數據分類算法智慧診療模型在皮膚痤瘡診斷中的研究與應用*

楊聚加，段 然 ，吳亞光，冉 杰，朱 浩

(1.陸軍軍醫大學第一附屬醫院信息科，重慶 400038；2.重慶市人民醫院信息處 400013；3.陸軍軍醫大學第一附屬醫院皮膚科，重慶 400038；4.重慶郵電大學自動化學院 400065)

痤瘡是一種常見的多因素引發的毛囊皮脂腺慢性炎癥疾病，該疾病的誤診往往會對患者的身體與心理產生嚴重的影響，甚至會引發心理疾病[1]。當前，在國內外針對皮膚癌診斷的皮膚鏡圖像輔助診斷系統已得到應用[2]，其診斷主要是臨床醫生借助皮膚鏡采集患者圖像并在顯微鏡下對其進行放大，觀察活體表皮、表皮和真皮交界及真皮乳頭的顏色和結構等，再由醫生的經驗給出非精準的診斷，但皮膚鏡圖像處理技術確是皮膚病早期診斷的有效工具，其對痤瘡診斷起到了至關重要的作用[3]。而利用數據分類算法、人工智能、皮膚鏡圖像處理技術與皮膚診斷學深度融合的自主診斷系統尚未得到應用。醫療診斷系統是醫療與人工智能交叉領域的研究熱點之一，其目標是利用人工智能、大數據分析、診斷學和動力體系等融合研究一種具有強泛化性能的智能醫療診斷模型[4]，用以幫助并輔助臨床醫生對各類疾病提供精準的臨床診斷。本研究是基于數據分類算法、皮膚鏡圖像處理技術、人工智能與皮膚診斷學等多學科跨科深度融合，建立一種具備高效率、高精準、智能化的尋常型痤瘡診斷系統，用于幫助并提高對該病種初診的準確率，為廣大尋常型痤瘡皮膚患者提供精準化的醫療服務。

1 資料與方法

1.1 一般資料

以陸軍軍醫大學第一附屬醫院皮膚科2018-2020年門診確診尋常型痤瘡患者的皮膚鏡影像為研究對象，年齡10～40歲。通過收集并匯總歷史痤瘡皮膚影像數據，在此基礎上利用數據分類算法創建一種針對尋常型痤瘡影像的圖像預處理與特征提取的方法；通過分析海量歷史確診尋常型痤瘡病癥的影像數據特征空間的聚類性、逼近性和攝動性，尋找其具備的共性問題；通過抽取與分析尋常型痤瘡圖像的共性特征，建立智慧尋常型痤瘡診斷模型，進而實現通過皮膚鏡采集患者皮膚影像資料后使用該模型可自動精準診斷是否為尋常型痤瘡病癥的目的。

1.2 研究內容

1.2.1痤瘡皮膚影像的采集與預處理

采集陸軍軍醫大學第一附屬醫院皮膚科2018-2020年患有尋常型痤瘡典型炎癥特征的海量患者皮膚影像數據；再通過使用Brute-Force方法對采集的圖像數據中痤瘡特征進行逐一過濾，目的是得到精準的相關性最大特征并對相關具體問題進行針對性描述。針對一般皮膚鏡影像數據具有的不規則性、冗余性、高維性及不平衡性，開展皮膚影像數據的去噪、篩選、降維等預處理，構建海量的尋常型痤瘡皮膚影像特征樣本數據庫。

1.2.2痤瘡影像區域分割與特征提取

通過采用分割方法對采集到的海量尋常型痤瘡皮膚影像數據中關于痤瘡影像特征區域進行針對性提取，結合尋常型痤瘡病理的形成機制，研究尋常型痤瘡炎癥的影像共性特征，分析特征空間的穩定性與普適性，從而建立一種針對痤瘡影像特征提取的計算模型與方法，形成痤瘡影像典型特征的描述算力。分割方法主要包含但不限于圖形顏色、形狀大小及結構紋理等。

1.2.3尋常型痤瘡特征融合與規范化診斷模型建立

研究與分析海量痤瘡皮膚影像圖像特征，找到共性特征確定融合方法并制訂評價方法；建立基于病理特征的機器學習模型，結合臨床經驗優化痤瘡診斷模型參數設置，同時測試診斷模型的穩定特性和魯棒性能并加以改進完善。

1.3 擬解決問題

1.3.1建立痤瘡炎癥特征的深度挖掘方法

考慮到在實際采集皮膚影像數據過程中會受外部光照、采集姿態等外部因素的影響，導致影像數據質量不高的問題，為此，構建具有實時學習能力的循環神經網絡模型，深層次刻畫尋常型痤瘡炎癥狀態演變的本質和內涵，建立尋常型痤瘡特征的深度挖掘方法是需要首先突破的科學問題。

1.3.2構建基于尋常型痤瘡的智能診斷模型

痤瘡診斷過程中，由于患者所表現的癥狀及特點存在很大的差異，即使屬于尋常型痤瘡，但因患者年齡、發病特征及每位臨床醫生診斷思路等均存在一定的差異，最終可能會出現診斷結果不一致的情況。為此，結合醫院多年的診斷思路，定量分析尋常型痤瘡特征空間變量對診斷結論的影像特性，統觀內部參數的復雜性與外部因素的可變性，構建尋常型痤瘡的智能診斷模型，是需要著力解決的另一個關鍵科學問題。

1.4 方法

1.4.1數據庫的形成

對有效圖像數據質量評估與質量分類，在其評估后的結果進行預處理與圖像分割，從采集的影像圖像中分割出滿足要求尋常型痤瘡臨床表現的重點區域，通過提取炎癥相關的主要特征點，運用數據分類算法與痤瘡臨床表現的不同特征進行分類與關聯，并建立相關的痤瘡特征與分類模型，形成相關數據庫，見圖1。

圖1圖像提取分析流程圖

1.4.2神經網絡模型的建立

(1)wj·(t+1)=wj·(t)+a(f(wj·1,X),(f(wj·2,X)，…(f(wj·n,X))

(2)f(wj·i,X)=sgn(xi-wj·i)d(wj·i,X)，(1)式中為學習率，依此方法充分學習后，競爭獲勝神經元的權向量成為輸入模式的一個聚類中心[16]。

1.4.3模型原理及技術路線

借助神經網絡模型與SVM分類器，以及上述過程中提取的關聯特征與臨床診斷進行對照與分析，從而實現尋常型痤瘡的自動診斷與判定，其模型原理見圖3。綜合上述研究與設計，基于數據分類算法的智慧痤瘡皮膚診療模型在建立初步模型時的技術路線見圖4。

A：傳統循環神經網絡模型；B：模糊循環神經網絡模型。

圖3模型診斷示意圖

圖4技術路線

1.5 研究應用

通常臨床醫生在面對皮膚病患者進行診治時，針對初次就診的患者主要是面對面的咨詢問診和使用儀器設備(電子皮膚鏡)進行常規性檢查與檢測，然后憑借結果根據自己多年的經驗對可能患有的疾病進行診療，并按照診療方案制訂進一步的治療計劃，再通過復診、復查等手段查驗治療效果是否有效與對癥，如發現治療效果不甚理想可及時進行修正，直至找出最優于患者的治療方案。

本研究的應用則是面對門診患者時，臨床醫生只需通過皮膚鏡采集患者發病部位的影像資料，就可通過該模型進行自主提取痤瘡特征區域與模型樣本庫進行對比，并迅速給出臨床診斷、建議與治療方案等，從而提高準確率和節約時間。具體利用模型的臨床診斷思路見圖5。

圖5臨床診斷思路

2 結 果

該診斷模型確立后，隨機抽取來自陸軍軍醫大學第一附屬醫院皮膚科門診就診并且經過初步問診后經醫生判斷需進一步開具皮膚鏡影像檢查的患者，利用武漢博視電子科技有限公司生產的CBS牌CBS-908型號的醫用數碼顯微分析儀(電子皮膚鏡)對患者皮膚發病區域進行圖像采集。圖像采集完成后，通過臨床醫生利用皮膚鏡進行人工診斷和使用本模型結合皮膚鏡進行自動診斷這兩種不同的方式分別針對患者檢查圖像進行臨床診斷。第一組是依據醫生豐富的臨床經驗結合電子皮膚鏡對采集的圖像進行閱讀并給出診斷結果；第二組是利用皮膚鏡在面向患者采集圖像時，基于數據分類算法的智能痤瘡診斷模型實時對并采集圖像進行自主診斷。通過采用相同條件的痤瘡影像數據，經過兩組實驗驗證對比發現人工診斷的準確率(97%)比系統自動診斷(96%)要略高一點，但診斷時間(5.0 min)明顯晚于系統自動診斷(1.5 min)。

3 討 論

本研究是在采集2018-2020年陸軍軍醫大學第一附屬醫院皮膚科門診確診尋常型痤瘡病癥患者的高質量圖像數據基礎上，利用數據分類算法、神經網絡模型與SVM分類器等技術，對圖像數據中的尋常型痤瘡病理區域自動定位、提取、分析和分類各時期尋常型痤瘡的病理特征[17]，并針對性建立相關的各階段影像數據樣本庫，在結合皮膚診斷學與這些痤瘡特征進行精準匹配，從而建立一種智慧尋常型痤瘡診斷模型，且該模型須具備自主學習、不斷完善的能力。該模型建立后用于皮膚科門診患者診治應用中，可快速、智能給出精準的診斷，臨床醫生根據診斷進而給出最優的治療方案。如再將患者的最優治療方案與該模型進行融合，就可形成一種全新的快速、智能和精準一體化智慧診療新模式[18]，其勢必會將尋常型痤瘡的診療向前推移，做到患者足不出戶即可就診的愿景，從而更好地服務于廣大患者與基層衛生單位。