《Dermatology and Therapy》：Skin Parameter Scoring Using Artificial Intelligence: A Case Series
编辑推荐：
引言：面部皮肤参数评估对准确诊断具有重要意义，计算机化系统可降低主观性。研究人员通过将基于应用程序的面部分析人工智能（artificial intelligence, AI）系统输出与人类皮肤科医师评估者进行比较，评估该系统的可行性。方法：基于应用程序的AI与
引言：面部皮肤参数评估对准确诊断具有重要意义，计算机化系统可降低主观性。研究人员通过将基于应用程序的面部分析人工智能（artificial intelligence, AI）系统输出与人类皮肤科医师评估者进行比较，评估该系统的可行性。方法：基于应用程序的AI与人类皮肤科医师均评估14项参数（age spots、eye bags、moisture、oiliness、redness、texture、wrinkles、acne、droopy lower eyelid、droopy upper eyelid、firmness、dark circles、radiance、pores）的严重程度。AI生成0至100的原始评分（100=无瑕），并将其转换为与人类0至4评分（4=非常严重）相匹配。计算评分差异以确定一致程度。0分差异定义为完全一致，1分差异为良好，2分差异为差，3分差异为很差，4分差异为最差。结果：共评估46张面部临床照片（13名男性，33名女性），照片在室内荧光灯照明下拍摄，包括使用和不使用闪光灯。完全一致或良好一致率较高（>90%）的参数为泛红（redness，100%）、眼袋（eye bags，96%）和皱纹（wrinkles，96%）。一致率中等（80–90%）的参数为光泽度（radiance，89%）、黑眼圈（dark circles，84%）、下眼睑下垂（droopy lower eyelid，82%）、油性（oiliness，80%）、痤疮（acne，80%）和毛孔（pores，80%）。一致率较低（<80%）的参数为纹理（texture，78%）、老年斑（age spots，78%）、上眼睑下垂（droopy upper eyelid，77%）、水分（moisture，72%）和紧致度（firmness，65%）。结论：在一项针对一个神经网络AI的初步研究中，其对皮肤参数的评估与一名人类评估者总体完全一致或良好一致率为83%。尽管基于软件的AI面部分析系统可能缺乏硬件优化，但其使用简单，便于在多种手持设备上实施。与成本更高的桌面式面部分析设备相比，低启动成本、快速数据收集和易用性可能是其优势。
论文解读：研究背景与问题：面部皮肤参数评估对准确诊断具有重要性，但人类感知与临床评估密切联系，并可能在不同次评估间发生变化；计算机化评估系统可降低主观性和变异。深度学习神经网络是计算机化面部评估的方法之一，人工智能（artificial intelligence, AI）可能在不同光照场景、图像质量和患者姿势下保持较高保真度。该研究旨在评估AI面部分析应用程序在临床照片上的可行性，聚焦美容相关参数，并在14项参数上评估AI与皮肤科医师评估者之间的一致程度。研究人员开展了一项病例系列研究，使用研究者版AI Skin Analysis v1.67（Perfect Corp.）评估临床照片；该AI模型基于在70,000张人脸数据库上训练的深度学习神经网络，应用程序捕获JPEG或PNG图像并在AI推断输出前验证图像质量。原始评分0至100（100=无瑕）分配给14项参数（age spots、eye bags、moisture、oiliness、redness、texture、wrinkles、acne、droopy lower eyelid、droopy upper eyelid、firmness、dark circles、radiance、pores），并显示带有AI分析区域叠加的输出图像；患者版AI应用程序显示膨胀评分以改善患者自我形象。一名对AI评分盲法的皮肤科专家评估相同临床照片，并按5点量表（0=清晰，1=轻度，2=中度，3=严重，4=非常严重）评分。为比较AI评分与人类评估者评分，将AI原始值（0–100）基于各参数标准差映射至[0,4]范围并反向转换（4=非常严重），形成与人类专家评分可比的5点量表。计算评分差异以确定一致程度：0分差异为完全一致，1分为良好，2分为差，3分为很差，4分为最差。计算两名评估者的组内相关系数（intraclass correlation coefficient, ICC），基于单一评估者类型、绝对一致和双向随机效应模型（ICC(2,1)）；显著性p值为0.05，并报告95%置信区间。对评分差异为3和4的照片进行定性审查，以归纳主题及可能导致差异的因素。该研究获Wake Forest University Institutional Review Board批准（IRB00085220），并遵循Declaration of Helsinki；所有参与者签署书面知情同意书，并同意参与及数据与图像发表。关键技术方法（≤250字）：采用研究者版AI Skin Analysis v1.67（Perfect Corp.），其深度学习神经网络基于70,000张人脸训练；应用捕获JPEG/PNG并验证图像质量后输出14项参数0–100原始评分。由一名盲法皮肤科专家对同批照片按0–4级（0=清晰，4=非常严重）评分；将AI原始分按各参数标准差映射至[0,4]并反向转换后比较差异（0=完全一致，1=良好，2=差，3=很差，4=最差），计算ICC(2,1)，并对差异3或4的照片进行定性审查。样本为Wake Forest University IRB批准（IRB00085220）的46张面部临床照片（13男、33女；Fitzpatrick皮肤类型I:9、II:12、III:5、IV:5、V:15、VI:0；估计年龄10–19:8、20–29:18、30–39:6、40–49:6、50–59:2、60–69:4、70–79:2），在临床室内荧光灯下含/不含闪光拍摄。研究结果：总体评分差异方面，46张面部照片（13男、33女）具有上述Fitzpatrick皮肤类型和估计年龄分布，照片在临床室内荧光灯照明下含/不含闪光拍摄；AI与一名人类皮肤科医师对46张照片评分，产生0至4评分。全部参数全部评分（N=644）中，37%（N=239）差异为0（完全一致），46%（N=295）差异为1（良好），14%（N=92）差异为2（差），2%（N=15）差异为3（很差），0%（N=3）差异为4（最差）。AI和皮肤科医师双方全部评分（N=1288）中，18%（N=235）评为清晰，39%（N=501）为轻度，28%（N=363）为中度，10%（N=125）为严重，5%（N=64）为非常严重。各参数一致率方面，通过比较AI转换评分与人类评分，完全或良好一致率>90%的参数为泛红（redness，100%）、眼袋（eye bags，96%）和皱纹（wrinkles，96%）；80–90%的参数为光泽度（radiance，89%）、黑眼圈（dark circles，84%）、下眼睑下垂（droopy lower eyelid，82%）、油性（oiliness，80%）、痤疮（acne，80%）和毛孔（pores，80%）；<80%的参数为纹理（texture，78%）、老年斑（age spots，78%）、上眼睑下垂（droopy upper eyelid，77%）、水分（moisture，72%）和紧致度（firmness，65%）。组内相关系数方面，通过计算ICC(2,1)，没有参数达到优秀（>0.9）或良好（0.75–0.9）相关；中等相关（0.5–0.75）的参数为皱纹（wrinkles，0.74）、眼袋（eye bags，0.72）、泛红（redness，0.68）和痤疮（acne，0.61）；差相关（<0.5）的参数为光泽度（radiance，0.48）、老年斑（age spots，0.43）、毛孔（pores，0.43）、纹理（texture，0.41）、紧致度（firmness，0.33）、黑眼圈（dark circles，0.30）、油性（oiliness，0.26）、上眼睑下垂（droopy upper eyelid，0.10）、水分（moisture，0.05）和下眼睑下垂（droopy lower eyelid，?0.14）；14项参数平均ICC为0.41。高差异照片定性审查方面，通过定性审查至少一个评分差异为3或4的16张临床照片（8男、8女），发现老年斑差异（3例）源于AI将痤疮错误识别为老年斑、AI过度估计单个斑点以及AI未识别黄褐斑（melasma）；水分差异（4例）源于AI误判（2例）水分水平以及AI将白色糠疹（pityriasis alba）误认为干燥；油性差异（1例）源于AI将外用产品高反射误判为过量油脂；痤疮差异（1例）源于AI低估痤疮严重程度；下眼睑下垂差异（2例）源于AI过度估计并混淆阴影或面部斜角；上眼睑下垂差异（3例）源于AI无明确原因过度估计；紧致度差异（2例）源于AI无明确原因过度估计；黑眼圈差异（1例）源于AI无明确原因过度估计；光泽度差异（1例）源于无明确原因低估。讨论部分总结：AI对皮肤参数的评估与一名人类评估者一致性良好；全部评分比较中83%为完全或良好一致。部分参数一致率优秀，可能与其一维性质有关；泛红、眼袋和皱纹完全或良好一致率高，皱纹和眼袋ICC亦为中等相关。一致/相关良好的参数不需要整合面部许多方面，解释空间较小（无论人类偏倚还是AI训练数据偏倚）。ICC通过精确匹配计算，可能在该设置中过于严格，可能低估评级接近但非完全匹配参数的相关性；5点量表省略半级，使整分差异占量表20%。低一致参数可能整合多种质量（紧致度、水分、纹理），或解释空间较大（老年斑、上眼睑下垂）；人类与AI评分差异可能来自更抽象参数，需要推断光照、阴影或重力（紧致度），也可能因参数定义冲突，评估前未进行协调（老年斑）。另一项与一名皮肤科评估者比较的AI研究评估准确率（精确评分匹配）：Fitzpatrick皮肤类型78–95%、色素沉着过度69–97%、泛红68–98%、皱纹81–97%、总体均值85%、标准差9.9；较低范围准确率出现在中间评级，可能因单一人类评估者参数模糊；中间评级较低准确率也可能促成该队列完全一致率较低（67%评分为轻度或中度），采用较不严格的评估者一致定义可缓解该问题。AI可能突出各参数或面部区域的区隔化，该AI模型按区域评估参数并忽略其他可能相关区域；例如上、下眼睑下垂仅在眼睑区域评估，眼睑、头部和相机位置可能改变眼睑暴露并影响评分；人类评估者可能不会完全分离各参数，而根据其他特征推断，可能通过面部其他部位松弛推断被位置隐藏的眼睑，或潜意识减去位置影响。研究局限包括单一人类评估者、样本量有限、数据转换和照片异质；小样本测试照片可能不足以高置信解释AI能力；尽管环境、人类和系统因素存在限制，人类与AI评分相关性总体为尚可至良好。5点量表简化人类评估者评分，但需要转换以匹配AI输出；将AI原始评分（0–100）转换为5点量表产生分箱效应，两个接近切点的评分转换后可能产生1分差异；若评分接近切点，统计解释可能偏斜并放大人与AI评估者方差；此外，计算的AI阈值和评分在同一组46张照片上测试，使解释依赖队列并限制普适性。照片异质，多数患者居中、正面角度、顶置荧光灯拍摄，但部分照片为斜角或使用闪光；照片一致性限制可通过优化照片条件缓解；使用明亮、均衡照明和正面图像为AI准确评估各参数提供最佳机会；仅一张照片为夸张斜角，导致下眼睑下垂参数差异4；更高质量照片可能改善AI评分质量。部分计算机化面部分析系统可能标准化头部位置并整合硬件（相机、照明）和软件以优化性能，但通常昂贵且需要诊室评估；基于软件的系统可能缺乏优化，但更方便；基于软件的系统可在多种手持设备实施，不需要昂贵硬件；低启动成本、快速数据收集和易用性可能优于成本更高的桌面式面部分析设备。研究结论（翻译）：在一项针对一个神经网络AI的初步研究中，其皮肤参数评估与单一皮肤科医师评估者的一致性为83%。单维参数比多维参数相关性更好。尽管基于软件的AI面部分析系统缺乏硬件优化，但其使用简单，便于在多种手持设备上实施。与成本更高的桌面式面部分析设备相比，低启动成本、快速数据收集和易用性可能是其优势。
