基于圖像信息的帶狀皰疹發展程度遠程診斷判識方法

摘要：隨著遠程醫療技術的不斷發展，基于圖像信息的疾病診斷方法日益受到關注。本文提出了一種基于YOLO模型的帶狀皰疹疾病發展程度遠程診斷判識方法。該方法將帶狀皰疹病情分為輕度、中度和重度三個等級，利用圖像處理和分析算法對患者自行拍攝的皮膚或黏膜部位圖像進行特征提取和分析，結合深度學習模型進行帶狀皰疹病情的自動識別和評估。實際應用中，通過患者自行拍攝帶狀皰疹病變圖像，利用已嵌入的圖像處理和深度學習程序，可實現對帶狀皰疹病變的自動檢測和程度判斷。本方法準確性較高，能夠有效輔助醫生進行遠程診斷，為患者提供便捷的診療服務。

關鍵詞：帶狀皰疹；圖像信息；遠程診斷；判識方法；醫學影像技術

中圖分類號：R752.1+2" " " " " " " " " " " " " " "文獻標識碼：A" " " " " " " " " " " " " " " nbsp; "DOI：10.3969/j.issn.1006-1959.2025.03.004

文章編號：1006-1959（2025）03-0021-05

Remote Diagnosis and Identification Method of Herpes Disease Based on Image Information

WANG Weihua

（Department of Dermatology， University Hospital of Beijing Jiaotong University， Beijing 100044， China）

Abstract： With the continuous development of telemedicine technology， disease diagnosis methods based on image information have attracted more and more attention. In this paper， a remote diagnosis and identification method for the development degree of herpes zoster based on YOLO model is proposed. The herpes zoster is divided into three grades： mild， moderate and severe. The image processing and analysis algorithm is used to extract and analyze the features of the skin or mucosal images taken by the patients themselves， and the deep learning model is used to automatically identify and evaluate the herpes zoster disease. In practical applications， by taking images of herpes zoster lesions by patients themselves， using embedded image processing and deep learning programs， automatic detection and degree judgment of herpes zoster lesions can be realized. This method has high accuracy and can effectively assist doctors in remote diagnosis and provide convenient diagnosis and treatment services for patients.

Key words： Herpes zoster; Image information; Remote diagnosis; Identification method; Medical imaging technology

帶狀皰疹（herpes zoster）是一種由皰疹病毒引起的常見傳染病，都具有相似的結構——有包膜的雙鏈DNA病毒，皰疹病毒科的成員包括130多種，主要分布在α、β、γ三個亞科中，其中有8種自然感染人類，目前，帶狀皰疹的診斷主要依靠臨床癥狀和實驗室檢查，需要專業醫生進行判斷和診斷，其臨床表現主要為皮膚和黏膜出現水皰、皰疹、潰瘍等病變，嚴重影響患者的生活質量[1-3]。然而在某些情況下，患者無法及時就診或專家醫生不在現場，導致診斷的延遲和不確定性，影響治療的及時性和有效性。因此，開發一種能夠實現遠程診斷的方法，對于提高帶狀皰疹患者的診療效率和生活質量具有重要意義[4，5]。很多專家在這一領域已經開展了有益的探索。在人工智能方法應用方面，張由等[6]將 BiLSTM-CRF引人中文電子病歷命名實體識別領域，標注數據集，建立BiLSTM-CRF 模型對電子病歷命名實體進行識別研究。王覓也等[7]利用住院患者病歷資料，采用梯度提升樹構建心梗預測模型，準確率達0.86，成為提高醫生臨床工作效率的有效工具。除風險預測外，近年來一些學者也將深度學習應用到病癥辨證識別之中，探討中醫發展的新思路已經成為眾多學者研究的熱點[8-11]。深度學習技術在圖像識別和分析領域取得了顯著的進展，為實現遠程診斷提供了新的可能性[12-14]。本文以帶狀皰疹疾病為例，提出了一種基于圖像信息的疾病發展程度遠程診斷判識方法，旨在通過分析患者自行拍攝的帶狀皰疹病變圖像，實現疾病程度的自動判斷和診斷。

1數據采集與模型構建

1.1數據采集與處理" 通過從臨床數據庫、研究機構和在線資源中收集大量的帶狀皰疹疾病圖像，這些圖像覆蓋了不同類型和嚴重程度的帶狀皰疹病變。在收集過程中，基于保護患者隱私和醫療信息安全的原則進行數據采集。采集到的圖像經過匿名化處理及歸一化處理，并由專業醫生使用labelimg軟件進行標注和分類。運行環境為Window平臺+ python環境，標注包括病變位置和嚴重程度等信息，以便后續的模型訓練和評估。

1.2 YOLO模型" YOLO模型采用一個單獨的CNN模型實現點對點的目標檢測，整個系統首先將輸入圖片處理，然后送入CNN網絡，最后處理網絡預測結果得到檢測的目標。相比R-CNN算法，其是一個統一的框架，其速度更快，而且YOLO的訓練過程也是點對點的。其中，YOLOv8包括了圖像分類、物體檢測和實例分割的高效算法[15，16]。為了實現對帶狀皰疹疾病程度的圖像識別，選擇YOLOv8模型作為深度學習模型。基Pytorch框架使用收集到的圖像數據集對YOLO模型進行訓練，以便模型能夠自動識別帶狀皰疹病變并進行嚴重程度分類。在訓練過程中，采用數據增強技術來增加訓練樣本的多樣性，包括旋轉、翻轉、縮放等操作，以提高模型的泛化能力。

1.3網絡設計" YOLO采用卷積網絡來提取特征，然后使用全連接層來得到預測值。網絡結構參考GooLeNet模型，包含24個卷積層和2個全連接層。對于卷積層，主要使用1×1卷積來做接近分析，然后緊跟3×3卷積。對于卷積層和全連接層，采用Leaky ReLU激活函數 。

預測效果用分類得分和 IoU表示，組合分析使用分類得分和IoU的高階組合來衡量聯合的程度，通常按照以下計算方法來對每個實例計算節點級的對齊程度[17-19]。

從上邊的公式可以看出來，t可以同時控制分類得分和IoU的優化來實現Task-Alignment，可以引導網絡動態的關注于高質量的節點。

1.4邊緣增強" 邊緣增強操作主要用于加強已經檢測到的圖像信息的邊緣，使視覺感更明顯。拉普拉斯濾波器是一種常用的邊緣增強的濾波器，可通過計算像素與其周圍像素的差值來實現邊緣增強[20，21]。在計算過程中，通過比較目標區域內的像素點與其周圍像素的灰度差異，當差異大于設定的閾值時，該像素點將被標記為邊緣點。

1.5模型部署與系統設計" 訓練好的YOLO模型被部署到遠程診斷系統中，該系統由前端和后端組成。前端界面友好，患者可以通過手機或平板電腦上傳帶狀皰疹病變的圖像，并填寫相關的病史信息。后端系統接收到上傳的圖像后，利用部署的YOLO模型進行自動識別和分類，同時結合患者填寫的病史信息進行綜合評估。

系統在識別和分類完成后，生成診斷報告并提供給醫生進行審核。醫生可以遠程登錄系統，查看患者的診斷報告和圖像，并根據實際情況提出治療建議。同時，系統還支持醫生和患者之間的在線交流，方便溝通和咨詢。

1.6疾病程度判識方法" 基于訓練好的YOLO模型，提出一種疾病程度判識方法。基本程序劃分為5個步驟，首先是圖像輸入，患者自行拍攝帶狀皰疹病變圖像，并通過遠程診斷系統上傳。第二是圖像識別，遠程診斷系統利用訓練好的YOLO模型對上傳的圖像進行識別和定位，確定病變區域。第三是特征提取，病變區域的圖像特征被提取出來，包括形狀、顏色、紋理等特征。第四是疾病程度判定，基于提取的圖像特征，采用深度學習算法引擎對疾病程度進行判定，將病變分為輕度、中度和重度三級。第五是診斷報告生成，生成包含疾病程度判定結果的診斷報告，提供給醫生和患者參考。

2測試試驗

2.1數據采集

2.1.1 數據來源" 為了評估遠程診斷系統的性能和效果，需要開展應用研究試驗。一定數量確診為帶狀皰疹疾病的患者參與試驗，這些患者年齡、性別、病史等特征各異。患者拍攝帶狀皰疹病變圖像，并提供相關的病史信息。同時，需要記錄患者的基本信息、臨床特征等數據。

2.1.2數據采集" 專業醫生對其進行檢查，并拍攝帶狀皰疹病變的圖像。圖像采集包括腿部、背部等常見感染部位，以確保數據的全面性和代表性。本實驗采用90份病例樣本集，按照9∶1的比例劃分為訓練集與測試集，三種病變程度見圖1。

帶狀皰疹的病情嚴重程度可以分為輕度、中度和重度。下面將詳細介紹這三個分期的特點：

輕度：輕度帶狀皰疹病程較短，皮疹數量較少，局部皮膚疼痛輕微。患者可能不會出現發熱或輕度發熱、乏力等全身癥狀，但對日常生活影響較小。皮疹沿神經分布，紅斑和水皰較少，恢復速度較快。

中度：中度帶狀皰疹病程較長，皮疹數量較多，局部疼痛較明顯。患者可能會出現中度發熱、乏力等全身癥狀，對日常生活有一定影響。皮疹沿神經分布，紅斑和水皰比較多，恢復速度較慢。

重度：重度帶狀皰疹病程更長，皮疹集簇性分布，數量更多，局部疼痛劇烈。患者可能會出現高熱、嚴重乏力等嚴重全身癥狀，對日常生活造成較大影響。皮疹沿神經分布，紅斑和水皰數量較多，病程恢復較慢。重度帶狀皰疹還可能出現并發癥，如神經痛、皮膚感染等。

2.1.3數據處理與標注" 采集到的圖像經過匿名化處理后，由專業醫生進行標注和分類。標注內容包括病變類型、位置、大小和嚴重程度等信息，以便模型后續樣本集的持續擴充和優化。

2.2遠程診斷與結果分析" 上傳的病變圖像經過系統自動識別和分類后，生成診斷報告，作為標記標簽。邀請多位專業醫生對診斷報告進行審核，其結果作為對照組；系統診斷結果作為試驗組，二者結果進行對比分析。在審核過程中，醫生考慮患者的病史、臨床表現等因素，并提出相應的治療建議。

2.2.1試驗組設置" 試驗組的患者通過自行拍攝帶狀皰疹病變的圖像，并填寫相關的病史信息。上傳的圖像經過系統自動識別和分類后，生成診斷報告。診斷報告包括病變類型、位置、嚴重程度等信息，同時結合患者填寫的病史信息進行綜合評估，作為標記標簽進行后續結果驗證。醫生通過查看患者的診斷報告和圖像，并根據實際情況提出治療建議。

2.2.2對照組設置" 對照組的患者采用傳統的面診方式進行診斷，需要到醫院皮膚科門診，由醫生進行病史詢問、體格檢查和診斷，得出病變程度信息并進行標注。

2.2.3結果分析與對比" 在試驗結束后，對試驗組和對照組的診斷結果進行對比分析，見圖2。

將9組試驗組與對照組結果進行對比，基于圖像信息的遠程診斷方法表現出較高的準確性。在大規模數據集上的測試中，遠程診斷過程具有較高的實時性，可在短時間內完成診斷和判別；在多個實驗場景下進行測試和驗證后，遠程診斷方法表現出較高的可靠性和穩定性，適用于不同的醫療環境和患者群體。

綜合評估結果顯示，基于圖像信息的帶狀皰疹疾病發展程度遠程診斷判識方法在實際應用中具有較高的可行性和應用價值，能夠為患者提供及時有效的診斷服務，為醫生提供輔助決策支持。后續將不斷擴充樣本集，從而進一步優化算法，擴大應用范圍，提升系統性能。

3總結

帶狀皰疹的嚴重程度會因個體差異而異，因此在出現癥狀時，應及時就醫確診并接受合適的治療。同時，保持良好的生活習慣和飲食結構，增強身體抵抗力，可以降低帶狀皰疹的發生和風險，降低嚴重程度。帶狀皰疹是一種常見的病毒性感染皮膚病，及早治療和預防措施的采取對于緩解癥狀和避免并發癥的發生非常重要。本文提出了一種基于圖像信息的帶狀皰疹疾病發展程度遠程診斷判識方法，通過使用YOLO模型進行帶狀皰疹病變的自動識別和分類，結合患者的病史信息進行綜合評估，系統能夠快速、準確地為患者提供診斷和治療建議，為遠程醫療服務提供了重要支持。隨著樣本集的擴充，算法將不斷優化，并對病變進行更準確的識別和判斷，為遠程醫療和智慧醫療領域的發展做出更大的貢獻。

參考文獻：

[1]李三林.帶狀皰疹患者發生后遺神經痛的相關因素研究[J].醫學信息，2024，24，37（8）：114-117.

[2]吳鷗，劉益明，田艷會，等.溫針灸聯合龍膽瀉肝湯治療帶狀皰疹后遺神經痛的效果[J].中華中醫藥學刊，2020，38（11）：101-104.

[3]范虹，薛超，王琦秒.聚肌胞注射液聯合更昔洛韋眼用凝膠治療眼部帶狀皰疹的療效[J].醫學信息，2024，37（8）：137-139.

[4]王勇.第二劑次水痘疫苗不同接種方案免疫原性及水痘帶狀皰疹病毒基因型研究[D].南京：南京醫科大學，2020.

[5]馬宸睿，孟子琪，邊新宇，等.基于中成藥知識圖譜的知識推理及智能推薦[J].醫學信息學雜志，2024，45（4）：14-20.

[6]張由，李舫.基于K-BERT的中文婦產科電子病歷實體識別研究[J].醫學信息，2024，37（1）：65-71.

[7]王覓也，鄭濤，劉然.基于人工智能的心梗風險預測輔助決策系統研發[J].中國衛生信息管理雜志，2021，18（6）：819-824，842.

[8]Gatherer D，Depledge DP，Hartley CA，et al. ICTV virus taxonomy profile：Herpesviridae 2021 [J].J Gen Virol，2021，102（10）：001673.

[9]Connolly SA，Jardetzky TS，Longnecker R.The structural basis of herpesvirus entry[J].Nat Rev Microbiol，2021，19（2）：110-121.

[10]周航寧，謝鳳英，姜志國，等.基于深度學習的皮膚影像分類[J].協和醫學雜志，2018：37（1）：15-18.

[11]代闖闖，欒海晶，楊雪瑩，等.基于卷積神經網絡的皮膚病診斷多二分類器研究[J].高技術通訊，2022，32（10）：1025-1035

[12]張瀟昂，廖雨萍，張達穎，等.基于隨機森林模型的帶狀皰疹后神經痛患生命意義感影響因素分析[J].軍事護理，2023，40（12）：55-59.

[13]蔡立志，章偉，陳敏剛，等.基于深度學習的細粒度皮膚癌圖像分類研究[J].計算機應用與軟件，2023，40（6）：140-146.

[14]符雄琳，龍發青.CT灌注成像輔助診斷單純皰疹病毒1型腦炎一例[J].新醫學，2023，54（3）：226-230.

[15]毛天藝，肖喻，方木平.帶狀皰疹后神經痛的危險因素及其列線圖預測模型[J].中國現代醫生，2023，61（16）：18-22，26.

[16]謝鳳英，趙丹培，王可，等.基于多模態圖像融合的早期蕈樣肉芽腫識別[J].數據采集與處理，2023，38（4）：792-801.

[17]高偉鋒.基于YOLOv8的柑橘病蟲害識別系統研究與設計[J].智慧農業導刊，2023，3（15）：27-30.

[18]周宏平，金壽祥，周磊，等.基于遷移學習與YOLOv8n的田間油茶果分類識別[J].農業工程學報，2023，39（20）：159-166.

[19]吳紅娟.基于模糊神經網絡的圖像目標檢測技術分析[J].長江信息通信，2022（12）：63-66.

[20]曾惠霞，吳訓忠.基于MATLAB的數字圖像處理系統的實現[J].微型電腦應用，2023，39（8）：79-82.

[21]張錚，徐超，任淑霞，等.數字圖像處理與機器視覺[M].北京：人民郵電出版社，2014.

收稿日期：2024-05-27；修回日期：2024-06-24

編輯/成森