小、中、大）。在临床数据集上的评估显示，该混合集成模型表现出较高的分割性能，达到了89.3%的峰值Dice系数和81.3%的交并比（Intersection over Union，IoU）。此外，颜色空间分析与单一皮肤科专家的评估显示出高度一致性（总体准确率为90%），尤其是在无歧义的反应极端情况下。这种自动化方法为临床皮肤病学评估提供了一种可扩展、客观且标准化的解决方案。

论文解读文章

一、研究背景与问题

过敏性接触性皮炎（Allergic Contact Dermatitis，ACD）是一种由环境过敏原触发的迟发型IV型超敏免疫反应。随着工业化、城市化和气候变化加剧了全球对新化学物质和污染物的暴露，接触性过敏的发生率急剧上升。根据近期全球疾病负担（Global Burden of Disease）估计，皮炎是皮肤疾病全球负担的主要贡献者，仅2021年就报告了约2.53亿例新的接触性皮炎病例。这种高患病率给患者带来了严重的身心负担，常导致睡眠障碍、焦虑和生活质量显著下降。

除了对个体的影响，接触性皮炎相关的全球健康成本和经济负担同样深远。经济后果远不止直接医疗费用，还包括旷工、带病工作和失业等大量间接成本。评估慢性皮炎社会成本的研究表明，每位患者的年平均总经济负担可超过1万美元，全球范围内转化为数十亿美元的社会成本。

识别这些接触性过敏原的主要诊断标准仍是表皮斑贴试验（epicutaneous patch test）。然而，传统的斑贴试验方法受限于主观解读、依赖医生经验，并且需要患者多次就诊（通常在48小时、72小时和7天）。根据红斑、浸润和水疱形成的强度，皮肤科医生将阳性斑贴试验反应手动分级，这给诊断过程引入了主观性。

这种依赖耗时、手动临床评估的方式，在面临全球严重医学专家短缺的情况下日益难以为继。医学组织预测到2034年将出现多达12.4万名医生的严重短缺，其中皮肤科医生群体正快速老龄化。目前许多地区的患者平均等待皮肤科预约时间超过34天。在这种背景下，自动化和人工智能的整合不仅是学术追求，更是临床必需。虽然先前的自动化斑贴试验评估系统在单阶段检测架构（如YOLO）或标准二分类网络上取得了显著进展，但仍存在关键研究空白：现有诊断工具常依赖通用比色阈值或泛化训练数据，未能考虑人类皮肤色素沉着和基线血管分布的巨大生物学差异，导致在自然肤色较深或血管丰富的患者中易出现假阳性诊断，在异常苍白的皮肤中易出现假阴性评估。

二、研究内容与结论

本研究提出的软传感流程通过引入高度个性化的评估策略，弥合了主观视觉分级与自动化数字诊断之间的差距。研究的真正新颖之处在于超越泛化分类，建立针对局部炎症的患者特定基准。具体而言，本研究的主要贡献有三方面：混合模型的开发、定制CIELAB分析的引入以及过敏性炎症的自动化量化。研究开发了一种新型混合计算机视觉框架，整合DeepLabV3+、UperNet和SegFormer架构，通过专门的冲突解决投票算法综合这些模型的输出，实现对健康皮肤和基准斑贴试验标记物的高精度宏观分割，最大限度地减少了单一架构常见的假阳性边界误差。同时引入定制的CIELAB颜色空间变换，从数学上隔离感兴趣区域，并为每位患者计算个性化健康皮肤基线（C_baseline），有效减轻了患者间色素变异和不一致临床照明的影响。

研究得出的核心结论是：这种自动化方法提供了一种可扩展、客观且标准化的临床皮肤病学评估解决方案。混合集成模型在分割性能上达到89.3%的峰值Dice系数和81.3%的交并比，与专家皮肤科评估的总体诊断一致性达到90%。

三、关键技术方法

研究人员为开展本研究主要采用了以下关键技术方法：

第一，构建混合深度学习分割集成模型。研究整合了DeepLabV3+、UperNet和SegFormer三种编码器-解码器架构，采用无权重硬投票机制进行像素级决策融合。当三个模型对同一像素输出完全不同的类别时，算法默认采用UperNet的预测结果作为冲突解决策略，因其具有更高的基线精度和较低的假阳性误分类率。

第二，采用Optuna框架进行自动化超参数优化。研究使用树结构Parzen估计器（Tree-Structured Parzen Estimator，TPE）采样器和中位数剪枝器，评估了九种分割架构与八种编码器骨干网络的组合，共进行405次试验，最终选定DeepLabV3+搭配Mix Vision Transformer（Mit_B2）、UperNet搭配Dpn_68、SegFormer搭配ResNet_34作为最终集成模型。

第三，引入CIELAB颜色空间分析和个性化基线计算。研究将提取的感兴趣区域从RGB颜色空间转换至感知均匀的CIELAB颜色空间，每个像素表示为三维向量（L_i, a_i, b_i）。由于过敏反应主要表现为红斑增加，研究设计了归一化颜色系数C = a/(L+ε)，其中ε=1为稳定常数。系统从每位患者的健康皮肤掩膜中随机提取100个32×32像素、零重叠且质心间距至少50像素的健康皮肤片段，通过20%修剪均值计算个性化基线C_baseline。

第四，基于绝对颜色偏差的反应强度分类。研究计算每个过敏原斑贴区域的颜色系数C_allergy与个性化基线C_baseline之间的绝对偏差D = |ΔC|，并依据训练和验证队列中通过一维k-means聚类统计建立的阈值（T₁ = 0.05和T₂ = 0.15）将反应分类为小、中、大三个等级。

本研究的样本队列来源于2025至2026年间在立陶宛健康科学大学医院Kauno klinikos接受接触性过敏诊断的274名患者，共采集822张高分辨率数字斑贴试验图像，每位患者在48小时、72小时和7天三个时间点各拍摄一张图像。数据集在患者层面严格划分，训练集含192名患者（576张图像），验证集含41名患者（123张图像），独立测试集含41名患者（123张图像）。

四、研究结果

健康皮肤和参考标记分割性能

研究采用S?rensen–Dice系数、交并比（IoU/Jaccard Index）、加权F1分数和曲线下面积（Area Under the Curve，AUC）对分割性能进行量化，并通过1000次重采样的患者级bootstrap程序计算所有指标的95%置信区间。结果显示，UperNet架构表现出最均衡的分割能力，达到88.0%的最高个体Dice分数，其主要优势在于基线精度和最小化假阳性误分类的能力。DeepLabV3+对目标识别表现出最高灵敏度，准确识别了92.8%的目标类像素，但这种灵敏度导致过度分割倾向，其假阳性率几乎是UperNet的两倍（9.2%），整体Dice分数在三者中最低，为83.4%。SegFormer架构处于中间性能层级，Dice分数为85.9%。

提出的混合模型成功结合了三种网络的互补优势，在冲突解决投票中优先采用UperNet的输出，有效抑制了假阳性同时保持高检测率。定量结果证实了集成方法的优越性：混合模型超越了所有单一架构，达到89.3%的峰值Dice分数（95% CI：0.882–0.905），较最佳单一模型提升了1.3%。配对置换检验确认了混合集成与UperNet之间的显著差异（p < 0.01）。此外，系统实现了81.3%的交并比和90.7%的加权F1分数。混合模型在ROC曲线分析中展现出最有效的灵敏度和特异性平衡，达到最高AUC值0.963。

过敏反应的定量分析与皮肤科医生比较

个性化健康皮肤基线分析显示，基线值范围从1.8427到1.9853，队列总体均值约为1.8949，最低和最高健康皮肤基线之间的相对差异为7.7%，证实皮肤颜色特征高度个体化，无法使用单一全局标准可靠评估过敏变化。

通过计算每个提取斑贴的绝对颜色偏差D = |ΔC|，系统成功将多样化的临床反应分类为客观严重程度等级。实验数据揭示了三种主要的分类特征：部分患者表现出广泛且高度可变的炎症反应谱，绝对颜色偏差最大值达0.166，算法将其准确分布为小（54.5%）、中（27.3%）、大（18.2%）类别；部分患者呈现双峰反应分布，50%的斑贴被分类为小反应，50%为大反应，完全缺乏中等反应，最大偏差达0.189；还有部分患者表现出高度一致和均匀的炎症反应，80%的测试反应被分类为中等。

在临床评估算法与人类皮肤科医生的比较中，研究从独立测试队列中随机提取100例斑贴试验反应病例，进行分层选择以确保三个严重程度类别的均衡代表性。混淆矩阵显示算法与人类皮肤科医生评估的总体准确率为90%，其中正确识别了42例小反应、30例中等反应和18例大反应。Cohen's Kappa系数为κ = 0.84（95% CI：0.74–0.94；p < 0.001），表明自动化流程与人类专家之间具有实质性一致性。所有误分类均发生在相邻过渡区域：算法在4个实例中轻微高估反应（3例小反应标记为中等，1例中等标记为大），在6个实例中低估反应（4例中等标记为小，2例大标记为中等）。

五、讨论与结论

讨论部分指出，传统诊断系统或基本比色分析常尝试应用通用固定阈值来检测红斑或炎症，但人类皮肤因黑色素浓度、基线血管分布和个体生理特征的差异而表现出显著的患者间变异性。应用单一全局阈值评估过敏性接触性皮炎将不可避免地导致系统性分类错误。本研究提出的软传感流程通过建立患者特定参考基线来克服这种生物学变异性。以患者自身健康皮肤为基准，系统与专家皮肤科医生的反应分类一致性达到90%。值得注意的是，混淆矩阵中观察到的10%差异仅发生在相邻过渡区域，表明算法行为安全且可预测。边界案例中的差异凸显了人类视觉分级固有的主观性，而算法严格遵循数学截断值。

研究结论部分指出，分割结果证实整合DeepLabV3+、UperNet和SegFormer架构的混合集成方法在复杂医学图像中捕捉精确多边形边界方面高度有效，优于独立单一模型。集成模型实现了89.3%的最优峰值Dice分数和81.3%的交并比。此外，通过患者特定CIELAB基线定义绝对颜色偏差（D）来界定过敏强度被证明高度稳健，能够适应皮肤色素沉着和光照条件的自然变化。这种自动化方法实现了与人类专家90%的诊断一致性。未来工作将集中于整合皮肤纹理分析、抑制体毛和阴影等环境伪影，以及扩展数据集，以在自动化临床环境中全面实现该软传感器的应用。