点击标题下「蓝色微信名」可快速关注
摘要
斑秃是一种全球性的毛发疾病，其诊断过程存在一定主观性和经验性。人工智能（AI）在医学图像分析，特别是精确评估脱发面积和疾病进展方面提供了重要帮助。本文综述了AI在斑秃诊断中的具体应用，如自动化SALT评分和深度学习模型Alo Net等。此外，还探讨了皮肤镜在毛发检测中的应用，以及AI在未来皮肤病学和毛发领域的发展前景。总的来说，AI在提高斑秃诊断准确性、预测疾病发展趋势以及改善医疗体验方面展现出巨大潜力。
李怡1 喻楠2 董灵娣2 杨家慧2 高永龙2
1宁夏医科大学，银川750004；2宁夏医科大学总医院皮肤科，银川750004
通信作者：喻楠， Email：13895095009@163.com
斑秃作为临床常见的毛发疾病，在全球人群中发病率约为2%，且随着时间推移发病率不断上升［1］。斑秃的诊断不难，但是对于皮肤科医生来说，很难通过肉眼准确评估初始脱发面积及判断疾病变化程度，这就需要借助人工智能（artificial intelligence，AI）系统来管理。作为一门计算机科学，AI很难被明确定义，简单来说，它是一个用来创建旨在重现人类认知和复杂数据分析过程的程序［2］。将临床数据与AI相结合，可以使得以前一些模糊的或者主观色彩强烈的疾病诊断问题得到更好的判断。皮肤病学是一个高度依赖庞大图像数据库的领域，涵盖了临床诊断、皮肤镜检查和皮肤病理等方面。随着数字化进程的推进，每位皮肤科医生都必须广泛而深入地理解并掌握AI技术［3］。目前，AI在皮肤病学领域的应用主要是在医学图像的设计和自动分析方面［4］，相关研究主要涉及皮肤肿瘤、色素性皮肤病、银屑病和特应性皮炎等。本文就AI在斑秃诊治中的应用进行综述。
一、AI用于评价斑秃的严重程度
视觉检测已被应用于毛发疾病的评估，以判断脱发的严重程度和模式。目前，深度学习用于斑秃的诊断逐渐成为一个热门方向。SALT评分是一种全球性的斑秃脱发严重程度评分，反映了斑秃脱发的百分比。然而，评估SALT分数不仅耗时，而且评估者有极大主观性，也不容易通过快速的视觉评估作出准确判断。在最开始的Olsen等［5］研究中，就已经注意到这一点。其他一些文章中也报道过利用组织学图像评估头发密度和直径的方法，但这些方法未能转化为临床应用工具［6-7］。此外，Hoffmann［8］提出一种专门的图像捕捉设备TrichoScan，用于观察头发生长参数，但未对其方法进行验证。
Bernardis和Castelo-Soccio［9］为了提高诊断效率及评分的可重复性，开发了一种SALT评分的自动化方法，由一名毛发专家对100例患者的250余张图像的数据库进行注释后，就可以自动描绘出正常头发与斑秃的头皮区域，并且识别毛发密度低的区域。结果显示，SALT评分自动化算法与既往斑秃研究中临床观察到的变率相当。而且该算法仅用几秒钟就可完成4张图像的评估，临床医生的评估时间约为7 min，计算机速度明显快于医生肉眼评估速度。
Lee等［10］开发了一个深度学习模型用来计算SALT评分，名为Alo Net（1.0版本）。其研究先对由皮肤科医生标注的18例斑秃患者的2 000多张图像进行深度神经网络的训练和验证。其后为了测试该程序，8名皮肤科医生首先裸眼评估了400张图像，接着在模型的帮助下再次评估，结果显示，计算机辅助测量提高了评估的准确性和判读结果的可靠性。
在另一项前瞻性研究中，卷积神经网络被用来获取图像并将其转换成数字格式，同时从数据库中检索相似图像。应用程序采用机器学习技术分析图像，并通过将上传的图片与系统内部的数据集进行比对来预测潜在的皮肤疾病诊断。用户通过上传图片并回答几个问题，系统就能分析并诊断出所呈现的病情。研究中纳入28例脱发患者，将AI诊断结果与皮肤科医生的诊断做分析，显示AI诊断出脱发的准确率为100%［11］。
此外，AI现在已被用于收集有关脱发类型、头发厚度、头皮敏感性和头发密度等方面的数据。Shih［12］开发了一种基于无监督学习的自动头发分割和计数系统，它使用数码显微镜获得图像，并对头皮毛发进行分割和计数，可确定毛发的直径、密度、长度和头皮油脂分泌程度，并且减少了评估头皮和头发所需的时间。
AI及其应用可能成为医务人员在图像采集、处理、解释、报告和制定后续诊疗计划方面的重要辅助手段。AI还能利用数据整理及挖掘功能为我们提供不同方面的数据，例如评估斑秃患者对药物疗效满意度。Jueng等［13］利用AI分析了社交媒体网站上，斑秃患者对特定治疗的看法，结果表明大多数（>75%）的患者觉得治疗后自己的疾病有一定的改善。但在药物方面，对于地塞米松（口服）治疗，仅少部分（34.5%）患者给予积极评价，更多的是没有改善或恶化。对应用米诺地尔（外用）、JAK抑制剂（口服）和泼尼松（口服）患者的积极情绪明显高于负面情绪。对于精油（外用）和曲安奈德（注射）的治疗，绝大多数患者注意到了改善并觉得效果满意。
近年来，尽管我们对斑秃的发病机制和治疗的了解有所增加，但斑秃患者的预后仍然不佳，特别是进展为全秃或普秃时。国内的一项研究［14］第一次尝试将机器学习算法应用到斑秃个体预测中，他们采集了122份人头皮活检标本进行生物信息学分析，筛选出与全秃或普秃相关的关键基因，并使用8种不同的机器学习算法构建生物标志物，建立了预测斑秃患者发展为全秃或普秃风险的高精度模型。结果显示，机器学习算法在识别重度斑秃类型方面具有很高的预测准确性（最高内部验证曲线下面积为0.879），提示机器学习算法在改善临床斑秃患者的管理和为临床决策提供信息方面具有很好的应用前景；但是该研究样本量较少，还需要大规模、多中心的研究来证实其研究结果。
AI应用程序可用于头发检测和头发生长测量，同时在笔者的研究中，也正在努力实现AI与临床的结合。在评估中，“短发患者”更方便于我们的系统识别（图1），AI可以利用其精准识别功能，数分钟内计算出脱发区面积（表1）。“长发患者”或特殊类型如弥漫型斑秃患者，为面积评估带来了困难。为了方便计算，我们常建议患者剃短发，但这并不为很多女性患者接受。为此，笔者采用“分层次拍摄”的方法尽可能暴露脱发区面积，随后利用计算机重叠图层进行面积计算。随着斑秃患者数量的增加，其诊断的准确性、疾病发生发展过程的预测、治疗后的疗效判断及预后分析等都成为我们亟待解决的问题。随着AI越来越广泛地应用，临床医生更应该考虑的是其潜在的有利性和局限性。
E~H中，绿色区域为头部分区，红色区域为脱发区
图1 某患者原发脱发区及人工智能评估面积图 脱发图示：头顶区（A）、枕部区（B）、右侧颞区（C）、左侧颞区（D）；人工智能程序评估图示：头顶区（E）、枕部区（F）、右侧颞区（G）、左侧颞区（H）
| 部位 | SALT头部分区占比（%） | 头部分区面积（像素数目） | 脱发面积（像素数目） | 脱发面积 /头部分区面积 | 分区SALT评分（%） |
|---|---|---|---|---|---|
| 左侧颞区 | 18 | 3 053 002 | 966 088 | 0.316 4 | 5.695 2 |
| 右侧颞区 | 18 | 2 613 653 | 1 464 338 | 0.560 3 | 10.085 4 |
| 头顶区 | 40 | 3 079 330 | 1 569 404 | 0.509 7 | 20.388 0 |
| 枕部区 | 24 | 3 038 372 | 1 706 425 | 0.561 6 | 13.478 7 |
| SALT分数 | 49.647 3 |
人工智能分析患者脱发区面积
二、皮肤镜图像分析技术在斑秃诊疗中的应用
皮肤镜（又称毛发镜）检查因其无创性、价值性、快速性而在皮肤病学中应用广泛，常用于评估脱发，分为手动皮肤镜（×10放大倍数）或自动化皮肤镜（×1 000放大倍数）［15］。皮肤镜可清晰显示毛干、毛囊开口状况、毛囊周围色素、头皮情况甚至汗腺导管开口情况［16］，在斑秃患者中可以清晰观察到明显的黄点征、黑点征、断发、感叹号状发、短毳毛增多等（图2）。因此，皮肤镜检查也是皮肤科医生诊断、随访和评估毛发疾病治疗反应的重要工具。
C~F中白箭头所指分别为黄点征、感叹号状发、单个黑点征毛囊、断发
图2 皮肤镜下毛发疾病表现 黑点征（A）、短毳毛增多（B）、黄点征（C）、感叹号状发（D）、单个黑点征毛囊（E）、断发（F）
Chang等［17］提出了一种基于深度学习的头皮毛发检测诊断模型ScalpEye.16，该模型由便携式头皮毛发镜、手机APP、云端AI训练服务器、云端管理平台组成。目前可以诊断头皮屑、头皮毛囊炎、脱发和油性头发等常见问题，准确率为97.40%~99.09%。该系统还可对问题的严重程度进行评分。
Lama等［18］设计出一种毛发检测方法ChimeraNet，采用一种新颖的深度学习技术来识别头发结构。该方法训练、验证和测试了共1 333张图像，系统可以极为准确地从图片中识别和去除毛发，特别是对于毛发稀疏、重叠、褪色或与皮肤颜色相似或覆盖在皮损病变上的毛发，使深度学习技术在毛发检测应用方面的性能明显提升。
在皮肤镜数字化评估方面，国内的厂家已经配备了毛发评估系统，可以精确地评价靶部位毛发密度，并标注出细发、粗发、中间发以及毳毛、终毛比例（图3），为临床对毛发疾病的初步评估提供了基本参数。
图3 皮肤镜下毛发评估系统对各种毛发计数并标记
三、AI与毛发病理学
毛发组织病理学作为一个高度专业化的领域，随着数字化技术的进步已经实现了全玻片成像（whole slide imaging，WSI），可以将载玻片转化为数字文件，根据需要在未来不同时间、不同地点快速轻松查看，并且能做到处理、分析、共享组织的数字图像［19］。而与病理学相关的AI，核心是建立一个可供机器学习的知识库，并创建诊断模式和算法，以缩短病理医生的报告时间。目前这种方法已经在乳腺癌受体的定量分析中展现出较大潜力，以支持该疾病组织学上的评估［20］。在毛发中也可能通过建立支持计算机学习的基础模型和数据收集来推进AI，WSI允许病理医生在文件上标注，突显关键诊断特征，例如测量样本的大小和毛囊的直径（横切面活检）。识别毛囊及测量毛干直径有利于确定毳毛与终毛比率，并且在将来随着深度学习算法的进一步扩展，还可做到识别每平方毫米的总头发数，这将比目前的一些评估方法准确得多［21］。
四、问题与展望
AI在皮肤病学和毛发学领域已经迅速崛起，大多数当前和新兴的AI技术在皮肤科的应用都集中在图像分析方面，斑秃相关研究数目有限，且很多研究尚处于初级阶段，还存在包括数据样本有限、缺乏长期随访数据、缺乏多样性的样本、缺乏与临床医生比较、缺乏统一的评价指标等问题。
未来，随着信息技术不断发展，AI可能有助于实现更准确、更专业、更经济、更个性化的辅助诊断和治疗，我们期待AI在斑秃中的应用可以提高诊断的准确性、预测预后，并且为患者提供合适的诊疗建议，缩短患者就医时间，为医生和患者带来更好的医疗体验。我们相信未来AI会成为临床和研究数据生成的强有力工具。
（参考文献见本刊网站）
杂志介绍
《数字医学与健康》（CN 10-1909/R，ISSN 2097-3349）是由中国科协主管、中华医学会主办的多学科交叉性学术期刊。本刊已被“中华医学期刊全文数据库”“维普中文期刊资源数据库”“万方数据库”收录。
办刊宗旨：聚焦国内外数字医学和健康领域的最新发展方向，刊载数字医学和健康领域的新理论、新技术、新方法，打造学术与技术的交流与合作平台，助力“健康中国”战略。
报道范围：国内外数字医学和健康领域前沿进展；数字和信息技术在公共卫生、疾病预防、健康管理、精准医疗、辅助决策、药物研发、临床科研、行业治理、医院管理、医学教育、医疗保险、数据管理及安全等领域的应用；医学和健康与现代信息学等相关学科交叉领域的新理论、新技术、新观点等；数字医学和健康领域的国家政策和法规、行业标准和共识、循证指南、伦理要求及产业信息。
主要栏目：述评、专家笔谈、标准与规范、论著、研究方法与报告、综述、产业研究、未来医学、技术介绍与评估、伦理与监管、讲座、文献速览等。
编辑部地址：北京市西城区东河沿街69号405室，邮政编码：100052。
联系电话：010-51322158，Email：dmh@cmaph.org。
更多阅读：
