近日，空軍特色醫(yī)學(xué)中心蔡宏主任在《科學(xué)通報(bào)》上發(fā)表基于生成對(duì)抗網(wǎng)絡(luò)的痤瘡物理治療效果預(yù)測的研究論文，針對(duì)多發(fā)于青少年的痤瘡進(jìn)行了臨床物理治療的新技術(shù)展望。

痤瘡的臨床表現(xiàn)包括丘疹、膿皰、結(jié)節(jié)等多種皮損類型，常伴隨炎癥后紅斑和色素沉著。嚴(yán)重影響患者的外觀、生活質(zhì)量與心理健康。目前臨床上的物理治療手段包括強(qiáng)脈沖光（intense pulsed light,IPL）、點(diǎn)陣激光、果酸煥膚等方法。然而，由于患者個(gè)體差異、皮損多樣性以及治療參數(shù)選擇復(fù)雜性，治療效果往往難以預(yù)測。臨床上對(duì)于痤瘡物理治療的選擇主要依賴皮膚科醫(yī)生的臨床經(jīng)驗(yàn)，低年資的醫(yī)生往往不具備相應(yīng)的能力與知識(shí)。這種不確定性常常導(dǎo)致治療周期延長、醫(yī)療成本增加，并影響患者治療依從性。因此，本研究目的是基于生成對(duì)抗網(wǎng)絡(luò)，構(gòu)建一個(gè)能夠準(zhǔn)確生成經(jīng)過不同方式治療后的痤瘡皮損圖像的模型，幫助皮膚科醫(yī)生為患者制定個(gè)體化治療方案，優(yōu)化治療選擇，避免無效或過度治療。

圖1 痤瘡預(yù)測模型的構(gòu)建

1.模型構(gòu)建。（1）數(shù)據(jù)收集：收集空軍特色醫(yī)學(xué)中心皮膚科激光中心門診診斷包含“痤瘡”的病歷數(shù)據(jù)，共計(jì)826人。通過納入、排除標(biāo)準(zhǔn)篩選得到756例患者；（2）圖像采集與預(yù)處理：流程如圖1所示，所有圖像由3名工作人員在標(biāo)準(zhǔn)化條件下進(jìn)行拍攝。對(duì)患者治療前后同一病灶圖像進(jìn)行裁剪。最終納入分析的1709對(duì)圖像，包括IPL組798對(duì)，化學(xué)換膚組391對(duì)，聯(lián)合治療組520對(duì)。每個(gè)治療組內(nèi)的數(shù)據(jù)按照8：2的比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集。并使用隨機(jī)裁剪、隨機(jī)水平、隨機(jī)旋轉(zhuǎn)、隨機(jī)翻轉(zhuǎn)等方式進(jìn)行數(shù)據(jù)增強(qiáng)，并加入自定義的高斯噪聲，使得模型在面對(duì)噪聲干擾時(shí)也能提取到穩(wěn)定的特征；（3）采用基于循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)（Cycle-Consistent Generative Adversarial Network，CycleGAN）架構(gòu)對(duì)痤瘡物理治療前后皮膚狀態(tài)進(jìn)行建模與轉(zhuǎn)換。在CycleGAN的訓(xùn)練過程中，生成器和判別器交替更新，通過對(duì)抗損失驅(qū)動(dòng)生成器生成真實(shí)感圖像，同時(shí)利用循環(huán)一致性損失確保圖像轉(zhuǎn)換過程中的結(jié)構(gòu)信息得以保留。此外，身份映射損失在一定程度上約束了生成器在轉(zhuǎn)換過程中不引入過多不必要的變化。模型的訓(xùn)練以及后續(xù)的實(shí)驗(yàn)均在兩塊NVIDIA RTX 4090 GPU中實(shí)現(xiàn)。

2.生成圖像評(píng)估。（1）客觀評(píng)估：使用驗(yàn)證集中350張真實(shí)治療后的圖像和350張CycleGAN生成的圖像進(jìn)行對(duì)比評(píng)估。結(jié)果證明，兩組圖像在RGB通道的像素強(qiáng)度，亮度和顏色飽和度，結(jié)構(gòu)相似性指數(shù)均高度接近；（2）皮膚科醫(yī)生主觀評(píng)估：從驗(yàn)證集隨機(jī)抽取50對(duì)圖像分為Ⅰ、Ⅱ兩組，其中Ⅰ組25對(duì)均為生成圖像（真實(shí)治療前圖像 + CycleGAN生成治療后圖像），Ⅱ組25對(duì)包含12對(duì)生成圖像（真實(shí)治療前圖像 + CycleGAN生成治療后圖像）和13對(duì)真實(shí)圖像（真實(shí)治療前圖像 + 真實(shí)治療后圖像），所有圖像經(jīng)過匿名編號(hào)和隨機(jī)排序后，由 3 名資深皮膚科醫(yī)師獨(dú)立判斷每對(duì)圖像中的“治療后”圖像是真實(shí)圖像還是生成圖像。評(píng)估前未告知醫(yī)師各組圖像中真實(shí)圖像與生成圖像的比例構(gòu)成。結(jié)果顯示，CycleGAN 生成的圖像能夠以較高的保真度模擬真實(shí)治療后的圖像，使得臨床經(jīng)驗(yàn)豐富的皮膚科醫(yī)生難以準(zhǔn)確區(qū)分。

3. 臨床應(yīng)用。臨床應(yīng)用流程為：首先對(duì)就診的痤瘡患者進(jìn)行標(biāo)準(zhǔn)化皮損圖像采集，隨后將獲取的臨床圖像輸入經(jīng)過優(yōu)化的CycleGAN模型，并分別生成3種治療方式（IPL、化學(xué)換膚以及聯(lián)合治療）治療后的模擬預(yù)測圖像。皮膚科醫(yī)師根據(jù)治療模擬圖像的分析結(jié)果，為患者制定個(gè)性化的治療策略。為了驗(yàn)證臨床醫(yī)師能否通過三種治療方案的模擬預(yù)測圖像達(dá)成一致的決策判斷。將50張治療前圖像輸入CycleGAN模型，成功生成了IPL治療、化學(xué)換膚治療及聯(lián)合治療后的預(yù)測圖像。隨后由5名資深皮膚科醫(yī)生根據(jù)生成圖像進(jìn)行治療方案選擇。結(jié)果顯示，5名醫(yī)生根據(jù)生成的圖像，做出了高度相似的治療選擇。證明本模型可以幫助皮膚科醫(yī)生做出較為一致的治療選擇。

圖2 臨床應(yīng)用流程

4.臨床意義以及局限性。痤瘡是全球高發(fā)的慢性炎癥性皮膚病，其治療應(yīng)基于循證醫(yī)學(xué)制定個(gè)體化方案。在采用傳統(tǒng)藥物的同時(shí)，應(yīng)警惕其潛在副作用。而化學(xué)換膚、激光等新興技術(shù)為痤瘡治療提供了更安全、有效的選擇。本研究驗(yàn)證了人工智能生成圖像在輔助臨床決策中的可靠性，明確了該方法可以幫助醫(yī)生為患者制定個(gè)體化治療方案。然而仍有以下局限性：（1）用于訓(xùn)練模型的數(shù)據(jù)在光照條件和拍攝角度方面存在偏差，導(dǎo)致數(shù)據(jù)質(zhì)量不足，模型訓(xùn)練效率尚待提高；（2）裁剪痤瘡病灶時(shí)無法做到像素級(jí)對(duì)齊，對(duì)結(jié)果的精度產(chǎn)生一定影響；（3）測試樣本數(shù)量有限，無法全面驗(yàn)證痤瘡治療可視化輔助決策系統(tǒng)的可靠性。我們期望未來的研究應(yīng)從提升數(shù)據(jù)數(shù)量和質(zhì)量方面入手，同時(shí)加入多模態(tài)數(shù)據(jù)以提升模型性能。此外，可考慮將大語言模型與 GAN 模型適當(dāng)整合，使人工智能能夠執(zhí)行更加復(fù)雜、精確的任務(wù)。

文章信息

段煉，董子瑜，楊琳，等. 基于生成式對(duì)抗網(wǎng)絡(luò)預(yù)測痤瘡物理治療效果的研究. 科學(xué)通報(bào), 2025.

https://doi.org/10.1360/CSB-2025-5076

轉(zhuǎn)載、投稿請留言

| 關(guān)注科學(xué)通報(bào) | 了解科學(xué)前沿