潘煒華

真菌會感染人體的皮膚、黏膜、甲、毛發(fā)部位等，導(dǎo)致出現(xiàn)淺部感染，且感染患者數(shù)量眾多，是人類健康不容忽視的“殺手”。傳統(tǒng)診斷皮膚真菌病主要依靠直接鏡檢、真菌培養(yǎng)及組織病理檢查，存在陽性率低、耗時長、假陽性率高、侵入性強及依賴經(jīng)驗易誤診等缺陷，給患者和醫(yī)療系統(tǒng)帶來負擔。隨著智能診斷技術(shù)不斷發(fā)展，其在皮膚真菌病中的應(yīng)用正迅速改變傳統(tǒng)診療模式，為醫(yī)生和患者帶來更高效、精準的診療體驗。本文對智能診斷在皮膚真菌病的應(yīng)用進行闡述，以期為皮膚真菌病的精準診斷提供借鑒。

■人工智能圖像識別技術(shù)的優(yōu)勢與應(yīng)用■

直接鏡檢受取材質(zhì)量和技術(shù)員經(jīng)驗等主觀因素影響較大，鏡檢陽性率約為74%；真菌培養(yǎng)耗時2～3周，且培養(yǎng)陽性率不高，我國一項多中心甲真菌病病原菌流行病學(xué)調(diào)查顯示真菌培養(yǎng)陽性率僅為53.9%，還有研究報道真菌培養(yǎng)的假陽性率高達30%；組織病理檢查為侵入性操作，且臨床費用相對較高，患者心理上一般很難接受組織活檢。另一方面，目前大多基層醫(yī)生僅憑經(jīng)驗來診斷皮膚真菌病并進行臨床用藥，無疑增加了臨床誤診誤治的概率，給患者心理和經(jīng)濟帶來了不必要的負擔，且因誤診極有可能錯漏了其他疾患造成嚴重后果。

隨著計算運算能力的提升及卷積神經(jīng)網(wǎng)絡(luò)（CNN）的發(fā)展，人工智能（AI）圖像識別的準確率大幅度提升。AI在圖像識別上具有以下優(yōu)勢：首先，AI不會像人一樣被感官差異所影響。醫(yī)生（技師）通過肉眼對不同的圖像展開對比分析，從中直接獲得相應(yīng)的信息要素，但在一些表現(xiàn)相似的圖像中，讀片時容易出現(xiàn)誤判的情況。而AI將大量的圖像集中存儲起來，通過排列對比分析，獲得最為直觀的數(shù)據(jù)信息，之后將這些數(shù)據(jù)信息存儲在系統(tǒng)中，當需要識別結(jié)果的時候，能夠直接從中獲得參考。其次，人們?nèi)庋圩R別圖像的過程往往都是極為短暫的，并不能長期記憶圖像信息數(shù)據(jù)，而AI卻能夠長久保存數(shù)據(jù)并不斷獲取新的數(shù)據(jù)。此外，AI還可以提高診斷的準確率，對真菌明顯的形態(tài)特征差異，如孢子、菌絲的大小、形態(tài)、分布進行精準識別。

Deeplabv3+作為新出現(xiàn)的CNN算法，引入了帶有空洞卷積的編碼-解碼器結(jié)構(gòu)?？斩淳矸e結(jié)構(gòu)相比于傳統(tǒng)的卷積結(jié)構(gòu)而言，可以在不改變特征圖大小的前提下減少采樣操作，減少了模型訓(xùn)練的參數(shù)量，使模型訓(xùn)練更加高效；而編碼-解碼結(jié)構(gòu)能夠讓特征圖恢復(fù)詳細的邊界信息，使輸出結(jié)果不會因為邊界信息的缺失出現(xiàn)誤差。Deeplabv3+相比于其他神經(jīng)網(wǎng)絡(luò)算法在圖像訓(xùn)練上更加高效，在識別結(jié)果上更加準確。圖像采集庫系統(tǒng)V1.1中的多邊形工具可以對圖像的目標特征進行標注，在圖像進行訓(xùn)練前增加人工標注可以使圖像訓(xùn)練效率進一步提升，圖像輸出結(jié)果內(nèi)容更加豐富。

AI識別皮膚癬菌的準確率為90.32%，平均每百張圖像的處理時間為4.67±0.14 min，與人眼識別準確率及速率相當，且AI識別結(jié)果更為穩(wěn)定，長時間批量處理數(shù)據(jù)的能力更強，同時能夠?qū)D像中的菌絲及孢子數(shù)量進行計數(shù)，輸出結(jié)果內(nèi)容較人眼更為豐富。因此將AI用于熒光圖像分類是切實可行的，采用形態(tài)學(xué)觀察法可初步對樣本進行判斷并將該技術(shù)普及到全國尤其是基層醫(yī)院，降低臨床醫(yī)生的工作壓力，提升真菌檢測的準確率及效率，實現(xiàn)精準醫(yī)療。

■融合算法模型的創(chuàng)新與突破——以甲真菌病為例■

在病種方面，筆者團隊聯(lián)合病灶識別與臨床模型預(yù)測的機器學(xué)習(xí)融合算法在甲真菌病診斷中作了研究。臨床上甲真菌病易與甲銀屑病、甲營養(yǎng)不良等甲病發(fā)生混淆。在診斷為甲真菌病的患者中，治療無效與復(fù)發(fā)的概率約25%，診斷不當是導(dǎo)致治療失敗的一個重要因素。

本團隊聯(lián)合皮膚鏡圖像CNN算法和XGBoost（eXtreme Gradient Boosting）算法分析預(yù)測研究，以開發(fā)一種高效、準確、無創(chuàng)的檢測方法用于甲真菌病患者的臨床輔助診斷。主要內(nèi)容包括：①兩種皮膚鏡圖像CNN算法融合應(yīng)用于甲真菌病的診斷研究，包括YOLOv11算法和Faster R-CNN算法。該研究納入甲真菌病、甲銀屑病、甲營養(yǎng)不良和健康甲的皮膚鏡圖片，通過CNN進行建模訓(xùn)練。利用計算機模型深度學(xué)習(xí)上述皮膚鏡圖片，不斷訓(xùn)練模型使其掌握診斷甲真菌病和鑒別易混淆甲病的能力，調(diào)整參數(shù)、優(yōu)化模型，將完善后的兩個診斷模型進行融合應(yīng)用。②AI技術(shù)中機器學(xué)習(xí)的XGBoost算法。XGBoost以其訓(xùn)練速度快、擬合能力強和靈活準確的特點成為解決分類問題的常用工具之一，并且由于其模型具有輸入數(shù)據(jù)要求不高、自動變量選取等優(yōu)勢，已被廣泛應(yīng)用于統(tǒng)計學(xué)、數(shù)據(jù)分析和AI領(lǐng)域?；诩渍婢』颊叩呐R床元數(shù)據(jù)信息，包括一般情況、發(fā)病特點、病史情況、受累甲況、臨床癥狀體征和病甲類型等信息，利用機器學(xué)習(xí)的XGBoost算法構(gòu)建預(yù)測模型，讓模型學(xué)習(xí)元數(shù)據(jù)信息，并對訓(xùn)練出來的模型進一步做參數(shù)調(diào)優(yōu)，提高甲真菌病臨床預(yù)測模型的精度。③將上述CNN目標檢測的圖像診斷模型和XGBoost算法構(gòu)建的元數(shù)據(jù)預(yù)測模型進一步融合，輔助甲真菌病的臨床診斷。

從疾病病種層面探索了“二次融合的4分類模型”，并將該研究“精準到皮膚鏡特征水平的15分類模型”和其他學(xué)者利用皮膚鏡圖片構(gòu)建的“甲真菌病病種層面的模型”共同分析，初步得出結(jié)論：納入更多維度的數(shù)據(jù)信息、優(yōu)化模型參數(shù)、聯(lián)合不同算法能夠在實現(xiàn)甲真菌病更精準分類的同時，進一步提升AI模型的整體識別效能。所開發(fā)的甲真菌病診斷的原型系統(tǒng)，支持多維度數(shù)據(jù)的輸入與分析，通過Faster R-CNN和YOLOv11的皮膚鏡診斷模型，XGBoost的臨床信息模型，皮膚鏡圖像和臨床信息二次融合模型等輸出常規(guī)模型的獨立診斷和二次融合模型的綜合診斷結(jié)果，全面輔助臨床醫(yī)生決策。在最后開展的“人機對比測試”，二次融合機器模型的診斷能力與少數(shù)高水平專家相當，并顯著超越了大部分皮膚科醫(yī)生的診斷水平，且耗時短，診斷效率遠超參與測試的所有醫(yī)生。

該融合診斷模型能很好地彌補甲真菌病傳統(tǒng)診斷方法的上述缺陷，只需熟悉采圖流程和常規(guī)的病史采集，就能快速、準確地分析圖像和元數(shù)據(jù)資料并出具報告。模型操作便捷，對平臺依賴性小，醫(yī)療機構(gòu)準入門檻低，未來推廣應(yīng)用，將產(chǎn)生極大的經(jīng)濟效益和社會效益。

（作者：海軍軍醫(yī)大學(xué)第二附屬醫(yī)院皮膚科 潘煒華）