《npj Biosensing》：Non-invasive jaundice detection using spectral-band expansion from RGB images and direct hyperspectral images
编辑推荐：
本文介绍了一项针对黄疸（jaundice）诊断领域的前沿研究。研究人员针对传统血清胆红素检测的侵入性、依赖临床设施等问题，创新性地采用了图像谱带扩展（兼容普通RGB相机/智能手机）和直接高光谱成像（HSI）两种光谱图像技术，分析了患者巩膜和皮肤的光谱特征，并与血清胆红素水平进行对比验证。研究结果显示，基于眼部RGB图像的分析预测性能优异（R2= 0.9880），HSI则揭示了黄疸皮肤在近红外（NIR）波段（如750-850 nm反射率升高，850 nm、950 nm、980 nm等关键交叉点）的特异性光谱特征。该研究为开发低成本、无创、便捷且有望提高诊断准确性的黄疸点评估工具提供了重要的技术基础和理论依据。
黄疸，作为一种因血清胆红素水平升高导致皮肤和巩膜黄染的病症，是肝功能障碍、溶血、胆道梗阻等多种疾病的常见临床表现。及时准确地监测胆红素水平，对于评估疾病进展、指导治疗决策至关重要。目前，诊断黄疸的“金标准”是通过静脉采血测量血清总胆红素（T-Bil）和直接胆红素（D-Bil）水平。这种方法虽然准确，但具有侵入性，需要临床基础设施支持，且不支持连续或即时评估，尤其不适用于新生儿或家庭环境中的重复监测。尽管已存在经皮胆红素测定（TcB）、漫反射光谱（DRS）以及基于智能手机的黄疸检测应用等无创或微创光学工具，但其性能常受肤色、设备校准、光照条件等因素影响，准确性仍有提升空间。因此，探索更精准、便捷、非侵入性的黄疸光学检测方法，一直是临床和科研人员努力的方向。
近日，一项发表在《npj Biosensing》上的研究为此提供了新的思路。该研究题为“Non-invasive jaundice detection using spectral-band expansion from RGB images and direct hyperspectral images”，研究人员创新性地应用了两种光谱图像技术——图像谱带扩展和直接高光谱成像（Hyperspectral Imaging, HSI），系统分析了患者巩膜和皮肤的光谱特征，并与血清胆红素水平这一金标准进行对比，旨在开发更优的无创黄疸诊断方案。
为了开展这项研究，作者主要采用了几个关键技术方法。研究涉及了47名患者，采集了他们的眼部RGB图像和手掌高光谱图像。技术核心包括：1. 图像谱带扩展技术：利用机器学习方法将标准RGB图像转换为包含13个光谱通道的“超光谱”图像，此技术与普通相机或智能手机兼容，成本低廉。2. 高光谱成像（HSI）技术：使用一台基于液晶偏振干涉仪原理的 starring HSI相机，在约2秒内捕获400 nm至1050 nm光谱范围内、包含28个独立光谱波段（后衍生为141个通道）的高光谱图像立方体。3. 双归一化与特征工程：对RGB图像进行全局和采样区域的双重亮度归一化处理，并将图像从RGB色彩空间转换到CIE Lab*色彩空间，投影生成13个特征通道。4. 数据采集与处理流程：包括针对手掌图像的干涉图采集、基于跟踪算法的皮肤区域（均质皮肤、混合区域、皮纹）稳定采样、离散快速傅里叶变换（DFFT）将时域干涉图转换为频域光谱，以及数据归一化。5. 人工智能/机器学习建模：构建了名为JaundiceAI-Mobile的卷积神经网络模型，利用13通道特征向量预测黄疸指数，并采用SMOTE等方法处理数据不平衡问题。
研究结果
双归一化移动黄疸AI：研究对手机拍摄的RGB巩膜图像进行了双重归一化处理，有效统一了不同光照（卤素灯与荧光灯）条件下的图像特征，保留了临床相关的巩膜信息，为后续分析奠定了基础。
13通道扩展：通过将RGB三通道图像扩展为基于CIE Lab*色彩空间的13个颜色通道，增强了颜色频谱的语义区分度，并将这些颜色通道映射到对应的高光谱成像波长带，为利用低分辨率RGB图像学习高分辨率HSI光谱模式的超分辨率模型提供了基础。
移动彩色图像案例分析：通过对比无黄疸患者（ID 018）和重度黄疸患者（ID 003）的13通道光谱响应（Z-profile）发现，重度黄疸患者在黄-橙（YO-O）通道响应显著升高（峰值达+120），而在蓝-青（B-C）通道响应显著降低（波谷约-80）。这种光谱模式的差异是区分黄疸与正常状态的关键特征。
重度黄疸与无黄疸病例对比：将重度与正常病例的光谱折线叠加比较，可以清晰观察到多个光谱交叉点，这些交叉行为是表征黄疸的关键特征，突显了光谱分析在诊断中的相关性。
移动AI/ML模型：研究构建了JaundiceAI-Mobile模型，采用tanh激活函数以适应归一化后可能为正或负的输入数据。该模型在荧光灯照明数据上训练后表现最佳，预测黄疸指数与医院检测值相比，达到了R2= 0.9880，皮尔逊相关系数（PCC）为0.9945的优异性能。
高光谱成像与数据处理：研究建立了从原始干涉图（*_raw.bin文件）中提取并处理三种手掌皮肤类型（均质型‘H’、混合型‘M’、皮纹型‘D’）光谱Z-profile的完整流程。通过离散快速傅里叶变换（DFFT）将时域干涉图转换为频域光谱，并进行了归一化处理。
高光谱图像病例分析：对比无黄疸患者（ID 018）和重度黄疸患者（ID 032）的归一化HSI光谱发现，在手掌中心混合型皮肤区域，黄疸皮肤在波长λ < 550 nm时反射率较低，在560-590 nm（黄-橙区域）反射率较高。此外，HSI还揭示了在近红外（NIR）波段，黄疸皮肤在600-740 nm范围内“红度”降低，在750-850 nm范围内反射率升高，并在约850 nm、950 nm和980 nm处与正常皮肤光谱曲线存在三个关键交叉点。对于手掌皮纹区域，黄疸患者整体反射率更低，但在690-855 nm近红外过渡区域相对升高。
HSI表征与聚合分析：由于单个HSI数据文件噪声较大，研究将数据按黄疸程度分组（无、轻度、中度、重度）后进行聚合平均。聚合后的光谱清晰显示，对于混合型皮肤，随着黄疸加重，在550 nm以下反射率降低，在560-590 nm反射率升高的趋势更加明显，并且确认了上述可见光及近红外波段的多个光谱交叉点。对于皮纹型皮肤，严重黄疸在690-855 nm范围内的反射率相对健康皮纹有所升高。
AI预测黄疸指数 vs. 血液测试：JaundiceAI-Mobile模型在不同光照条件下的预测性能均表现良好，其中在荧光灯数据上训练的模型性能最优（R2= 0.9880）。与已有的类似方法（如BiliScreen）相比，该研究提出的方法在预测性能指标上显示出竞争力。
研究结论与讨论
本研究的结论是，所探讨的光学方法在黄疸检测方面具有很高的潜力。基于眼部彩色图像的JaundiceAI-Mobile模型显示出强大的预测性能。更重要的是，高光谱成像揭示了超出普通RGB相机可见范围的光谱特征。黄疸皮肤在600-740 nm光谱范围内的“红度”降低，但在750-850 nm附近反射率升高，随后在约850 nm、950 nm和980 nm波长处与正常皮肤反射率曲线存在三个关键交叉点。这些近红外范围的特征表明，将光谱学诊断扩展到740 nm以上，可能会提高黄疸检测的准确性。
该研究的意义在于，它验证了结合图像谱带扩展（低成本、易普及）和高光谱成像（高精度、信息丰富）两种技术路径的可行性。两者在可见光波段光谱模式、交叉点等方面的一致性，为未来利用智能手机RGB图像通过超分辨率AI模型近似HSI光谱分辨率，从而整合便捷性与精度的技术路径提供了有希望的基础。这为开发适用于临床乃至家庭、资源有限地区的低成本、无创、快速、准确的黄疸点评估工具指明了新的方向。尽管在图像质量标准化、环境光控制、样本稳定性等方面仍有改进空间，但此项研究无疑为推动无创黄疸诊断技术的发展迈出了坚实的一步。
