利用太赫兹动态传感技术进行计算表型分析及动力学建模，以实现快速的体内皮肤特性评估

《Infrared Physics & Technology》：Computational phenotyping and kinetic modeling for rapid in vivo skin characterization via terahertz dynamic sensing

　　

摘要

皮肤水分含量是反映皮肤健康状况及屏障功能的重要生物标志物，然而传统的诊断方法往往依赖静态测量，无法捕捉水分积累的复杂时间动态变化。尽管近期的大规模研究已经发现了太赫兹波反射率与生活方式因素之间的基本关联，但将这类动态特征转化为可靠的预测模型仍存在很大差距。本研究提出了一种先进的机器学习与生物物理建模方法，用于从体内太赫兹动态阻隔谱中解析人类的表型特征。通过分析300多名受试者的数据，我们提取了高精度的生物物理特征——包括基础水分含量、饱和度以及吸收速率等，并将其整合到监督学习算法（如支持向量机、k-近邻算法）和非线性指数增长模型中。该框架展现出极高的分类精度，能够以94.1%的准确率判断性别，以99.4%的精度识别运动习惯。此外，在基于问卷调查所得标签的探索性分析中，该模型还能区分出皮肤健康、干燥皮肤或其他皮肤问题的人群，分类准确率为93.7%，AUC值为0.938。需注意，这些类别属于受试者自我报告的皮肤状况，不能视为经过临床确认的诊断结果。初步的时间分析还表明，太赫兹阻隔响应的早期阶段就包含大量有用的鉴别信息，这为缩短检测时间提供了可能。不过，要确证缩短扫描时间的效果，还需未来通过独立截取的时间窗口重新提取特征并重新训练模型。这些研究结果表明，太赫兹动态传感技术是一种高效、无创的计算表型分析平台，为利用独立诊断的临床群体开展进一步研究奠定了基础。

引言

人类皮肤作为身体与外界连接的关键部位，是一道多功能的生物屏障，具有调节体温、抵御病原体以及防止过度经表皮失水等功能[1]、[2]。而构成这道屏障最外层的角质层，其水分含量的变化则是判断该屏障功能是否正常的重要指标。角质层水分含量的局部差异已被证实可作为银屑病、特应性皮炎以及某些非黑色素瘤皮肤癌的早期诊断依据[3]、[4]。尽管皮肤水分含量的检测具有重要的医学意义，但由于水分积累过程具有动态性，且不同人群在生物学特性上存在差异，因此对其开展体内研究仍然面临诸多挑战[5]。太赫兹波的频率范围为0.1–10 THz，现已被证明是一种极为有效的非侵入式皮肤诊断技术[6]。与传统的生物电阻抗测量方法相比，太赫兹波对水分子的旋转和振动模式极为敏感，能够以亚毫米级的精度直接检测皮肤中的水分含量[7]、[8]。此外，太赫兹波属于非电离辐射，光子能量较低，因此可安全地用于反复的体内临床检测和医学研究[9]、[10]。近年来，便携式太赫兹时域光谱技术的不断发展，使得这一技术不再局限于复杂的实验室环境，而是可以作为一种手持式诊断工具，从而在限制更少的条件下开展大规模人群研究[11]、[12]。Ding等人（2024年）建立了迄今为止规模最大的体内太赫兹皮肤水分含量数据库，涵盖了300多名受试者[13]。虽然此前的研究已经发现了太赫兹波反射率与年龄、咖啡因摄入量等生理因素之间的基本关联，但其分析框架大多仍停留在描述性统计层面。目前还存在两个关键局限：首先，这些研究未能在菲茨帕特里克皮肤类型之间发现具有统计学意义的差异，这说明传统的单变量分析方法可能无法充分体现种族和表型差异的复杂性[13]、[14]；其次，固定60秒的阻隔检测时间限制了该技术的应用效率与扩展性，且目前尚缺乏系统性的时间优化或信息饱和度分析方法，无法确定获取可靠参数所需的最短检测时间[15]。表1. 表2. 表3.

在本研究中，我们突破了传统的描述性相关性分析思路，构建了一个结合机器学习与生物物理建模的多元参数分析框架。该方法并非将太赫兹阻隔响应视为静态测量值，而是将其视为一种动态的力学过程，从而能够提取出特征时间常数和饱和系数，这些参数共同构成了个体特有的生物物理特征。基于这一表征方式，我们采用了支持向量机、k-近邻算法等监督学习算法，对包括性别、与生活方式相关的因素以及自我报告的皮肤状况在内的多种生理和问卷数据维度进行分类分析。与此同时，我们还采用了主成分分析进行无监督降维处理，再通过聚类分析，挖掘出那些无法通过传统分类方法识别的潜在水分特征，其中包括菲茨帕特里克皮肤类型所无法涵盖的类别。

此外，我们还建立了一套用于时间优化的定量分析框架，用以评估检测时间与诊断精度之间的平衡关系。分析结果表明，关键的诊断信息在传统检测时间结束之前就已经达到饱和状态，因此无需延长检测时间即可保持较高的诊断精度。综上所述，这些研究结果为开发快速、可扩展且基于人工智能的太赫兹皮肤检测方法提供了理论基础，有望推动该技术在临床领域的广泛应用。

内容片段

数据来源与伦理合规性

本研究使用的主要数据集来自Ding等人（2024年）公布的开放获取数据库[13]。该体内研究队列包含了300多名受试者的太赫兹动态阻隔谱数据，这些受试者在性别、年龄、种族以及生活方式等方面都具有较高的多样性。数据采集工作是在华威大学生物医学科学伦理委员会授予的伦理批准之下进行的（审批编号REGO-2018–2273 AM03）[13]。

通过机器学习解析生物特征与生活方式特征

本研究的第一个阶段旨在评估太赫兹动态传感技术捕捉内在生理特征及与生活方式相关的生物物理特征的能力。通过对60秒阻隔检测数据运用监督学习算法进行分析，我们发现角质层能够作为反映皮肤水分动态变化的独特生理指标。通过基于细树分类器和支持向量机的高维监督学习框架，我们对体内太赫兹阻隔信号进行了深入分析。

生物特征与生活方式相关生理状态的太赫兹特征

本研究的一个重要发现是，该技术在区分运动习惯（准确率为99.4%）和判断性别（准确率为94.1%）方面表现出极强的辨识能力。这些结果表明，太赫兹动态阻隔信号不仅能反映皮肤的水分含量，还能体现受整体生理活动影响的更广泛的生理状态。运动习惯的高分类准确率很可能与运动引发的生理变化有关，比如交感神经系统的活跃程度等。

结论

本研究构建了一个综合性的生物物理与计算分析框架，用于对皮肤进行体内特征分析，实现了从单纯的描述性相关性分析向基于预测机制的分析方法的转变。通过分析大规模的太赫兹动态传感数据（样本数量超过300例），我们证明了通过结合机器学习与非线性动力学建模方法来分析皮肤水分含量的时间变化过程，能够生成具有重复性和生理学意义的生物物理特征。

CRediT作者贡献说明

Tasaur Hussain： 文章撰写——审阅与编辑、文章撰写——初稿撰写、可视化分析、验证工作、项目监督、软件应用、资源协调、项目管理、方法设计、实验研究、正式数据分析、数据整理、概念构思。Abdul Haseeb Hassan Khan： 文章撰写——审阅与编辑、验证工作、方法设计。Syed Alasar Ali Shah： 验证工作、方法设计、数据整理、概念构思。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Tasaur Hussain|Abdul Haseeb Hassan Khan|Syed Alasar Ali Shah

台湾地区高雄市804号，国立中山大学物理系