《SKIN RESEARCH AND TECHNOLOGY》：Artificial Intelligence Based Skin Analysis Models for Predicting Visual Grades and Device Measured Physiological Values From Facial Images
编辑推荐：
**摘要**
**目的**
本研究旨在开发并验证一种基于人工智能（AI）的皮肤评估框架，该框架能够从面部图像中预测皮肤科医生指定的视觉等级以及设备导出的生理测量值。此外，研究人员还评估了图像采集方式（DSLR、平板电脑或智能手机）对模型性能的影响。
*
**摘要**
**目的**
本研究旨在开发并验证一种基于人工智能（AI）的皮肤评估框架，该框架能够从面部图像中预测皮肤科医生指定的视觉等级以及设备导出的生理测量值。此外，研究人员还评估了图像采集方式（DSLR、平板电脑或智能手机）对模型性能的影响。
**方法**
共招募了1,099名年龄在14–69岁之间的韩国受试者。使用DSLR相机从七个标准化角度获取高分辨率面部图像，并额外使用平板电脑和受试者自有的智能手机采集了一部分图像。五位经认证的皮肤科医生对八项面部体征进行分级，并使用非侵入性皮肤评估设备测量生理参数。CoAtNet-4作为分类（视觉分级）和回归（生理预测）两种任务的骨干架构。模型性能通过平均绝对误差和相关性分析进行评估。
**结果**
在使用DSLR图像进行评估时，模型的平均精确等级准确率为51.4%，平均有93.3%的预测落在各面部体征的±1级范围内。皱纹、色素沉着、毛孔和松弛方面观察到较高的相关性，而唇部干燥的相关性相对较低。对于生理指标，色素沉着斑点计数、脸颊毛孔可见度和皱纹严重度方面观察到强相关性，而水分含量和弹性则表现出中等相关性。在移动设备图像上的性能仍然较高，并与基于DSLR的预测表现出高度一致性，但观察到色素沉着相关准确率的明显下降。
**结论**
所提出的AI框架能够可靠地近似皮肤科医生的视觉分级和多项基于设备的生理测量，为皮肤老化评估提供了一种全面的、图像驱动的方法。然而，模型性能在不同面部属性之间存在差异，并且对图像质量敏感，这强调了在消费环境中确保稳健应用需要领域自适应和图像增强策略。
**论文解读：基于CoAtNet的面部图像皮肤评估框架——视觉等级与生理参数的联合预测**
**一、研究背景与问题**
皮肤是反映人体时间性与生物性衰老的重要指标。皮肤老化是一个渐进且多因素共同作用的复杂过程，受内在因素（如遗传易感性、种族、细胞衰老、氧化应激）和外在因素（如紫外线暴露、环境污染、生活习惯）共同影响。随着衰老进程，皮肤屏障结构完整性下降，真皮中胶原蛋白和弹性蛋白生成减少，屏障功能受损、脂质合成减少、保湿能力下降，这些生理改变表现为弹性降低、松弛、皱纹增多、干燥、肤色不均、色素沉着、老年斑和毛孔粗大等可见衰老迹象。
在皮肤科与医学研究中，皮肤状况可通过视觉检查和仪器分析两种途径评估。视觉评估能够全面评价皱纹、色素沉着等外部特征，但本质上具有主观性，易受评估者间差异影响。仪器分析则可对水分含量、弹性等难以通过视觉判断的参数提供客观、可重复的测量，但现有仪器难以对皮肤状况进行整体评估。因此，两种方法具有互补性，常根据评估目的联合使用。
近年来，人工智能（AI）和深度学习的进展推动了基于面部图像的皮肤状况预测研究在医学和化妆品领域的活跃发展。多数最新AI皮肤影像诊断技术旨在作为视觉评估的替代方案，但要对多种皮肤状况进行全面诊断，必须同时分析视觉可检测特征和不易通过视觉识别的特征。卷积神经网络（CNN）擅长捕捉局部皮肤特征，但在评估整体皮肤状况方面存在局限；而基于自注意力机制的Transformer架构能够建模图像中的全局模式，从而弥补CNN的不足。然而，现有研究较少将两者优势结合，同时预测视觉等级与仪器测量的生理参数。
**二、研究目的与意义**
基于上述问题，本研究提出了一种基于CoAtNet-4的新型皮肤状况评估框架。CoAtNet-4是一种结合CNN和Transformer优势的混合深度学习模型，能够同时学习皮肤图像中的局部特征和全局关系。研究旨在评估该模型是否不仅能够预测视觉评估特征，还能预测通过仪器测量获得的生理数值，从而实现更精确、更全面的皮肤状况评估。该研究发表于《SKIN RESEARCH AND TECHNOLOGY》。
**三、研究开展内容**
研究人员招募了1,099名年龄在14–69岁之间的韩国受试者（男性549名，女性550名），成人各年龄段分布均衡。研究方案经IEC KOREA机构审查委员会（IRB）批准，遵循ICH-GCP指南和《赫尔辛基宣言》。所有受试者均签署书面知情同意书。研究使用Nikon D2X DSLR相机在受控环境（22±2°C，50±5%相对湿度）中从七个标准角度采集高分辨率面部图像，共获得7,693张DSLR图像。此外，还使用受试者自有智能手机和平板电脑（Samsung Galaxy Tab A8）从三个角度采集了移动设备图像，以模拟消费者自拍场景。
五位经认证的皮肤科医生依据《亚洲型皮肤老化图谱》标准，对前额皱纹、鱼尾纹、眉间纹、前额色素沉着、脸颊色素沉着、脸颊毛孔、唇部表面干燥和下颌松弛共八项面部体征进行整数分级，采用至少三位医生一致同意的共识规则作为金标准。生理参数测量使用Corneometer CM825测量皮肤水分，Cutometer MPA 580测量弹性，PRIMOS Lite评估鱼尾纹皱纹严重度，VISIA-CR 2.3系统测量面部色素沉着和毛孔可见度。模型采用CoAtNet-4作为骨干网络，分别构建用于视觉分级预测的分类网络和用于生理参数预测的回归网络，共训练9个独立模型。分类模型使用类平衡焦点损失函数，回归模型使用Huber损失。训练集、验证集、测试集按受试者级别以7:1:2比例划分，并采用四折随机划分取平均结果。
**四、主要关键技术方法**
研究采用了以下关键技术：（1）基于MediaPipe的面部关键点检测与自动区域裁剪，实现针对不同皮肤评估类别的感兴趣区域（ROI）提取；（2）CoAtNet-4混合架构，结合CNN的局部特征提取和Transformer的全局上下文建模能力；（3）类平衡焦点损失以处理视觉等级分布不均衡问题；（4）多角度图像训练策略，利用七个角度的人脸图像增强模型对三维面部曲面和光照变化的鲁棒性；（5）模型可解释性分析采用Grad-CAM可视化；（6）统计评估使用平均绝对误差（MAE）、Pearson相关系数及Bland–Altman一致性分析。
**五、研究结果**
**5.1 视觉分级预测性能**
CoAtNet分类模型在预测皮肤科医生视觉等级方面表现出一致的高性能。在DSLR测试集上，精确等级准确率范围为45.4%–58.7%。皱纹评估中，前额皱纹精确准确率为50.3%，鱼尾纹为45.4%，眉间纹为49.2%；±1级容忍度下准确率分别提升至92.8%、89.8%和91.9%，所有皱纹类型的Pearson相关系数r=0.86–0.87。色素沉着类别准确率最高，前额色素沉着精确准确率为58.7%（±1级97.0%，r=0.77），脸颊色素沉着为50.5%（±1级95.1%，r=0.80）。脸颊毛孔精确准确率为50.8%（±1级94.5%，r=0.61），下颌松弛精确准确率为51.0%（±1级91.1%，r=0.83）。唇部表面干燥精确准确率为55.6%，但相关系数较低（r=0.25）。
**5.2 生理参数预测性能**
回归模型与无创设备测量值表现出不同程度的关联。色素沉着斑点计数相关性最强（r=0.92），脸颊毛孔可见度（r=0.79）和鱼尾纹皱纹深度（r=0.70）也表现出较强相关性。水分和弹性表现为中等相关性：各部位水分r=0.33–0.50，弹性具有部位特异性，脸颊弹性相关性最高（r=0.60），前额为r=0.48，下巴仅r=0.26。Bland–Altman分析显示，大多数观测值位于95%一致性界限内，无显著系统偏差。
**5.3 与现有深度学习架构的比较**
将CoAtNet-4与ResNet50、EfficientNet-B0和MobileNetV3-Large进行比较，CoAtNet在大多数面部体征上取得更低MAE和更高Pearson相关系数，表明Transformer与CNN混合架构相比传统CNN能提供更有效的面部皮肤评估表征。
**5.4 年龄相关趋势与一致性**
AI模型准确重现了皮肤科医生观察到的年龄相关进展模式。前额皱纹、鱼尾纹、眉间纹、前额和脸颊色素沉着、脸颊毛孔及下颌松弛等特征均在40多岁人群中呈现加速恶化趋势，与既有临床规律一致。相比之下，唇部干燥未显示明确的年龄趋势，提示其受个体生理或行为因素影响更大。
**5.5 图像来源影响（DSLR vs. 移动设备）**
基于平板和智能手机图像的模型性能保持稳健，但准确率低于高分辨率DSLR图像。大多数面部体征的±1级准确率在两种移动设备上均超过84.2%，表明使用消费级图像进行临床意义评估可行。然而，精确等级准确率显著下降，例如前额色素沉着从DSLR的58.7%降至平板55.2%和手机50.5%。生理预测性能同样下降，脸颊毛孔可见度从DSLR的r=0.79降至手机r=0.51，但所有相关性仍具有统计学意义。将DSLR训练模型直接用于平板和手机图像时，虽然性能下降，但多数特征仍保持较高±1级准确率，显示出合理的跨设备泛化能力。
**5.6 模型可解释性（Grad-CAM）**
Grad-CAM可视化显示，模型持续关注与各评估类别相关的临床相关面部区域，包括皱纹线、色素病变、毛孔密集区和唇部干燥区域，表明模型预测主要由皮肤病学意义的图像特征驱动。
**六、讨论与结论**
讨论部分指出，与以往主要集中于外观分类的AI皮肤评估系统相比，本研究的创新在于同时预测视觉等级和客观生理参数。视觉等级预测的高准确率（±1级超过92%）表明模型能够可靠近似专家评估，并重现40岁左右皮肤老化加速的生物学轨迹。生理参数预测中，色素沉着、毛孔和皱纹等表面可见特征的相关性较强，而水分和弹性等反映深层真皮特征的参数相关性中等，凸显了基于RGB图像预测深层生物物理特性的内在局限性，未来可考虑引入光谱、热成像或生物力学等多模态信息。
图像质量是影响模型性能的关键因素，从受控临床环境向消费者环境转化仍需解决分辨率、光照和姿态差异问题，建议未来结合超分辨率、无监督域自适应及光照/姿态不变特征提取技术。研究局限性包括：数据集仅包含韩国受试者且来自单中心，限制了对其他种族和临床环境的泛化性；未计算正式评估者间一致性统计量（如Cohen's kappa）；缺乏前瞻性验证队列或保留的外部测试集。未来需在多种族、多中心和多样化采集条件下进行外部验证。
结论部分总结：本研究提出了一个基于CoAtNet的深度学习框架，能够从多角度面部图像中同时预测视觉老化等级和生理皮肤参数。模型对关键老化标志物表现出高预测准确率，并与设备定量测量强相关，表明使用标准面部照片即可实现具有临床意义的评估。模型再现年龄相关趋势的能力支持其在皮肤病学研究和皮肤老化长期监测中的应用前景。尽管移动设备图像的性能有所下降，但仍保持临床可接受的准确率，为未来面向消费者的应用提供了可行性。该框架为标准化跨成人年龄范围的临床视觉评估奠定了基础，通过同时捕捉可见老化标志物和潜在的生理参数，弥合了主观专家分级与客观仪器测量之间的差距。未来研究应纳入多种族人群、图像增强方法和多模态学习策略，以增强泛化性和实际部署能力。总体而言，所提出的AI框架有望成为下一代数字皮肤科和个性化护肤技术的基础。
