综述：传统与机器学习辅助的漫反射光谱及成像技术在皮肤科应用中的综合研究

《Advanced Photonics Research》：A Comprehensive Review of Traditional and Machine Learning-Assisted Diffuse Optical Spectroscopy and Imaging Techniques for Dermatological Applications

　　摘要

皮肤疾病是全球主要的健康负担，由于症状的多样性、临床特征的重叠以及传统方法（如视觉检查和组织病理学）的局限性，诊断仍然具有挑战性。漫射光学光谱和成像（DOSI）提供了一种非侵入性的方法，通过量化光与组织的相互作用来研究皮肤生理机能。当与机器学习（ML）结合使用时，这些技术可以实现自动化、定量的实时皮肤评估，从而提高诊断准确性并减少观察者偏差。本综述批判性地审视了关于传统和集成ML的DOSI方法在皮肤病学应用中的临床研究，主要关注过去十年，并在适当的情况下包括早期基础工作。文献按疾病类别和成像模式组织，详细评估了系统设计、光谱生物标志物、预处理策略和ML模型，包括经典分类器到深度和概率架构。讨论了标准化和临床整合中的关键挑战，以及多模态成像、鲁棒ML转换和即时护理部署中的新兴机会。

1 引言

皮肤疾病是全球重大的健康负担，影响着全世界数百万人，涉及所有年龄段的个体。皮肤病的范围很广，从慢性炎症性疾病（如湿疹和银屑病）到威胁生命的癌症（如黑色素瘤）。据估计，全球每年有19亿人受到皮肤疾病的影响[1]。这种高发病率导致显著的医疗成本和生产力损失。除了与诊断和治疗相关的直接费用外，间接成本还包括工作日的损失、生活质量下降以及某些皮肤疾病带来的社会污名，这进一步加剧了整体负担[2]。此外，某些皮肤疾病（如黑色素瘤）如果未能及早发现和治疗，具有很高的死亡风险，这突显了及时和准确诊断的关键重要性。由于疾病种类繁多、症状重叠以及在不同个体、疾病阶段和种族之间的表现差异，诊断皮肤疾病可能具有挑战性。视觉检查通常是诊断的第一步，随后进行活检和组织病理学分析，但这本质上是主观的，严重依赖于临床医生的专业知识和经验，导致诊断准确性较差。此外，环境条件的影响和系统性疾病等因素也会干扰视觉诊断。虽然活检可以提供明确的诊断结果，但它具有侵入性、成本高且耗时，会引起患者不适，并可能导致不希望的美容后果。当前诊断方法的局限性凸显了需要创新的非侵入性技术，以提供准确的实时皮肤状况评估。漫射光学光谱和成像（DOSI）技术为改进皮肤疾病诊断提供了有希望的途径[3]。这些技术利用光与组织的相互作用，提供非侵入性的体内组织光学特性评估，为了解潜在的病理提供了宝贵的见解[4, 5]。通过测量皮肤内光的吸收和散射，DOSI可以提供关于组织组成、血流和氧合程度的信息，从而区分健康和疾病状态[6]。DOSI中的光-组织相互作用可以通过光纤或宽场方法来测量。在光纤方法中，如漫射反射光谱（DRS），光的传递和收集都是通过光纤完成的。相比之下，宽场技术使用均匀光（如高光谱成像（HSI）或图案化光（如空间频率域成像（SFDI）来照射皮肤，反射信号由相机捕获[7]。光纤和宽场成像都已在多项临床研究中得到了广泛验证[8-10]。将机器学习（ML）与DOSI结合使用可以提高诊断准确性，并实现自动化的皮肤疾病分类。在大型光谱和图像数据集上训练的ML模型可以检测可见模式，提高灵敏度、特异性和效率，超越手动评估。Rossberg等人进行了首次专门针对DRS中ML的系统性综述[11]。他们分析了来自皮肤病学、肿瘤学和胃肠病学的77项研究，发现支持向量机（SVM）、人工神经网络（ANNs）和决策树是最常见的方法，通常与主成分分析（PCA）或线性判别分析（LDA）结合使用。他们强调了ML在提高光谱可解释性方面的作用，但指出模型验证和报告方面缺乏标准化。Smith等人专注于深度学习（DL）在漫射光学成像中的应用，特别是在乳腺、大脑和伤口诊断中[12]。他们的综述涵盖了卷积神经网络（CNNs）、U-Nets和自编码器在图像重建和参数映射等任务中的应用，报告了分辨率和速度的显著提升。这项工作弥合了算法综述和临床成像工作流程之间的差距。Zhou等人回顾了增强型相干拉曼成像中的ML应用，包括监督和非监督模型在组织分类、光谱解混和异常检测中的应用[13]。他们的研究强调了ML将高维拉曼光谱转换为实时诊断图的潜力。Lv等人回顾了ML在多种光谱学中的应用，包括傅里叶变换红外光谱、荧光和太赫兹光谱[14]。总的来说，这些综述展示了ML在各种光学模式中的广泛应用，同时也指出了在可重复性、模型可解释性和临床验证方面的挑战。它们指出了未来的研究方向，集中在多模态融合、标准化基准测试和临床环境中的实时部署上。图1显示了使用DOSI进行皮肤成像研究的ML模型相关文章的数量。可以看出，ANN是最常用的模型，主导了多项研究。SVM和随机森林（RFs）也因它们的可解释性和鲁棒性而频繁出现。CNNs，包括3D CNNs和生成对抗网络（GANs），在分割和数据增强方面越来越受到关注。这表明ML已成为基于DOSI的皮肤诊断不可或缺的组成部分，但目前还没有综述文章总结最近的进展。

2 皮肤的光学特性

皮肤由多层组成，包括表皮、真皮和皮下组织，每一层通过吸收、散射和反射以不同的方式参与光与物质的相互作用[16]。皮肤表面的光行为受菲涅尔方程的支配，这些方程描述了根据空气和皮肤的折射率反射或传输的入射光的比例[17]。一旦进入皮肤内部，光的传播受到散射、吸收和散射相位函数的影响。在生物组织中，光散射高度各向异性，意味着光子倾向于向前散射而不是均匀分布[18]。为了简化建模，引入了简化散射系数的概念，该系数定义为

其中θ是散射角，κ是散射系数，δ(θ)是散射相位函数，d(θ)是微分立体角。这种转换允许将高度各向异性的散射近似为具有调整后的散射参数的有效各向同性过程。在皮肤中，胶原纤维、角蛋白结构、黑色素体和细胞器都会参与散射，较大的结构（如胶原）产生较高的前向散射（较大的κ），而较小的结构（如黑色素体）则影响后向散射。扩散理论已被广泛用于提取组织的光学特性[19]。为了应用扩散理论，光子发射和收集之间的距离必须远大于一个传输平均自由路径λ，其中α是吸收系数。为了确保检测到的光子经历了多次散射事件，简化散射系数必须显著超过吸收系数。光纤和宽场成像模式都在漫射范围内操作，可以使用扩散理论进行建模。然而，当基于光纤的系统中的光源-探测器（SD）间距非常短，或者当宽场技术使用高空间频率时，测量结果会超出扩散近似范围，进入亚漫射范围。根据扩散理论，这些技术测量的漫射反射率可以作为径向距离r的函数来计算，对于使用铅笔光束的照明，可以表示为

其中r是光子在组织中的传播距离，α是吸收系数。为了确保检测到的光子经历了多次散射事件，简化散射系数必须显著超过吸收系数。光纤和宽场成像模式都在漫射范围内操作，可以使用扩散理论进行建模。然而，当基于光纤的系统中的SD间距非常短，或者当宽场技术使用高空间频率时，测量结果会超出扩散近似范围，进入亚漫射范围。根据扩散理论，这些技术测量的漫射反射率可以表示为径向距离r的函数

图3a显示了一个传统的光纤DRS探针从组织样本的单一点获取的1D光谱[22]。该系统由宽带光源、光纤探针和光谱仪组成。它测量由SD光纤的大小和中心到中心间距决定的局部组织体积的漫射反射率。在数据采集过程中，探针直接接触样本，将光传递给组织并收集反射光谱。SD间距决定了光穿透和组织相互作用的深度。

2.1 漫射反射率的测量

图3a显示了一个传统的光纤DRS探针从组织样本的单一点获取的1D光谱[22]。该系统由宽带光源、光纤探针和光谱仪组成。它测量由SD光纤的大小和中心到中心间距决定的局部组织体积的漫射反射率。在数据采集过程中，探针直接接触样本，将光传递给组织并收集反射光谱。SD间距决定了光穿透和组织相互作用的深度。

宽场成像方法，如(b) SFDI和(c) HSI，可以在扩展的组织区域内捕获空间注册的光谱数据。(b)根据CC-BY 4.0许可证复制[9]。版权2019，作者。(c)根据CC-BY 3.0许可证复制[23]。版权2014，作者。DRS = 漫射反射光谱；HSI = 高光谱成像；SFDI = 空间频率域成像。与传统方法不同，SFDI（图3b）通过使用数字微镜装置（DMD）投射正弦光模式来采用结构化照明[9]。这种方法生成空间调制的明暗光带，从而创建组织光学特性的2D图，而不仅仅是简单的线图。多个不同空间频率的正弦模式被投射到组织表面。对于每个空间频率，模式在几个位置上发生相位移动，并在每次移动时捕获光谱图像。这些相移图像随后被处理以获得对应于每个空间频率的漫反射率图。通过改变空间频率，SFDI可以探测不同的组织深度，并区分吸收和散射效应。虽然SFDI的一个关键优势是其由相机光学系统决定的宽视野，但计算每个像素的光学属性通常依赖于诸如扩散近似或蒙特卡洛（MC）模拟之类的模型，这些模型可能在计算上非常密集。在HSI中，漫反射率通常通过入口狭缝捕获，并通过光栅分散到2D探测器上（图3c），该探测器记录空间位置与波长的关系[23]。逐行扫描构建了一个具有窄带反射率图像的3D超立方体，提供非接触式、厘米级成像，分辨率为亚毫米级，并且每个像素的光谱范围从400到1000纳米（使用InGaAs探测器时可达1700纳米）。这使得能够定量映射氧合、水和脂质含量以及散射特性。HSI系统通常通过以下方式实现：（i）使用可调或电动滤光片的基于滤光片的扫描；（ii）结合光谱仪的空间扫描的线扫描成像；以及（iii）使用滤光片马赛克、棱镜或编码孔径一次性捕获整个立方体的快照成像。无论采用哪种采集方法，原始漫反射率数据通常都要经过初步预处理步骤，包括使用暗帧校正以去除背景噪声，并使用反射率标准进行归一化，以考虑系统响应和照明变化。在这些校正之后，数据通过各种方法转换为组织光学属性的地图，例如基于扩散理论的模型拟合、基于MC模拟的查找表，或在校准的组织幻影上训练的数据驱动DL模型。后续部分将详细讨论这种方法论方法。

2.2 分析漫反射信号的方法

漫反射光谱提供了关于基于组织的生物化学成分和色素的定性见解。准确量化这些参数通常涉及应用描述组织中光传输的扩散模型[20]。然而，在皮肤研究中，当空间频率分离较小时或组织具有高吸收特性时，扩散近似常常失效，因为密集定位的色素的存在会导致与模型假设的显著偏差。当分析模型在准确描述光-组织相互作用方面不足时，逆向MC方法被广泛采用作为稳健的替代方案。这种方法依赖于构建一个查找表（LUT），该表是一个对应于已知光学属性集的漫反射率值矩阵。LUT可以通过实验生成，使用具有不同光学特性的组织模拟幻影，或者通过基于指定组织几何形状和光学参数的前向MC模拟计算生成。实验生成的LUT对于复杂的探针几何形状很有用，尽管它可能劳动密集且受校准标准精度的限制[24, 25]。另一方面，基于模拟的LUT在探索广泛的参数空间方面提供了灵活性和可扩展性，但它们通常计算要求高且耗时[26]。逆向建模涉及将测量的漫反射光谱与LUT进行拟合，以提取潜在的光学属性。这是通过使用非线性优化算法实现的，这些算法迭代地最小化测量光谱与LUT中已知反射率值之间的差异。在拟合过程中，实验测量的光谱被视为观察结果，算法的任务是求解在模型下会产生这种光谱的一组未知光学参数。

2.3 漫反射分析中的当前挑战

无论是基于光谱还是图像的漫反射数据分析，都面临着由于光与生物组织之间复杂相互作用而产生的几个挑战。这些挑战显著影响数据质量和分析准确性，可以大致归类为与数据特性、样本变异性和仪器相关的问题。高散射、色素之间的光谱重叠以及运动伪影进一步复杂化了信号解释。此外，由于肤色、水分或解剖位置的不同，患者之间的变异性需要强大的预处理和归一化策略来确保可靠的分析。反射率数据本质上是高维的，光谱通常包含数百或数千个波长，这带来了计算挑战，如增加的内存需求和过拟合的风险。虽然宽光谱范围增强了组织特征描述，但它也引入了复杂性，需要先进的特点提取方法来保留相关信息同时丢弃冗余和噪声。此外，不同色素的重叠吸收和散射特性导致的多共线性在分离它们对测量信号的单独贡献方面构成了主要挑战。这个问题在VIS和NIR区域尤为突出，因为在某些波长范围内氧合血红蛋白（HbO2）和脱氧血红蛋白（Hb）的吸收光谱重叠，这使得准确估计它们的浓度变得复杂[27]。此外，数据表现出光谱特征与组织特性之间的复杂非线性关系，这对于传统方法来说是具有挑战性的，需要非线性建模方法（如ML）来准确捕捉这些相互作用[28]。生物异质性进一步增加了数据分析的复杂性。个体或解剖部位之间的组织组成、结构和光学特性的变化引入了光谱测量的显著变异性。因素如黑色素含量[29]、胶原蛋白密度[30]和血液灌注[31]，以及区域差异（例如，暴露于阳光与未暴露的皮肤），也导致了个体间和个体内的变异性。与仪器相关的挑战也在漫反射数据的质量中起着关键作用。探测器灵敏度或光源稳定性的变化在不同设备之间引入了不一致性，这使得数据解释变得复杂[32]。此外，来自内源性组织荧光团的荧光背景可能与反射光谱重叠，为数据分析增加了另一层复杂性[33]。运动伪影，特别是在手持或体内测量中普遍存在，会在记录的光谱或图像中引入时间波动和空间不一致性，这可能导致对组织特性的错误解释。这些伪影可能源于受试者的无意识运动、呼吸或探针重新定位，因此需要使用快速采集技术和运动补偿算法。为了缓解这些问题，通常会采用针对稳定反射率标准的定期校准以及实时参考监测。因此，结合噪声减少、基线校正、运动稳定和光谱归一化的强大预处理流程对于确保分析的可靠性和可重复性至关重要。

3 传统漫射光谱学和成像在皮肤病学中的应用

3.1 肿瘤和癌症

皮肤癌是全球最常见的恶性肿瘤之一，其特征是皮肤细胞的异常发育，始于表皮[34]。它主要是由于累积暴露于紫外线辐射、遗传倾向和其他环境因素引起的。皮肤癌大致分为两种类型：黑色素瘤和非黑色素瘤皮肤癌（NMSC）。NMSC包括基底细胞癌（BCC）和鳞状细胞癌（SCC），通常侵袭性较低，但如果未经治疗，可能会造成显著的局部组织损伤。另一方面，黑色素瘤是一种高度侵袭性的癌症，具有高转移和死亡潜力。癌症会导致皮肤形态和生化特性的变化，如组织微结构、黑色素、水分、脂质和Hb浓度的变化，最终影响反射光谱及其相应的光谱特征。提取这些光谱特征可用于区分正常组织和癌组织，并区分不同类型的癌症。导致皮肤整体散射的主要来源是胶原蛋白、线粒体和细胞核，而吸收主要由Hb和黑色素主导[35]。图4a,b改编自Lim等人，展示了不同皮肤癌病理的漫反射光谱。显然，与正常皮肤相比，所有癌症病理的反射率都较低。黑色素瘤和非黑色素瘤色素病变（PLs）的整体反射率较低，光谱斜率略有不同，主要是由于更高的黑色素含量导致的更多吸收。在NMSC中，反射率的降低很可能是由于散射系数的减少，这表明真皮中的胶原蛋白分解[35]。另一种可能的解释是，由于恶性进展导致的表皮增厚减少了采样的胶原蛋白量，因此癌性病变的整体散射比正常皮肤低[36]。光化性角化病（AK）在光谱斜率和吸收方面与SCC不同。SCC在400–475纳米范围内显示出更高的反射强度。显然，通过分析漫反射光谱可以区分正常皮肤和皮肤癌亚型。

3.1.1 漫反射光谱学

早期关于DRS在皮肤癌诊断中的研究评估了漫反射光谱与组织学特征之间的相关性。Marchesini等人首次展示了使用光学引导器连接到积分球并连接到分光光度计来区分良性痣和恶性黑色素瘤的反射光谱（400至800纳米）之间的差异非常显著[37]。随后，同一作者报告了使用光谱特征的逐步判别分析，在区分31个原发性黑色素瘤和31个良性病变时的敏感性为90.3%，特异性为77.4%[38]。基于这项研究，Wallace等人使用光纤探针收集了121个病变（15个黑色素瘤，32个复合痣）在320至1100纳米范围内的漫反射数据[39]。利用Marchesini等人之前展示的判别分析，他们在将病变分类为黑色素瘤或良性病变时达到了100%的敏感性和84%的特异性[40]。不同的研究小组广泛探索了有助于区分恶性皮肤与正常皮肤反射光谱的皮肤生理参数。Murphy等人使用550–1000纳米范围内的DRS通过识别黑色素浓度、细胞形态和血液供应变化等生物标志物来区分早期黑色素瘤（原位和侵袭性）和良性病变，分别达到了约64%到72%和69%到78%的敏感性和特异性[41]。UV–VIS DRS被用来检测上皮癌，发现在460纳米处组织吸收和散射系数显著降低，并且检测准确率达到90%–95%，这一发现得到了MC模型的生理学支持[42]。引入了一种体内黑色素吸收光谱方法（460–1000纳米），发现黑色素在黑色素瘤中的衰减常数显著降低，达到了87%的敏感性和92%的特异性[43]。在另一项研究中，Marchesini等人通过多光谱成像（483–817纳米）对1671个病变进行了确认，观察到随着黑色素瘤进展，真黑素增加和褐黑素减少[44]。总体而言，这些研究强化了基于光谱的技术用于非侵入性检测黑色素瘤的临床潜力，利用黑色素和其他组织光学特性作为关键生物标志物。近年来，Petruk等人引入了一种新的分光光度方法，基于520–1100纳米光谱范围内的漫反射系数进行黑色素瘤与良性痣的区分[45]。该系统配备了双积分球，能够在临床条件下进行快速、非侵入性的评估。在650–900纳米范围内观察到显著的光谱差异，黑色素瘤病变由于黑色素增加和散射改变而显示出较低的反射率。这些发现经过统计验证（p > 0.999），还揭示了黑色素密度和胶原蛋白含量的变化，突显了该方法对恶性过程中皮肤微结构变化的敏感性。Zhang等人进一步推进了DRS的临床应用，将其应用于BCC、SCC和AK的诊断，针对表层组织[46]。使用基于MC LUT的逆向算法的生理模型提取了关键参数，如散射系数、血液体积分数、氧饱和度（SO2）和血管半径。这些生物标志物使得能够准确区分恶性和非恶性病变。在一项涉及71名患者的临床研究中，每个病变及其相邻的正常皮肤区域都进行了漫反射分析，随后进行了组织病理学确认。基于提取的参数训练的分类器展示了高诊断性能。BCC与正常皮肤的敏感性达到94%，特异性为89%；（AK，SCC）与正常皮肤的敏感性达到100%，特异性为50%。在此基础上，同一团队后来将DRS系统专门用于NMSC手术中的肿瘤边缘评估。通过分析两个独立患者队列（87名患者，118个病变）中病变边缘的数据，他们证明了通过MC LUT模型提取的生理参数能够准确区分癌变组织和相邻的正常皮肤。该研究对于基底细胞癌（BCC）的敏感性达到87%，特异性达到89%，对于鳞状细胞癌（SCC）的敏感性达到97%，特异性达到65%，这凸显了其在切除手术中实时指导的潜力。这项工作确立了DRS作为一个有前景的工具，不仅适用于术前分类，也适用于原位边缘评估，有可能降低重新切除率并保护健康组织[6]。由于现有的DRS系统往往受到复杂生理建模、非便携式仪器或研究特定设置的限制，Mircheva等人试图开发一个简化且临床可行的原型，用于皮肤病变的实时无创诊断[47]。该原型系统在400–780纳米的光谱范围内工作，使用二极管光源、简单的光谱仪和六环绕一的光纤探头组件，因为这些组件具有成本效益、便携性和易于部署的特点。该系统旨在分析皮肤组织的体内光谱特征，捕获了包括恶性黑色素瘤、BCC和SCC在内的多种皮肤病变以及85个健康皮肤部位的反射数据。通过关注基于光谱特征的质量指标，如强度比和曲线下面积（AUC），而不是完整的生理参数提取，研究证明了简化DRS方法的可行性，该方法能够可靠地区分恶性和非恶性病变。这项工作代表了使光谱皮肤癌筛查在日常临床环境中更加普及、快速和实用的步骤。与之前关注生理建模或光谱比的研究不同，Abookasis等人采用了一种基于特征的统计方法，直接从反射和吸收曲线中提取熵、能量和偏度等指标[22]。他们的系统覆盖了400–1000纳米的广泛范围，设计用于处理体内和体外组织，并且独特地测量了每个病变的切除前后的光谱。这种方法强调直接的模式识别，而不是基于模型的参数估计，提供了一种简化但准确的替代方案，用于区分恶性黑色素瘤、BCC、SCC和正常组织，而无需复杂的光学模型。尽管DRS本身能够独立评估组织病理，但将其与其他技术（如激光诱导荧光光谱学（LIFS）或拉曼光谱学）结合使用，可以提供关于组织形态、功能和生化组成的互补见解。特别是，结合LIFS获取DRS数据可以纠正由于组织吸收和散射事件而扭曲的荧光光谱。Rajaram等人展示了一种便携式多模态光谱诊断仪的设计和临床验证，该仪器结合了DRS和LIFS用于检测皮肤恶性肿瘤[48]。他们的系统超越了传统的DRS，通过数学校正测量的荧光光谱来整合内在荧光光谱，这种校正基于光子迁移模型，使得独立于组织浑浊度提取真实的荧光团发射谱线成为可能。该系统仅使用两个激发波长337和445纳米，分别针对NADH、胶原蛋白和FAD，从而减少了复杂性和采集时间。对于表层组织采样，使用了250微米的短分离距离，并且基于查找表的逆模型允许即使在低反照率组织中也能准确恢复散射和吸收系数。校正后的荧光光谱在区分正常皮肤、发育不良痣和BCC方面提高了诊断性能。同一团队进行了一项试点临床研究，以评估该系统在临床环境中诊断非黑色素瘤皮肤癌（NMSC）的有效性[49]。Kanakaraj等人提出了一个使用多层组织幻影的双模态光谱框架，这些幻影模拟了人类皮肤的光学和结构特性[50]。他们的系统结合了DRS和荧光光谱学，以捕获与关键内源性荧光团和色素（特别是Hb、FAD和胶原蛋白）相关的光谱响应。图5展示了一个多模态光谱诊断系统，该系统将这些技术整合到一个平台上[35]。这种方法利用了每种模式的互补优势：DRS用于组织散射和吸收，LIFS用于基于荧光团的代谢和结构洞察，RS用于分子振动特征。他们在137个病变上的临床研究表明，虽然RS单独使用可以100%的敏感性和特异性区分恶性黑色素瘤和良性病变，但需要结合所有三种模式才能准确分类NMSC（敏感性和特异性分别达到95%和71%）。快速的采集时间（约5秒）和每个病变的验证突显了其实际的临床潜力。Jermyn等人设计了一种类似的多模态手持系统，可以在手术过程中原位检测癌细胞[51]。

多模态方法用于无创皮肤诊断。(a) 组合RS、LIFS和DRS的示意图。(b) 用于相应光谱信号采集的单点手持探头。根据CC-BY-NC许可协议复制[35]。版权2014，光学生仪工程师协会。DRS = 扩散反射光谱学；LIFS = 激光诱导荧光光谱学。Surkov等人的研究专注于使用DRS、OCT和高频超声波来区分不同类型的BCC和良性肿瘤[52]。该研究分析了37个肿瘤，包括不同类型的BCC（如表层、结节型、硬斑型、微结节型、浸润型和色素型）以及良性肿瘤（如痣、纤维瘤和皮肤纤维瘤）。DRS技术用于确定650至800纳米波长范围内的黑色素沉着系数、红斑和Hb含量。OCT用于进行统计纹理分析，计算一阶和二阶统计参数。超声波用于评估肿瘤的形状和结构特征。这项体内临床试验涉及37名被诊断为BCC或良性肿瘤的志愿者。用于分类BCC临床类型的ML算法的敏感性达到70.6% ± 17.3%，特异性达到95.9% ± 2.5%。

3.1.2 高光谱成像
HSI通过测量许多连续的窄光谱带，提供了组织色素的空间分辨量化，从而提供了关于肿瘤生物化学和微血管结构的详细见解。基于HSI数据提出了一个黑色素瘤鉴别指数（MDI），用于区分恶性黑色素瘤和良性病变[53]。该研究侧重于量化病变内的光谱异质性，利用了黑色素瘤由于其无序的色素沉着和血管结构而表现出更大的病变内光谱变异性的前提。MDI是通过使用欧几里得距离度量评估每个病变内的光谱相似性来计算的，统计分类性能通过接收者操作特征（ROC）分析进行评估。所提出的指数达到了90%的敏感性和84%的特异性，以及0.93的AUC。在此基础上，Nagaoka等人将MDI应用于肢端黑素痣黑色素瘤，实现了92%的敏感性和86%的特异性（AUC = 0.97）[54]。在2015年的多中心临床试验中，进一步改进了MDI，诊断性能得到提升，对于更大的134个病变队列，敏感性达到96%，特异性达到87%[55]。HSI被应用于区分黑色素细胞病变，特别是诊断上具有挑战性的非典型Spitzoid肿瘤[56]。他们使用显微镜耦合的光谱系统（385–880纳米）分析了102个H&E染色的组织样本，涵盖了六种病变类型。在496、533和838纳米处观察到共同的吸收峰，Spitzoid恶性黑色素瘤显示出最明显和最多的光谱特征。聚类显示了12种在病变类型间共享的光谱类别，但比例各不相同。光学诊断色素性皮肤癌的一个关键限制是黑色素和Hb之间的光谱重叠，这导致在富含黑色素的病变中Hb的量化不准确。Vasefi等人通过开发一个基于偏振敏感性的HSI系统并结合基于衰减的校正算法解决了这个问题[57]。这种方法将表层黑色素信号与更深层的Hb贡献分开，提高了色素图的生理准确性。在黑色素细胞痣、白癜风和静脉阻塞的体内验证中，证实了其解析生物相关特征的能力，为未来的诊断工具奠定了基础，特别是在不同的肤色中。多个研究小组的一系列研究共同探索了使用手持式Fabry–Perot干涉仪系统的HSI在无创皮肤癌分析中的临床潜力。为了区分恶性黑素痣（LM）和恶性黑素瘤黑色素瘤（LMM），引入了扩散图进行降维，并使用最近邻和CART分类器分析了500–885纳米范围内的光谱数据[58]。尽管没有报告定量指标，但该系统检测到了肉眼不可见的亚临床病变扩展。在此基础上，Neittaanm?ki等人区分了LMM中的真皮侵袭和原位LM。通过对31名患者的32个病变进行光谱端元分析和丰度映射，研究报告了90%的敏感性、86.3%的特异性和高的阴性预测值（95%）[59]。相比之下，Salmivuori等人将相同的技术应用于BCC，特别是定义不明确和侵袭性强的亚型[60]。图6在一个代表性案例中展示了这种方法，结合了临床（图6a,b）、皮肤镜（图6c）、组织病理学（图6d1–d3）和HSI数据（图6e–h）。该病变显示出模糊的视觉边界，使用先进的光谱解混技术得到的色素图更清晰地界定了边界。在评估的四种分解方法中，基于单次散射近似的色素特异性模型产生了最高的肿瘤与背景对比度，与组织学参考相比准确地界定了肿瘤边界。

例如，在一个BCC病例中，HSI揭示了超出临床和皮肤镜边界的亚临床肿瘤扩展。(a) 临床图像，(b) 切除后的视图，(c) 皮肤镜图像，(d1–d3) 组织学显示侵袭性生长模式和亚临床扩散，(e–h) HSI丰度图突出显示肿瘤边界和神经周围侵袭，箭头指示HSI检测到的亚临床扩展。经许可复制[60]。版权2019，Wiley。BCC = 基底细胞癌；HSI = 高光谱成像。探索了多种自动化方法通过HSI减少诊断主观性并改进病变特征。使用无监督异常检测算法，特别是Reed-Xiaoli检测器（RXD）及其与均匀目标检测器（UTD）的混合体，应用于400–800纳米范围内获取的光谱反射数据，来检测BCC[61]。他们的方法评估了一个下唇BCC的临床病例，获得了0.7074（RXD）和0.8607（RXD-UTD）的AUC值。相比之下，Christensen等人开发了一个基于熵的监督鉴别指数，用于区分皮肤恶性黑色素瘤和良性病变[62]。使用基于光谱角度的熵和基于ROC的阈值，他们在202个病变的临床数据集中实现了96.7%的敏感性和0.800的AUC。Courtenay等人将一个稳健的统计框架应用于VIS到NIR范围（398–995纳米）的HSI数据，以区分NMSC，特别是BCC、SCC和健康皮肤[63]。他们进行了Shapiro–Wilk测试、偏度/峰度分析以及Jensen–Shannon散度分析，以确认数据中的非高斯性。包括参数（Bartlett的）和非参数（Levene的、Wilcoxon秩和）测试、多变量ANOVA和贝叶斯校准的p值——包括贝叶斯因子界限，以及后验概率，以确定最佳诊断窗口。在此基础上，他们将该方法扩展到SWIR光谱（900–1606纳米）[64]。这项第二项研究显著扩展了临床范围，包括了AK（一种癌前病变），并分析了125名患者的8,250个光谱。

3.1.3 空间频率域成像
尽管DRS能够量化光谱特征，但其小的采样区域和接触式探头的几何形状使得对厘米级、形态异质性病变的全面映射不切实际，并且有可能干扰正在研究的微血管。最近在SFDI方面的进展在保持DRS的定量准确性的同时解决了这些限制[9]。Saager等人在九个NMSC上部署了一个LED（发光二极管）/DMD成像仪（460–850纳米），双层MC查找表将表皮黑色素与真皮血流动力学分开，揭示了血液体积和深度依赖的SO2的约3倍升高，这些是接触式DRS无法获取的生理信息，但对于预测PDT反应至关重要[65]。在17名NMSC患者中评估了光学和血管参数以及光的穿透深度，以确定基于光的疗法中个性化剂量规划的照明要求[66]。图7展示了一个BCC患者的肿瘤对比图系列，包括扩散反射、吸收、散射、SO2、总Hb（HbT）浓度和光学穿透深度，突出了肿瘤与周围组织之间的空间变化。Vasefi等人通过将高光谱皮肤镜与VIS/NIR双层SFDI（450–950纳米）结合，证明了在深色皮肤中的准确血管量化[67]。层特异性拟合将黑色素-Hb的交叉 talk从R ≈ 0.6（RGB）降低到0.07，产生了与色素无关的血液体积和氧合图，这是实现公平黑色素瘤分级的关键步骤。图7：在图形查看器或PowerPoint中打开

来自基底细胞癌（BCC）患者的代表性肿瘤对比图像。(a) 带有运动追踪标记（实心黑色形状）和感兴趣区域（ROI）划分（虚线和点线）的漫反射图像。(b–f) 吸收、散射、组织中的二氧化硫（SO2）、总血红蛋白（Hb）浓度和光学穿透深度的地图。刻度尺：2毫米；虚线表示肿瘤边界。根据CC-BY-NC许可证[66]的规定复制。版权所有2015年，美国光学学会。BCC = 基底细胞癌；ROI = 感兴趣区域。为了将定量映射扩展到弯曲的眶周和鼻部区域，Saager等人缩小了该技术的规模。一个皮科投影仪和线成像光谱仪（450–1000纳米）被集成到一个30毫米的探针中，该探针能够沿单一横截面捕获1088个光谱[68]。幻影验证显示与台式SFDI的偏差≤1%，证明便携性不必牺牲准确性。Stier等人解决了实时手术引导的问题，他们使用了450、530、620纳米的高频模式（0.5–1.25毫米^-1）和一个经过机器学习训练的神经网络，在<1秒内渲染出4兆像素（4-Mpx）场中的相位函数后向散射参数γ[69]。不同的γ特征将切除的BCC和SCC与正常表皮区分开来，表明SFDI可以替代冷冻切片组织学用于边缘评估。总体而言，这些研究展示了SFDI从台式原型发展到便携式甚至实时仪器的演变过程，这种仪器能够映射皮肤癌的生物化学和微观结构特征，这是点式DRS或传统RGB成像无法实现的，并强调了其作为筛查、个性化光疗和术中肿瘤学常规辅助工具的潜力。综合来看，这些关于DRS、HSI和SFDI的研究展示了基于漫反射的皮肤癌诊断技术在技术和方法论上的发展轨迹。早期的DRS研究主要集中在从单点测量获得的光谱特征进行统计区分上。这些设计相对简单，并证明了诊断的可行性，但通常受到小样本量和空间采样限制的制约。后续的DRS研究引入了基于生理学的逆向建模来提取参数，如黑色素浓度、血红蛋白含量和散射系数。虽然这种方法提高了生物可解释性并加强了机制理解，但它增加了计算复杂性和对组织建模假设的依赖性。HSI随后通过结合空间分辨的光谱映射扩展了这一范式，使得能够评估病变异质性和亚临床肿瘤边缘。与点式DRS相比，HSI设计提供了更丰富的诊断信息，但也引入了与高维数据处理、校准一致性和跨设备标准化相关的挑战。SFDI进一步推进了该领域的发展，实现了宽场和深度敏感的吸收和散射定量映射。这项技术增强了色素分离和空间覆盖范围，但需要结构化的照明、仔细的校准和更复杂的仪器。在这些模式中，研究设计已经从探索性可行性研究发展到具有组织病理学确认的更结构化的临床验证。尽管如此，仍然存在一些共同的限制，包括样本量适中、设备特定的光谱范围以及对不同皮肤光型的有限表示。在定量生理学严谨性和实际临床简便性之间存在着明显的权衡，这突显了未来转化研究中需要平衡系统开发的必要性。

3.2 色素障碍

色素性皮肤问题，如色素沉着和白癜风，通常在准确诊断方面存在挑战。这些状况通常会因恶劣的环境因素（如紫外线辐射暴露或潜在的炎症性疾病）而加剧。主观评估一直是诊断的主要方法，但除非采用皮肤活检，否则很难对这些疾病进行特征描述。为了有效处理和治疗色素性皮肤问题，还探索了各种非侵入性评估技术，如DRS和HSI。

3.2.1 漫反射光谱学

对研究炎症后色素沉着（PIH）的非侵入性光学方法的综述指出，DRS是一种可靠且可重复的技术，用于测量色素水平。DRS能够量化黑色素和其他皮肤色素，揭示受影响皮肤区域的生化组成[70]。它还有效估计皮肤色素的表观浓度，从而能够在视觉检查之外早期发现色素障碍[71]。Hegyi等人使用DRS测量了23名接受光疗的白癜风患者的黑色素水平。通过比较白癜风受影响皮肤和参考白化皮肤的反射光谱，他们计算了每位患者的黑色素量化角（α），该角度在治疗期间和治疗后显著增加，表明色素再生成功[72]。该团队通过识别与黑色素缺失相关的独特光谱差异来表征白癜风，从而清楚地区分了受白癜风影响的皮肤和经过治疗的皮肤（图8）。这些结果与之前关于基于DRS的色素分析的研究一致[73, 74]。此外，DRS还被用于分类皮肤光型并评估73名健康儿童的黑色素水平，结果显示α与Fitzpatrick分类之间存在0.83的相关性，进一步证实了DRS在黑色素量化方面的可靠性[75]。

图8：用于白癜风特征描述的DRS。(a) 治疗前、第10次剂量后以及完成整个Balneo-PUVA疗程后的白癜风病变代表性图像（从左到右）。(b) 治疗不同阶段的光谱比较，展示了治疗期间的光谱变化。(c) 在治疗过程中跟踪的黑色素含量的定量分析，表现为黑色素量化角。经许可复制[72]。版权所有2014年，Wiley。漫反射原理也被用于评估防晒霜的效果。Ruvolo等人和Ezekwe等人证明，富含抗氧化剂的[76]和着色配方[77]能够提供更好的保护，防止UV A1（UVA1）和可见光引起的色素沉着和红斑，这一点通过Fitzpatrick皮肤光型IV–VI的成年受试者的反射测量得到了证实。

3.2.2 高光谱成像

除了DRS之外，HSI也被用于研究PIH和其他色素障碍。Silpa-Archa等人和Abdlaty等人强调了HSI在映射色素和检测细微反射变化方面的能力，从而能够详细了解黑色素分布和皮肤异质性[73, 74]。Nishino等人开发了多光谱UV偏振反射成像系统（MUPRIS），旨在捕获UVA至UVB波长范围内的漫反射多光谱图像。该系统能够在不同的UV偏振条件下量化皮肤色素，并评估结构和生化变化。研究结果突显了MUPRIS在精确检测与色素沉着和血液氧合相关的变化方面的能力[78]。同样，Vasefi等人展示了结合偏振和HSI的多模式皮肤镜在白癜风和静脉阻塞等情况下准确映射黑色素分布和血红蛋白氧合的潜力[58]。如图9所示，这种方法提供了色素区分和黑色素可视化，这对于早期检测和分类皮肤异常至关重要。

图9：用于色素性皮肤状况的多模态HSI。(a) 带有色素痣的皮肤的平行和交叉偏振彩色图像及其对应的光谱。(b) 静脉阻塞期间皮肤图像和光谱数据的时间测量，用于观察血管变化。(c) 对比色素痣和白癜风的色素分布图和光谱分析，突出显示了黑色素和血红蛋白含量的差异。根据CC-BY-NC-ND 3.0许可证的规定复制[58]。版权所有2014年，作者。HSI也被用于慢性移植物抗宿主病的研究，Saknite等人使用机器学习算法对活动性皮肤红斑和色素沉着进行了分割和量化。通过分析光谱数据，他们量化了黑色素、血容量和二氧化硫（SO2），提供了一种客观的方法来评估疾病严重程度和监测治疗反应[79]。Matsui等人进一步验证了HSI在评估500名受试者眼周色素沉着方面的有效性，区分了黑色素和脱氧血液对黑眼圈的贡献[80]。HSI还被成功用于评估治疗剂在管理色素沉着方面的效果。Wawrzyk-Bochenek等人使用灰度共生矩阵分析了果酸治疗后面部皮肤亮度和质地的变化，证实了HSI有效监测色素沉着治疗结果的能力[81]。除了皮肤病学评估之外，Chen等人还探索了计算方法来增强高光谱数据处理的效率。他们的研究专注于通过PCA和分段PCA优化高光谱反射数据的压缩和重建，解决了与高维数据相关的挑战。他们的工作表明，当与强大的分析方法结合使用时，HSI可以揭示与治疗效果和黑色素缺失相关的光谱响应[82]。这些研究展示了HSI在皮肤病学研究和临床应用中的多功能性，提供了无创和定量的诊断和治疗监测见解。

3.3 伤口和溃疡

有效的伤口评估对于优化治疗策略和改善患者预后至关重要，尤其是在慢性伤口和术后恢复期间。传统方法，如视觉检查和临床评估，依赖于主观判断，往往延迟了关键干预措施。伤口可能由手术程序、意外事故、压力损伤（PI）、烧伤和糖尿病足溃疡（DFU）引起。由于氧气对愈合至关重要，因此持续监测血流对于评估表明伤口愈合进展的灌注参数是必不可少的。根据国家压力溃疡咨询小组的分类，PI分为六个阶段，需要客观评估以确保适当的治疗并减少住院时间[83]。同样，由于异常伤口愈合导致的瘢痕疙瘩以及涉及复杂创伤的烧伤损伤，也需要准确的评估来确定如皮肤移植等手术干预措施。这些情况突显了在伤口管理中需要定量诊断方法。慢性下肢溃疡，包括DFU和静脉性腿部溃疡（VLU），带来了重大的医疗挑战，并且缺乏非接触式、非侵入性的评估技术[84]。虽然非侵入性成像技术，如激光多普勒成像（LDI）、经皮氧分压（tcpO2）和激光散斑成像（LSI），可以提供灌注信息，但它们是基于接触的，并且在成本、空间分辨率方面存在限制，且仅提供基于点的测量。新兴的非侵入性光谱和成像技术，如本文中回顾的DOSI，提供了先进的、实时的和空间分辨的组织分析，为准确和高效的伤口评估提供了解决方案。在这些新兴成像技术中，HSI因其能够在VIS和NIR光谱范围内提供详细的光谱信息而受到广泛关注。将这些非侵入性光谱和成像技术整合到临床实践中，可以实现精确、客观和定量的伤口评估方法，最终改善治疗效果。

3.3.1 漫反射光谱学

许多研究已经应用漫反射技术进行伤口评估；然而，由于基于接触的性质，很少有研究使用基于探针的光谱技术，这对开放性伤口来说是一个挑战。已经研究了DRS在骨骼和软组织之间形成的PI溃疡中的应用[85, 86]。Diaz和Lafontant等人引入了一种新方法，结合使用漫反射相关光谱（DCS）来预测PI的进展，通过测量微循环血流和漫反射近红外光谱（DNIRS）来推导出血红蛋白浓度（Hb）、氧合和结构完整性。DNIRS分析685和830纳米处的后向散射近红外光，而DCS测量散斑模式的时间波动（时间相关函数（TCF）以计算血流指数（BFI）。这些研究在脊髓损伤和健康受试者中进行，结果显示，在发展出开放性PI的受试者和未发展出PI的受试者之间，τexp（TCF衰减时间）有显著差异（p<0.01），而BFI在发展出PI的受试者中显示出强烈的负趋势，斜率约为10^-10–10^-12。这些发现表明，DCS和DNIRS可以在PI形成之前有效区分高风险组织和健康组织，提供了一个早期、客观的诊断工具来改善预后。Hsu等人使用SO2、水分含量、胶原蛋白等指标评估了瘢痕疙瘩的严重程度并监测治疗反应[87]。这些参数与瘢痕疙瘩的进展和治疗反应相关。如图10a所示，该DRS系统具有四个光源纤维和一个检测纤维（SDS：1.44–2.88毫米），在71名Vancouver疤痕量表（VSS）范围从0到11的受试者中进行了测试。结果显示，随着瘢痕疙瘩严重程度的增加，胶原蛋白浓度和水分含量增加，而SO2和减少，如图10b所示。在20名接受皮质类固醇和/或激光治疗的受试者中，反应良好的患者（VSS改善≥3）表现出水分含量的显著减少和SO2的增加（p<0.05），而反应不佳的患者则没有这些变化。

图10：(a) 系统示意图和探针配置。(b) 结果显示了使用胶原蛋白、水分等生物标志物监测瘢痕疙瘩的治疗反应。根据CC-BY-NC许可证的规定复制[87]。版权所有2015年，美国光学学会。对于DFU，过去十年中已经探索了DRS来监测愈合过程中的氧合情况[88, 89]。阿南德等人分析了HbO2、Hb带、HbT浓度和SO2的DRS强度比，作为组织灌注和代谢活动的指标[90]。使用一个分叉的光纤探头（六个光源光纤，一个检测光纤），从八名受试者（10个DFU）在542、555和580纳米处的反射光谱显示R542/R580增加（5%–15%），而R580/R555减少，表明氧合状况发生了变化。这些结果表明DRS是一种有前景的非侵入性工具，可用于早期DFU评估和治疗指导。

3.3.2 高光谱成像
HSI已被广泛用于监测血液微循环，可视化伤口和溃疡中的SO2和Hb分布。通过分析HbO2和Hb等色素的光吸收和散射模式，HSI有助于早期检测缺血区域、坏死组织和愈合进程。相比之下，NIR光学成像（650–1,000纳米）可以更深入地穿透组织，以评估慢性伤口（如DFU）的灌注动态。这些方法在提高伤口诊断和治疗监测方面显示出潜力[88, 89]。常用的TIVITA组织HSI系统（Diaspective Vision GmbH，德国）工作在VIS–NIR范围内。该系统定义的健康参考值为：SO2为35%–80%，NIR灌注指数为35–89，组织血红蛋白指数（THI）为20–50，组织水分指数（TWI）为20–70。Sicher等人使用该系统评估了患有各种皮肤感染和溃疡的患者[91]。他们分别研究了一名硬皮病患者、杜普伊特伦氏骨折术后患者、摩托车事故创伤伤口患者和周围动脉闭塞疾病（PAOD）患者。在系统性硬皮病病例中，HSI检测到受影响皮肤的SO2和NIR指数降低，表明存在表层氧合不足，评估了微血管损伤。在术后病例中，HSI显示SO2和NIR指数降低，而THI升高，表明有静脉淤滞。在创伤病例中，HSI识别出病变边界，并排除了深层脓肿的可能性。在PAOD截肢后，HSI显示氧合严重降低，表明有坏死性坏疽，坏死中心的THI峰值高出2–4倍。这项研究表明HSI灌注指标在非侵入性微血管评估中的实用性，尽管需要更大规模的试验来加强这一观察结果。Daeschlein等人进一步评估了HSI在冷大气等离子体（CAP）伤口治疗中的应用[92]。研究了两个伤口病例，一个是慢性PAOD伤口，另一个是头颈部癌症术后淋巴结切除后的伤口。治疗后10分钟，SO2增加了20%，NIR指数增加了30%，THI增加了30%–95%，显示HSI在监测急性和慢性伤口治疗方面的潜力，尽管需要更长时间的随访来确认这一点。Traber等人收集了标准护理结合光学-磁刺激治疗前后的HSI图像，以评估水分指数和氧合情况[93]。在11名慢性腿部和足部溃疡患者中，8周后氧合增加，TWI降低，表明血流和淋巴引流有所改善。同样，Kulcke等人通过可视化移植皮瓣的灌注恢复情况验证了CAP疗法的有效性，这些情况之前仅通过视觉方法进行评估[94]。治疗后结果显示SO2、NIR灌注增加，THI略有升高，并通过650纳米处的光谱峰值识别出坏死组织。然而，准确的建模和一致的照明仍然是此类研究中的挑战。此外，TIVITA组织HSI系统也被用于估计烧伤深度。Promny等人分析了26名患者（55例浅表部分烧伤，31例深部部分烧伤，11例全层烧伤），发现烧伤皮肤和健康皮肤之间存在显著差异（p<0.01），以及上肢的浅表烧伤和深部部分烧伤之间存在差异[95]。然而，HSI无法可靠地区分浅表烧伤和全层烧伤。在一项涉及118名受试者的后续研究中，HSI值与烧伤深度呈负相关，深度烧伤患者的SO2、THI和NIR值较低[96]。Calin等人使用了一种不同的线扫描HSI系统（图11a），该系统从400到1000纳米获取346个光谱带，光谱分辨率为1.73纳米，用于研究一名60岁患者的3%烧伤伤口深度。如图11b所示，通过PCA进行线性光谱解混，识别出与烧伤深度、坏死和水肿相关的四个区分性主成分（PCs）。由于角蛋白吸收减少，烧伤区域的670纳米反射率较高。一个值得注意的限制是HSI对用于烧伤治疗的局部药膏的敏感性，这些药膏含有有色成分（此处使用的是聚维酮碘）。一种基于太赫兹光谱学的新型HSI也被探索用于部分厚度烧伤的评估，但迄今为止仅限于猪模型，尚未扩展到人类[98]。

（a）用于测量烧伤伤口的HSI设置示意图；（b）PCA结果显示的4个PC成分以及端成员的潜在颜色图。经许可复制[97]。版权2015，Elsevier。HSI = 高光谱成像；PCA = 主成分分析。这些发现表明HSI是一种有效的非侵入性方法，可用于评估烧伤深度和严重程度，通过其非接触操作和易于使用的特点，帮助外科医生优化患者管理。与激光多普勒扫描相比，HSI提供快速的数据收集。然而，其敏感性和特异性需要进一步验证。需要与LDI或热成像等已建立的成像技术进行比较研究，以增强临床可靠性，并将HSI确立为标准的烧伤评估工具。HSI还被用于检测周围动脉疾病和评估DFU。Jeffcoate等人使用了一个定制的可见光范围HSI系统（2纳米光谱分辨率）来预测溃疡愈合[99]。在一项针对43名患者（31名男性，12名女性，37名2型糖尿病患者，6名1型糖尿病患者）的临床研究中，HSI在DFU出现后的16天内进行的评估显示，基线氧合与12周内的愈合情况之间存在显著的负相关（p=0.009），表明微血管功能障碍影响愈合。HSI结果与血液气体分析结果高度相关（r=0.994）。同样，Qian Yang等人开发了一种定制的推扫式HSI系统，使用改进的Lambert-Beer定律和非线性拟合技术提取Hb和HbO2光谱[100]。PCA分析显示，与传统SO2映射相比，其性能更优，伤口愈合预测的敏感性为87.5%，特异性为88.2%。在另一项类似研究中，Lopez-Moral等人设计了另一种HSI系统来评估DFU愈合情况，并将其与国际糖尿病足工作组（IWGDF）指南推荐的标准血管技术进行了比较[101]。在21名患者中，14名患者在24周内完成了愈合。HSI的SO2指标显示出93%的伤口愈合预测值和71%的特异性，但tcpO2被确定为更好的伤口愈合预测指标，其敏感性为91%，特异性为100%。在一项创新研究中，Doulamis等人开发了一种结合HSI和热成像的非侵入性设备用于溃疡评估[102]。使用HbO2和Hb指标推导出周围氧饱和度（SpO2）和SO2。推出了两个设备版本：HOME（供患者自我监测）和PRO（用于临床使用）。PRO版本集成了可调谐二极管、先进的HSI传感器和RGB传感器，而HOME版本包括低成本的RGB、热敏和潜在的HSI传感器。临床验证仍在进行中。Jiali等人开发了一种仅使用NIR波段的HSI变体，称为近红外光学扫描仪（NIROS）[103]。该设备在830纳米处工作，对三名受试者的12个VLU图像进行了测试，显示愈合伤口和非愈合伤口之间的光学对比度有显著差异（p<0.001），在各种成像条件下均一致。在另一项使用725纳米和797纳米光谱的后续研究中[104]，愈合伤口的伤口与背景的氧合对比度接近零，而非愈合伤口的对比度波动并保持升高，表明存在持续的生理损伤。因此，NIROS显示出作为实时伤口评估的床边工具的潜力，尽管需要更大规模的数据集进行进一步验证。

3.3.3 空间频率域成像
虽然DRS和HSI可以识别和量化组织色素，但SFDI保留了HSI的优点，如非接触、宽场成像，同时提供了关于深度分辨和空间调制光学特性的额外信息。这使得可以区分吸收和散射效应，从而更准确地评估在伤口评估等应用中至关重要的灌注指标。张等人提出使用SFDI来检测术后部位感染，最初通过幻影和模拟进行了验证[105]。随后，在其首次临床应用中，Ponticorvo等人使用了SFDI系统（OxImager RS，Modulim, Inc.），这是一种空间调制的多波长（471–850纳米）系统，在空间频率（0–0.2毫米^-1）下工作，对三名患者在受伤后24小时和72小时的烧伤伤口进行了评估，并将其与LSI进行了比较[106, 107]。虽然LSI显示了灌注变化，但SFDI一致且快速地识别出需要手术干预的区域。Yafi等人在患有PU或有PU高风险的患者中使用了SFDI，以反映血容量、灌注和氧气输送状态，这些对于研究愈合状态至关重要[108]。他们还使用了Modulim, Inc.的SFDI系统，配备基于LED的光投影仪（655、730、850和970纳米），每天对18名ICU患者进行组织变化跟踪。该研究报道，SFDI一致地识别出发炎或坏死组织中升高的HbT和降低的散射，这些在视觉上并不明显，也有助于区分压疮和皮炎。在Murphy等人的一项最近研究中，SFDI被用于DFU患者，如图12a所示。在35名有足部溃疡病史的糖尿病患者中，每4-6周使用Modulim系统进行SFDI成像[109]。研究表明，早在溃疡出现前91天就可以检测到SFDI特征，包括神经病变病例中SO2增加和HbT1降低的模式，以及神经缺血病例中HbT1/HbT2升高和SO2降低的模式（图12b）。这些发现表明，SFDI生物标志物可以作为手术伤口定量评估的早期指标，压疮风险的指标，可能在DFU的临床症状出现之前指导预防性干预。

3.4 炎症性皮肤病
炎症性皮肤病的特点是红肿、疼痛或瘙痒症状，这是由免疫系统紊乱引起的。一些常见的炎症性皮肤病包括蜂窝织炎、银屑病、痤疮、红斑和特应性皮炎（AD），也称为湿疹。研究表明，银屑病引起的瘙痒和疼痛会降低患者的生活质量，长期影响他们的心理健康[110]。它还增加了患其他健康问题（如哮喘和心脏相关问题）的风险[111]。因此，通过早期检测这些症状，可以引入治疗，以尽量减少对患者生活质量的影响以及任何进一步的并发症。

3.4.1 扩散反射光谱学
许多研究调查了DRS在评估炎症性皮肤病中的应用。一个值得注意的应用是蜂窝织炎的诊断，Raff等人将DRS与红外成像结合在紧急情况下使用，以区分蜂窝织炎和假性蜂窝织炎。这种双模态方法用于检测生理生物标志物，如Hb、HbO2和局部皮肤温度，实现了90%的高诊断准确性[112]。没有患者需要重新分类他们的最终诊断，从而减少了不必要的抗生素使用，鉴于疑似蜂窝织炎病例中误诊和过度治疗的率高，这是一个重要的考虑因素[113]。在一项初步研究中，Yang等人成功使用NIR-DRS非侵入性地评估了银屑病患者的表皮屏障功能[114]。如图13（顶部）所示，该系统能够区分银屑病皮肤和健康皮肤。通过评估表皮和上真皮层内的水分结合状态，研究发现了病变组织和正常组织之间的明显光谱差异。虽然DRS传统上用于评估与Hb相关的特征，但该团队专注于1230–1380纳米范围内的水分信号，这些信号在银屑病病变中发生了显著变化。此外，如图13（底部）所示，病变皮肤的散射系数显著降低，表明微结构发生了紊乱。该系统使用了两个光学开关：一个将光源引导到样品照明用的光纤上，另一个将收集到的漫反射光路由到具有不同波长范围的光谱仪。图中展示了在970纳米和1300纳米波长下四个测量点的散射系数箱线图。（底部-a）在970纳米波长下，单因素方差分析（one-way ANOVA）的P值为6.61E?7，表明散射系数存在显著差异。（底部-b）展示了1300纳米波长下四个测量点的散射系数箱线图，单因素方差分析的P值为3.76E?5，表明总体均值存在显著差异。根据CC-BY 4.0许可协议[114]进行复制。版权所有2021年，作者。DRS（Diffuse Reflectance Spectroscopy）与传统的视觉评估方法相比，尤其在深色皮肤类型中显示出更高的效率。这是因为它能够检测到肉眼无法看到的亚临床红斑，通过关注对HbO2敏感的光谱范围来实现。Fajuyigbe等人应用DRS来评估极端肤色下的紫外线引起的红斑，量化了580纳米处的HbO2吸收变化以及650–700纳米范围内的黑色素吸收变化。在调整了反射和黑色素的影响后，该团队开发了一种算法，能够准确测量不同皮肤类型的红斑程度，即使在深色皮肤上也显示出紫外线剂量与红斑强度之间的强线性关系。这些发现证实了DRS可以独立于皮肤色素沉着客观可靠地评估红斑，使其成为光疗计划和紫外线敏感性测试的宝贵工具[115]。这也与其他报告一致，这些报告指出当由于高黑色素含量导致视觉检测不可靠时，DRS可以发挥重要作用[116-118]。

3.4.2 高光谱成像（Hyperspectral Imaging）
当与后处理技术结合使用时，高光谱成像（HSI）在银屑病监测中也显示出显著潜力。诸如光谱角度映射（SAM）和可视化光谱轮廓映射等技术能够有效划分病变边界和未受影响的区域。这些方法允许对治疗效果进行定量监测。在Chen等人的研究中，使用HSI快照技术无创地评估了银屑病皮肤。观察到银屑病皮肤在可见光（VIS）和近红外（NIR）范围内表现出独特的光谱特征。然后利用SAM算法分析了这些光谱差异，通过量化光谱相似性有效地划分了病变边界[119]。在检测水肿的研究中，特别是在对水吸收敏感的970纳米波长附近，HSI被证明能有效检测组织肿胀。Stamatas等人使用HSI监测健康志愿者中组胺引起的水肿，并用组胺和细胞因子水平等生化标志物验证了结果[120]。Dirschedl等人使用HSI研究了接受游离皮瓣重建手术患者的术后水肿[121]。通过线性混合模型分析了SO2、血红蛋白（Hb）浓度和组织水分含量等参数，以监测关键愈合阶段的液体积聚和微循环变化。这证明了HSI在监测水肿进展方面的能力，为实验和临床环境中的组织恢复提供了宝贵的见解。在Abdlaty等人的另一项研究中，HSI用于通过捕获感兴趣区域（ROI）的空间分辨光谱数据并计算红斑指数来评估辐射引起的红斑[122]。这些指数源自血红蛋白浓度和组织氧合水平等生理生物标志物，与临床VA评分之间存在强相关性（r = 0.79）。这种高相关性证明了HSI客观量化红斑严重程度的能力，其结果与临床观察一致。尽管这项技术需要专门的成像系统和手动校准，但它提供了一致且定量的评估，而不依赖于基于阈值的分类[71]。最后，Kim等人利用HSI通过分析可见光（VIS）和近红外（NIR）波长的光谱特征来分类痤疮（AD）的严重程度[123]。通过应用深度学习（DL）模型，该团队将AD的严重程度与标准临床评分进行了量化。近红外波长对IGA（轻度痤疮）的分类有效，而可见光波长与SCORAD/EASI（痤疮面积和严重程度指数）的相关性更好。这项研究强调了HSI作为客观、无创工具在评估AD严重程度方面的潜力。

3.5 其他皮肤疾病
多光谱成像（DOSI）模式越来越多地被用于诊断和监测各种其他常见皮肤疾病，包括遗传性皮肤病变。例如，P. Anker等人结合其他成像技术使用漫反射成像（DRI）来评估由KRT1突变引起的罕见角化病性鱼鳞病中的结构改变[124]。在他们的研究中，DRI用于结构对比和划分病变边界，为后续使用互补模式的生化评估提供了帮助。E.V. Plorina等人采用多光谱成像技术，包括DRI，出于不同的临床目的，即根据光反射特性区分神经纤维瘤病1型（NF1）病变与其他良性皮肤病变[125]。他们的系统扩展了P. Anker等人使用的526纳米波长范围，探索了663纳米和964纳米的额外波长，以实现NF1相关病变的定量和分类。这些研究表明了DRI在多光谱系统中用于表征遗传性皮肤疾病的多种应用的综合实用性。研究还探讨了使用DRS（特别是近红外范围）作为无创方法来评估皮肤老化和损伤。Y. Miyamae等人开发了一种结合PCA的NIR–DRS无创方法来评估皮肤老化[126, 127]。他们的研究表明，特定近红外区域的光谱变化可以区分光老化（photoaging）和生理老化（chronological aging）。光老化与蛋白质的结构变化有关，而生理老化则表现为蛋白质减少和脂质信号增加。这种方法为化妆品和皮肤病学研究中的皮肤老化评估提供了一个有前景的无创工具。

4 机器学习辅助的漫反射光谱和成像技术
传统的统计方法，如描述性和相关性分析，在处理数据集中的高维度、非线性关系和变异性方面往往力不从心。机器学习（ML）通过其处理大型复杂数据集的能力以及捕捉数据中复杂模式的能力，提供了一个有前景的解决方案。将ML整合到DOSI中已经在提高诊断准确性和参数估计方面显示出潜力[128-130]。随着ML算法的不断发展，预计其在DOSI中的应用将在应对这些挑战和增强这种光学模式的实用性方面发挥重要作用。

4.1 传统机器学习方法的概述和比较分析
ML技术提供了一系列数据分析工具，每种工具都有其独特的优势和局限性。在本节中，简要描述了数据分析中常用的ML方法的比较分析。

4.1.1 无监督学习
无监督学习方法，如主成分分析（PCA）和K均值聚类（K-means clustering），在数据缺乏标签且目标是发现内在模式或结构时非常有用。PCA是一种降维技术，能够识别大型数据集中最重要的变量，从而更容易可视化复杂数据。它特别有助于通过识别最重要的成分来简化复杂的光谱数据，帮助突出数据中的变化[131]。另一方面，K均值聚类根据相似性对数据进行分组，这对于将光谱分为不同类型或状况（如不同皮肤类型）非常有用[132]。虽然PCA对于简化和可视化数据很有价值，但K均值聚类提供了一种更直接的对光谱数据进行分类的方法。然而，K均值聚类需要预先定义聚类的数量，并且可能难以处理非球形数据分布。在DOSI分析中，PCA和K均值聚类揭示了与皮肤状况相关的隐藏光谱或图像结构。PCA通过识别解释大部分方差的关键主成分来降低数据复杂性，将这些成分与干燥、炎症或特定生物标志物等状况联系起来。这种简化清晰地展示了皮肤状况如何改变光谱特征。

4.1.2 监督学习
依赖于标记数据的监督学习方法广泛用于分类和回归任务。线性回归是最简单的方法之一，用于建模因变量和自变量之间的关系。尽管计算效率高，但它假设了一种线性关系，这可能限制了其在复杂数据集中的适用性[133]。支持向量机（SVM）在DRS分析中特别有用，因为它擅长将光谱分类为不同类别（例如健康皮肤与病变皮肤），即使在高维空间中也能找到最佳超平面来分隔不同类别[134]。然而，SVM对噪声数据敏感，需要仔细调整超参数[135]。随机森林（RF）是一种集成学习方法，构建多个决策树并结合它们的输出以减少过拟合并提高准确性，使其适用于噪声较大或复杂的光谱数据[136]。它支持分类和回归，但对于大型数据集来说计算成本较高。K最近邻（KNN）是一种基于实例的方法，根据最近邻居的多数类别对新样本进行分类[137]。尽管直观且易于实现，但在大型数据集上进行预测时计算成本较高。偏最小二乘回归（PLSR）广泛用于具有多个相关预测因子的回归分析。它减少了预测因子的维度，并提取最能预测结果的成分，因此在化学计量学和其他复杂数据分析中很有价值[138]。

4.1.3 深度学习方法
深度学习（DL）方法，特别是卷积神经网络（CNN），因其能够自动从原始数据中学习层次化特征而受到欢迎。CNN非常适合图像和光谱分析，能够识别边缘、纹理和光谱特征等局部模式[139]。它们的主要优势是端到端的学习方式，无需手动特征提取。然而，DL模型需要大型数据集和高计算能力。尽管如此，CNN在复杂、非线性任务中通常优于传统方法。选择哪种ML方法取决于数据和目标。无监督方法，如PCA和K均值，非常适合探索和聚类高维光谱数据。PCA突出显示了与皮肤状况相关的关键特征，而K均值则对不同皮肤类型或疾病进行分类。监督方法，如SVM和RF，在预测建模方面表现出色，包括皮肤生物标志物的分类或量化。DL方法，尤其是CNN，在处理复杂、非线性关系方面非常有效，但需要更多的计算资源。因此，为DOSI分析选择最佳方法需要在高数据变异性和噪声的情况下平衡复杂性、准确性和计算效率。

4.2 皮肤科应用
4.2.1 肿瘤和癌症
由于皮肤癌的普遍性、视觉复杂性以及对于无创诊断工具的需求，皮肤癌一直是机器学习增强光学成像的主要关注点。许多研究结合使用DOSI模式和ML模型来区分癌组织和健康组织，识别肿瘤边缘，甚至评估癌症进展阶段。这些研究通常依赖组织病理学分析作为训练和验证的基准，确保临床相关性和诊断准确性。Safi等人提出了一项可行性研究，使用手持式DRS系统在体内区分恶性和良性皮肤病变[140]。该系统使用卤素光源并通过光纤探头获取400至900纳米之间的光谱。关键指标包括血红蛋白浓度、光谱斜率和诊断波长强度比。ML模型，如PCA、SVM和流形学习，达到了85%的总体准确率。其便携设计和易用性突显了其强大的转化潜力。Rodriguez-Diaz等人评估了DRS在长期皮肤癌风险评估中的应用，而不是特定病变的诊断[141]。使用光纤探头收集的VIS–NIR光谱显示血红蛋白吸收和散射斜率作为区分特征。基于CNN的分类器在950纳米波长上训练，并在357个病变上测试，对黑色素瘤的敏感性达到100%，对非黑色素瘤癌症的敏感性达到94%，总体特异性为36%，展示了DOSI生物标志物在人群水平监测中的潜力。Li等人开发了一种使用反射光谱进行自动黑色素瘤诊断的光谱系统[142]。在187个使用混合DRS收集的数据集上使用了三种分类器，即人工神经网络（ANN）、朴素贝叶斯（NB）和KNN。NB模型取得了最佳性能，准确率、敏感性和特异性均为89%，并集成到了桌面诊断应用程序中。Surkov等人通过使用多模态系统提供了生理特征的诊断效用，该系统使用DRS光谱数据来区分基底细胞癌（BCC）和良性病变[52]。基于梯度提升的分类器在结合特征向量上训练，对组织病理学的敏感性达到89.1%，特异性达到95.1%，多模态数据优于单模态方法。这项研究展示了从定性到定量基于ML的皮肤诊断的转变。多项体内研究利用机器学习（ML）对皮肤病变进行分类，这些病变从良性痣到恶性黑色素瘤、基底细胞癌（BCC）、鳞状细胞癌（SCC）和鲍文病（Bowen’s disease）不等，研究使用了来自高光谱成像（HSI）系统的光谱和空间数据。Lindholm等人使用了一个带有卷积神经网络（CNN）的快照HSI系统对73名患者的130个病变进行了分类，通过多数投票法达到了85%的敏感性和84%的特异性[143]。他们的实时设置提高了成像速度和临床适用性，优于传统的点扫描系统。La Salvia等人将基于注意力的视觉变换器（ViT）与450–950纳米可调滤波器的HSI系统结合，对61名受试者的76个病变进行了分类[144]。针对并行处理进行了优化的ViT模型在边缘计算和云计算平台上都得到了验证。Courtenay等人利用NIR-HSI系统（900.6–1454.8纳米）分析了125名患者的病变，并得到了组织学确认[64]。通过统计区分和核主成分分析（kernel PCA），他们确定了四个关键的光谱窗口，显示了不同病变类型之间的明显反射模式。这些发现表明NIR-HSI作为一种无创、无需标记的皮肤癌诊断工具具有潜力。Huang等人提出了一种成本效益更高的方法，通过从RGB输入重建高光谱窄带图像（380–780纳米），并训练了You Only Look Once模型第5版（YOLOv5）来检测BCC、SCC和脂溢性角化病，在超过1800张图像上取得了效果[145]。这种方法将基于RGB的模型的召回率提高了7.5%，达到了0.794。YOLOv5是一种先进的物体检测算法，能够快速准确地检测，并支持实时性能。它可以被训练用来识别和定位高光谱图像中的可疑病变并对其进行分类。整个实验流程图如图14所示。该研究包括三个主要阶段：图像预处理、数据库创建以及YOLOv5训练结果的评估。

Hosking等人引入了一种使用高光谱皮肤镜技术（HSI）的黑色素瘤Q分数系统，该系统覆盖了350至950纳米的21个波长[146]。该工具分析了活检前识别出的可疑色素沉着斑（PLs），结合了与黑色素、血红蛋白（Hb）和结构对比度相关的光谱特征，涉及91名成年人的100个PLs。包括KNN、LDA、随机森林（RF）和支持向量机（SVM）在内的分类算法达到了100%的敏感性，但特异性较低，为36%。组织病理学作为真实值，突显了强大的筛查潜力，同时也强调了减少误报的必要性。Aloupogianni等人评估了包括主成分分析（PCA）和基于簇的PCA在内的降维方法对使用HSI数据检测黑色素瘤的效果[147]。他们的数据集包含了在受控条件下获取的标记有恶性与良性样本。将PCA与SVM结合使用显著提高了敏感性（60.2%）和特异性（86.2%），相比像素级分类有所改进。基于簇的PCA通过利用空间和光谱的一致性进一步增强了泛化能力，强调了在基于HSI的黑色素瘤分析中混合空间-光谱特征工程的价值。为了应对黑色素细胞病变的结构复杂性，Paoli等人使用了Hyper3DNet，这是一种混合的2D-3D CNN，对325个病变进行了分类，通过多数投票法达到了95%的敏感性和92%的特异性[148]。在一项里程碑式的研究中，Esteva等人使用129,450张涵盖2,032种不同疾病的临床图像训练了一个CNN[139]。当与活检验证的图像进行基准测试时，该模型对于角质形成细胞癌（keratinocyte carcinomas）的AUC达到了0.96，对于黑色素瘤达到了0.94，与皮肤科医生的表现相当，并且优于传统的手工特征方法。从计算效率的角度来看，Torti等人提出了一种使用K-means和支持向量机（SVM）以及遗传算法的并行分类流程，用于皮肤癌检测，在76张体内图像上的准确率为60.67%，通过GPU加速实现了亚秒级处理[149]。这些结果强调了实时ML框架在临床工作流程中的可行性。Stier等人开发了一个用于实时皮肤癌检测的亚扩散式光谱傅里叶变换（SFDI）系统[69]。该系统捕获了26个空间频率和三个波长（450、530、620纳米）的反射率，以量化减少的散射系数和吸收特性。一个在蒙特卡洛（MC）模拟上训练的神经网络（ANN）并通过生成的光学属性热图进行了验证，成功区分了恶性与正常组织。Tian等人使用显微HSI系统分析了50名黑色素瘤患者和50名色素痣患者的病理切片。在500–675纳米范围内光谱差异最为明显，深度学习（DL）模型被用来分类高光谱数据。一个应用了迁移学习的深度残差网络在2D光谱-空间数据上实现了高达98%的分类准确率，优于传统的ML方法，如随机森林（RF，准确率为89%[150]。Kupriyanov等人结合了空间分辨的DRS和自动荧光光谱与ML算法来区分恶性与良性皮肤病变，BCC和SCC病变的准确率均超过了80%[151]。最近开发了快照HSI系统，以实现快速的光谱采集，用于皮肤病学诊断。在这项工作中，使用ML分类算法分析了皮肤病变的高光谱数据，从而能够准确识别不同类型的病变[152]。这些研究表明，ML已成为推进基于DOSI的皮肤癌诊断不可或缺的一部分，涵盖了传统和深度学习（DL）范式。最近的研究越来越多地采用混合CNN ViT架构、多模态融合（DRS-HSI集成）和基于GAN的数据合成，从而实现了改进的病变分类、肿瘤边缘界定和风险分层。这些方法共同强调了向更全面、数据驱动和计算效率更高的非侵入性皮肤癌评估框架的转变。

4.2.2 色素障碍
许多有趣的研究将DOSI和ML的应用扩展到了更广泛的领域，如色素障碍。当应用于反映血管和皮肤结构变化的光谱生物标志物时，神经网络和统计分类器表现出了有意义的能力。然而，不同研究中观察到的特异性差异表明，可能需要通过混合模型和更大的数据集进一步改进，以在现实世界的筛查环境中实现平衡且高置信度的诊断性能。Jung等人开发了一个基于光谱的深度学习（DL）框架，使用皮肤反射光谱和图像来分析和模拟皮肤色素分布[153]。他们的框架使用了一个深度卷积神经网络ResUNet++架构，该架构集成了残差块和注意力模块，用于从交叉偏振皮肤图像生成色素图（黑色素和Hb）。该模型在200名受试者的数据上进行了训练，与VISIA系统相比，黑色素的相关系数达到了0.913，Hb的相关系数达到了0.941，显示出在色素分析方面的强大性能。此外，该模型模拟的色素变化图像与临床指标非常吻合，显示出对不同肤色和色素丰富区域的适应性。这项研究强调了该模型作为皮肤病学中专业级色素分析工具的潜力。

4.2.3 伤口和溃疡
在热损伤和创伤相关的皮肤损伤领域，Dremin等人使用偏振HSI通过非侵入性评估皮肤血管和胶原蛋白的完整性来检测糖尿病的早期并发症[154]。定制的HSI系统配备了偏振滤光片，增强了结构对比度，提取了如氧合/脱氧Hb吸收和与胶原蛋白相关的散射等光学生物标志物。一个在这些特征上训练的ANN-LDA分类器以95%的敏感性、85%的特异性和0.97的AUC区分了糖尿病皮肤和健康皮肤，显示出溃疡风险筛查的潜力。Zherebtsov等人开发了一个便携式HSI系统，可以在VIS到NIR范围内捕获高分辨率的2D皮肤光谱[155]。一个通用的MC模型被用来模拟ANN的训练数据，该ANN被训练用来估计生理生物标志物，如血容量分数（blood volume fraction）和SO2。ANN无需传统的逆向建模即可实现实时的色素团映射。在组织幻影和活体健康皮肤上的验证显示了将ML推理与基于物理的建模结合的好处，对于便携式皮肤诊断非常有用。DOSI与ML的结合已成为评估伤口和溃疡的强大工具。通过将监督学习模型与太赫兹成像、偏振HSI和SFDI结合，这些方法能够非侵入性地、客观地、快速地评估组织的水分、微血管状态和结构特性，这对于诊断烧伤严重程度、糖尿病溃疡风险和伤口愈合潜力至关重要。这些方法共同提高了诊断准确性，并支持伤口和溃疡管理的个性化治疗策略。

4.2.4 皮肤生理参数的优化
越来越多的研究专注于皮肤生理参数的定量估计，包括黑色素含量、Hb浓度、SO2和散射特性。这些参数对于评估血管健康、色素障碍、炎症和早期病理变化至关重要。Lan等人实现了一个在MC模拟的漫反射数据上训练的神经网络，以解决逆问题，恢复组织吸收和散射系数，实现了小于0.01毫米^-1的均方根误差（RMSE），证明了其适用于紧凑型诊断设备的精确光学属性恢复[130]。Nguyen等人利用多光谱DRS提取基于Hb的生物标志物[128]。PLSR和支持向量回归（PLSR and Support Vector Regression）被用来建模光谱特征与生物标志物浓度之间的关系。他们的系统对血氧水平等参数进行了准确且稳定的预测，并且经过了脉搏血氧仪读数的验证。Vyas等人将Kubelka-Munk近似应用于从24名不同种族的受试者收集的高光谱数据，并使用多线性回归来推断HbT和黑色素浓度[156]。这种方法显示了强大的生理一致性，并强调了分析模型的持续相关性。Livecchi等人开发了一个实时HSI平台，使用在24,000个MC模拟光谱上训练的ANN来直接从反射光谱估计HbO2、Hb、黑色素和散射系数[157]。该模型的RMSE小于5%，计算速度比非线性拟合提高了4000倍，并在合成和体内数据集上得到了验证。Manojlovi?等人将这种方法与贝叶斯神经网络（BNNs）结合，用于量化22名健康志愿者中SO2、黑色素和散射的不确定性[158]。该模型的平均绝对误差（MAE）为0.0141，在稳定性和可靠性方面优于确定性模型。在预测置信度至关重要的临床环境中，这种概率方法尤其有价值。Engelhardt等人比较了使用漫反射光谱进行实时激光手术引导的分类算法（LDA、SVM、PDA），发现PDA表现最佳（误分类率为0.02），并且对于小规模、不平衡的术中数据集具有很强的泛化能力[159]。Verdel等人将光热辐射测量（photothermal radiometry）与DRS结合在一个多模态ANN框架中，用于估计深度分辨的黑色素、胶原蛋白和水分含量[160]。该模型在多模态特征上进行了训练，并在幻影和活体前臂数据上进行了验证，准确率超过了90%，提供了比单独的DRS更深入的组织表征。

4.2.5 其他皮肤障碍
Kohnke等人研究了使用TIVITA组织系统评估败血症中的微循环功能障碍，该系统捕获了手掌和指尖等皮肤区域的500–1000纳米反射光谱[161]。从高光谱立方体中得出了组织氧合和灌注生物标志物，并使用基于ML的姿态估计工具MediaPipe定位了感兴趣区域（ROI）。一个在75名败血症患者和30名健康对照者的数据上训练的RF分类器实现了0.92的ROC曲线下面积（AUROC），显示出高诊断准确性，并在重症监护中的床边分诊中具有潜力。Seidlitz等人使用医疗级TIVITA 2.0系统在一个包含508名ICU患者的前瞻性队列中扩展了这一概念，应用DL处理手掌和手指的高光谱立方体（500–1000纳米，100个光谱带）。单独使用HSI的AUROC对于败血症诊断达到了0.80，对于死亡率预测达到了0.72，当与结构化临床数据结合时，分别提高到了0.94和0.83，优于传统的临床评分[162]。为了支持在不同肤色和光照条件下的血管成像，Ndu等人引入了HyperVein数据集，这是一个专注于皮下静脉可见性的大规模高光谱数据集[163]。该数据集包括来自100名不同肤色受试者的标注HSI图像，覆盖了VIS到NIR的波长范围。在这里，PCA、功能PCA（FPCA）和加权局部流形内在（weighted local manifold intrinsic）与SVM分类器一起进行了测试。FPCA与SVM结合实现了最高的准确率约为75.63%，精确度约为73.34%，用于静脉分割。尽管不具有诊断功能，但该数据集为增强静脉访问、血管生物识别和可穿戴健康监测的ML模型奠定了基础。Travers等人进行了一项临床研究，使用SFDI评估光损伤和AK的严重程度[164]。该研究涉及55名受试者和110只前臂，在多个空间频率和波长（490、590和660纳米）下进行了捕获。提取的光学生物标志物散射参数和HbT浓度由神经网络分类器分析，准确率达到了80%，能够区分高程度和低程度的损伤。这项工作强调了ML增强的SFDI作为评估紫外线引起的皮肤损伤的有前景的非侵入性工具。Wei等人研究了结合ML使用HSI定量评估面部皮肤色素和红斑的方法。在他们的方法中，高光谱反射数据与使用Mexameter MX18获得的参考色素测量值进行了整合，并使用竞争性自适应加权采样算法选择了特征波长，有效地减少了冗余的光谱信息，同时保持了模型的准确性。在评估的七个机器学习（ML）模型中，一个堆叠泛化模型在验证集上取得了最佳的预测性能，其均方根误差（RMSE）为14.23，R2值为0.8634，残差预测偏差（RPD）为2.706，用于测量黑色素指数；对于红斑指数，RMSE为31.74，R2值为0.7505，RPD为2.002 [165]。

5 结论

机器学习与DOSI之间的协同作用在非侵入性皮肤诊断领域带来了重大突破，提供了能够进行实时、定量且具有临床意义的评估工具。我们对这些技术在评估人类皮肤的生物化学和结构特性方面的应用进行了全面评估。在综述的开始部分，我们详细讨论了DOSI模式（如DRS、HSI和SFDI）在空间覆盖范围、深度敏感性和成像分辨率方面的互补优势。我们还强调了不同的分析挑战，如光谱重叠、生物变异性、运动伪影和仪器漂移，这些挑战促使了高级预处理和数据驱动建模的发展。我们指出，将DRS与LIFS和RS等互补模式结合使用，通过结合结构、功能和生物化学信息来提高诊断准确性；HSI能够通过黑色素、血红蛋白（Hb）和水分相关特征的变化来识别黑色素瘤和非黑色素瘤皮肤病变（NMSC）；SFDI提供了宽视野、非接触式的肿瘤吸收和散射图谱，用于治疗计划和手术指导。在色素障碍方面，DRS可以重复量化白癜风和色素沉着的变化；HSI提供了高分辨率的色素团图谱，有助于诊断和跟踪治疗效果。对于伤口和溃疡，HSI和SFDI通过提供非接触式的灌注和氧合图谱，在烧伤、糖尿病足和手术部位护理中表现出优越性。在炎症性皮肤病中，DRS和HSI可以量化水分、Hb和散射变化，从而区分蜂窝组织炎、湿疹（AD）或银屑病斑块与正常皮肤。此外，DOSI还应用于罕见的遗传性鱼鳞病、皮肤老化以及全身性状况，如败血症。图15展示了其通过内源性色素团来评估皮肤状况的集成和非侵入性应用方式。每种光学模式都能独特地量化生物标志物，它们的组合能力增强了皮肤科诊断的特异性和组织特征描述。

图15：通过内源性色素团评估皮肤状况的集成非侵入性方法示意图。每种光学模式都独特地量化了生物标志物，它们的组合能力提高了皮肤科诊断的特异性和组织特征描述。

图15：各种皮肤疾病及其相关生物标志物，以及用于检测的DOSI技术的示意图。每条连接线的终端节点表示可诊断的皮肤疾病，而线条的颜色表示相应模式检测到的具体生物标志物。例如，通过血红蛋白对比检测皮肤癌的方式用相应的符号表示（→）。图像使用BioRender创建。一系列多样的ML模型和方法在解决各种皮肤科挑战方面展示了互补优势。如今，ML已经应用于DOSI流程的每个阶段，从特征提取和光谱预处理到病变分类、逆向建模以及临床决策支持。表1详细总结了ML在皮肤诊断中的应用。

表1：ML在光学皮肤成像中的应用总结。

皮肤问题 光学技术 ML模型 性能 备注 受试者/DOSI衍生的标志物 参考文献 关键发现/见解

皮肤癌 DRS PCA, SVM SVM–RBF：94.9%
良性与恶性皮肤病变（黑色素瘤检测） 148名患者/黑色素和血红蛋白 [140]
HSI和DRS结合使用，为非侵入性皮肤癌诊断提供了互补优势。HSI能够实现80-90%的病变级别准确率和约95%的特异性来检测和分类黑色素瘤，而稳健的统计分析揭示了提供有用信息的光谱窗口。DRS提供了高度量化的色素团生物标志物，这些标志物通常是ML模型的主要特征，当集成到多模态ML流程中时，显著增强了基底细胞癌（BN）和鳞状细胞癌（BCC）的区分能力。

决策树 敏感性：70.6%，特异性：95.9%
分类BCC（五种临床类型）和良性肿瘤 37个肿瘤/黑色素和血红蛋白 [52]

HSI CNNLOO 敏感性：85%，特异性：92%
nBCC与ID与健康皮肤对比 130个病变/黑色素和血红蛋白 [143]

HSI ViT 研究重点在于硬件性能 HIS皮肤癌（方法/计算重点） 皮肤病变的高光谱立方体/黑色素和血红蛋白 [144]

HSI PCA <1%假阳性 NMSC（BCC、SCC）与健康皮肤对比 125名患者/水分、胶原蛋白、黑色素和血红蛋白 [64]

HSI YOLOv5 提高7.5%的召回率 检测BCC、SCC、脂溢性角化病 1800张图像/血红蛋白 [145]

HSI KNN, LDA, RF和SVM 100%敏感性，36%特异性 高假阳性率，黑色素瘤Q分数系统 100个成人样本/黑色素、血红蛋白 [146]

HSI PCA, RF 提高敏感性和特异性 黑色素瘤与痣的区分 19个HSI样本/黑色素和血红蛋白 [147]

HSI Hyper3DNet 95%敏感性，92%特异性 黑素细胞病变 325个病变/黑色素和血红蛋白 [148]

HSI 3D CNN, K-means 89.67%准确性 肿瘤边缘的宏观检测（色素性病变） 28个病变/肿瘤边缘，HSI光谱 [166]

高光谱显微成像 RF 95.2%准确性 SCC分期 组织学切片，SCC/核光谱特征 [167]

HSI（450–950 nm） SVM, K-means 准确性为60.67% 混合多核+GPU处理，耗时小于1秒 76张来自61名受试者的高光谱图像 [149]

色素障碍 DRS ResUNet++ CNN 相关性：黑色素0.913，血红蛋白0.941 皮肤色素分析 200名受试者/黑色素 [153]

本研究中的DL模型能够从普通的交叉偏振图像中准确分析皮肤色素沉着，生成的色素分布图与VISIA系统获得的结果一致。它不需要手动标注真实色素值，因为它在训练过程中使用了基于物理的光谱模拟，这使得它在与色素相关的ML应用中更为有用。

伤口和溃疡 HSI 光谱角度映射分类器 Zmetric：p = 0.0016 烫伤与接触性烧伤对比 猪模型 [98]

这些研究表明，HSI结合ML大大改善了伤口和溃疡的护理。通过测量血液成分、氧饱和度、组织水分和胶原蛋白结构的微妙变化，HSI+ML系统可以客观地分类烧伤严重程度，识别高风险溃疡的糖尿病皮肤，并实时监测灌注和伤口愈合。

ANN, LDA 95%敏感性，85%特异性，AUC 97% 早期检测糖尿病并发症 20名糖尿病患者与20名健康对照组 血红蛋白、胶原蛋白 [154]

生理参数优化 DRS 逆向NN RMSE < 0.01 光学系数估计 人类皮肤光谱/血红蛋白 [130]

基于ML的生理参数优化在DRS和HSI中已经从Kubelka–Munk回归发展到FPCA和SVM特征工程模型、逆向神经网络（BNNs），用于不确定性感知的估计。尽管这些方法提高了计算效率并实现了直接的光谱到参数的映射，但优化仍然受到光谱假设的限制和训练多样性的局限，这突显了提高泛化能力和标准化验证对于临床可靠性的需求。

FPCA + SVM 73.94%准确性，75.95%精确度 皮肤色调下的血管评估 白种人皮肤类型的22名健康志愿者 [163]

HSI BNN MAE = 0.0141 生理参数估计 [158]

败血症 HSI CNN AUROC = 0.80 通过光谱-空间学习实现自动化败血症诊断和30天死亡率预测 483名ICU患者/微循环改变 [162]

这些研究表明了基于HSI的败血症评估技术的发展，从早期使用手工制作的氧相关光谱特征的ML方法到端到端的深度光谱-空间架构。然而，初步工作已经证明了HSI衍生的微循环标志物在败血症鉴别中的可行性。

RF AUC = 0.92 微循环评估 75例败血症患者，30例对照组/氧合标志物 [161]

光损伤 SFDI ANN 准确性为70%，在表征低级、中级和高级病变时分别为70%和80% 与皮肤科评分相关 55名受试者，110个前臂/血红蛋白 [164]

这项研究表明，SFDI衍生的光学和血管生物标志物可以与ANN结合，实现对皮肤光损伤严重程度的定量分层。该研究建立了一个临床相关的框架，将基于物理的参数提取与监督学习相结合，用于非侵入性评估和监测光损伤。这些研究中的真实值通常依赖于组织病理学、皮肤科评分系统或生理标准（如血氧饱和度测量），确保了临床相关的验证。ML方法的性能与扩散反射数据的物理特性和分析目标密切相关。在基于点的DRS分类中，光谱维度高且共线，诊断信息编码在平滑的色素团吸收和散射变化中。在这些情况下，传统的分类器（如SVM和RF）仍然有效，因为它们构建了稳定的非线性决策边界，并对噪声和有限的样本量具有鲁棒性。相比之下，HSI引入了空间异质性以及光谱复杂性。病变形态、血管分布和空间光谱纹理成为重要的区分特征。深度学习架构，特别是CNN和混合2D及3D模型，通过学习层次化的空间和光谱表示表现出良好的性能，而ViT模型通过注意力机制捕捉长距离波长依赖性。这些方法在黑色素瘤、BCC和SCC的检测以及肿瘤边缘界定方面的敏感性和特异性超过了90%。对于定量生理参数估计，目标从分类转变为解决逆向光传输问题。在基于MC模拟光谱训练的神经网络上，可以无需迭代非线性拟合即可恢复吸收和减少的散射系数。物理信息驱动和概率模型可以在接近实时的情况下估计光学特性和组织氧饱和度，误差低于5%。尽管如此，为了实现ML辅助DOSI在现实世界应用中的全部潜力，仍需克服若干技术和基础设施方面的挑战。

6 未来展望

DOSI在皮肤科的未来将因微型化、AI和ML的整合以及多模态互补诊断系统的开发而迎来变革性进步。最近在光学组件（如光源、紧凑型检测器和光纤）、微型透镜（如平面光学组件）方面的进展，为更紧凑和成本效益更高的解决方案铺平了道路[168, 169]。微机电系统的整合将进一步促进手持设备的开发，使这些系统在临床应用中更加经济实惠[170]。降低成本解决方案对于在服务不足地区提供先进的诊断技术至关重要[171, 172]。AI和ML的整合在DOSI系统中具有巨大潜力，可以提高准确性和效率[171, 172]。AI算法可以训练来分析DOSI生成的复杂数据集，从而精确解释组织特性。ML模型还可以自动化图像重建和解释过程，减少对高技能人员的依赖，使这些技术的应用更加广泛。随着AI模型的不断发展，它很可能会成为诊断工作流程的一个不可或缺的部分，用于分析多模态数据，例如在眼科应用中的情况[173]。这样的模型不仅提供诊断辅助，还具备预测能力，能够识别潜在风险并建议个性化治疗方案。结合多模态技术，将DOSI与OCT、US、荧光成像和RS等互补技术整合，是一个有前景的方向。它提供了对皮肤组织的更全面视图，增强了检测和表征各种皮肤状况的能力。通过结合每种模式的优点，例如OCT的高分辨率成像和DOSI的定量组织信息，临床医生可以准确诊断皮肤状况。同样，RS可以提供表皮浅层生化信息[174]，而DOSI可以补充真皮层的此类信息[175]。这种整合将提高诊断精度，并可能实现治疗效果的实时监测。然而，挑战在于开发无缝整合这些模式的系统，同时不增加系统复杂性和成本。将多模态光学数据与基因组和蛋白质组信息整合可能会为复杂皮肤疾病的研究增添新的维度，从而实现更加个性化和针对性的治疗，例如在肺癌病例中[176]。监管机构（如美国食品药品监督管理局和欧洲药品管理局）对于确保这些先进诊断工具的安全性和有效性至关重要。然而，AI的整合带来了独特的挑战，因为某些算法的“黑箱”性质可能会使验证过程复杂化，并影响其可靠性。为了获得监管批准并建立临床医生的信任，AI模型开发和验证的透明度是必要的。此外，还必须考虑伦理问题，包括数据隐私、算法公平性和患者同意。AI模型的设计应避免偏见，确保它们能够公平地服务于不同患者群体，无论其种族、性别或社会经济地位如何。最后，跨学科合作对于这些技术的持续发展至关重要。有效DOSI系统的开发需要光学、工程学、计算机科学和皮肤病学领域的专业知识相结合。这些领域的研究人员之间的合作可以带来系统设计、算法开发和临床应用方面的突破。此外，学术机构、行业和监管机构之间的合作对于确保这些创新经过严格测试并推向市场也至关重要。鼓励跨学科研究还有助于解决在临床环境中实施这些系统时遇到的各种挑战，以提高用户友好性和与现有工作流程的整合性。未来的DOSI技术进步必须优先考虑包容性，特别是要解决深色皮肤（高黑色素吸收）所导致的信号解读困难问题。目前的模型和设备通常针对浅色皮肤进行了优化，这可能导致潜在的偏见和诊断不准确，正如COVID疫情期间在分析SO2时所观察到的那样[177]。为了普及DOSI技术，迫切需要开发能够适应更广泛皮肤色素类型的自适应算法和硬件。必须开发新的算法来校正与黑色素相关的信号衰减，并在不同皮肤类型上改善图像重建效果。未来，DOSI技术的成功应用还将取决于克服其他几个关键障碍。大规模的多中心临床研究对于验证其在不同患者群体和皮肤光型中的诊断准确性、可重复性和再现性至关重要。这需要与组织病理学、皮肤镜以及其他临床研究工具（包括OCT、共聚焦反射显微镜和双光子显微镜[178]）进行严格的比较研究。此外，为了增强临床医生的信心，标准化硬件配置、统一校准协议、数据采集程序和直观的用户界面同样重要。最后，包括成本效益、报销途径和门诊环境中的可扩展性在内的健康经济因素将极大地影响DOSI技术的采用。我们相信，随着系统微型化、AI集成和多模态成像技术的不断进步，DOSI在皮肤病学领域的未来充满潜力。解决转化研究、监管和经济方面的挑战将最终决定DOSI能否从实验室发展成为临床诊断系统。现有的创新有望通过实现更快、更准确且无创的皮肤状况评估来改变皮肤病学的诊断方式。从长远来看，DOSI有潜力成为精准皮肤病学的基础技术，显著提升早期检测、监测和治疗效果的定量评估能力。

致谢
作者感谢新加坡科技研究局（A*STAR）以及亚洲皮肤健康与疾病先进光学计量项目（OPTIMAS）IAF PP基金（项目编号H24J4a0145）的资助支持。

资金来源
本研究得到了亚洲皮肤健康与疾病先进光学计量项目（OPTIMAS）IAF PP基金（项目编号H24J4a0145）的资助。

利益冲突
作者声明没有利益冲突。

数据可用性声明
作者无需报告任何相关信息。