郭丽芳葛一平杨寅林彤
中国医学科学院、北京协和医学院皮肤病医院激光科，南京210042
通信作者：林彤，Email：
ddlin@hotmail.com 【摘要】目的构建面部白癜风人工智能诊断模型，实现面部白癜风的人工智能辅助诊断。方法利用白癜风皮损单反相机图像和YOLO（YouOnlyLookOnce)v3算法建立皮损目标检测模型Vit3，比较Vit3模型的检测结果与皮肤科医生的标注结果，评价Vit3模型的性能。在Vit3模型的基础上，利用面部皮肤人工智能图像采集器拍摄的白癜风及非白癜风皮损的普通光学和紫外线图像，采用图像处理技术测量紫外光图像上皮损区域的灰度值，通过白癜风/非白癜风皮损灰度值阈值鉴别白癜风和非白癜风，建立面部白癜风诊断模型Vit4，通过Cochran'sQ检查比较Vit4模型与皮肤科医生的诊断结果，评价Vit4模型的诊断性能。结果对于100张白癜风皮损（167处）和100张正常皮肤的单反相机图像，Vit3模型的诊断敏感性为92.81%(155/167).对于97组(包括50组白癜风、30组白色糠疹、7组无色素痣、10组正常皮肤）面部皮肤图像，Vit4模型的诊断准确率为88.66%（86/97），敏感度为88.00%（44/50)，特异性为89.36%（42/47），与皮肤科医生的诊断率92.78%（90/97）差异无统计学意义（X
的平方=2，323，P>0.05)。结论建立了面部白癜风人工智能诊断模型Vit4，该模型显示出较好的诊断性能，提供了一较为客观，便捷的面部白癜风辅助诊疗方法。
【关键词】白癜风；人工智能；诊断；图像处理，计算机辅助
DOI：10.35541/cjd.20200865
早期诊断及治疗白癜风有助于提高疗效和改善患者的生活质量。临床医生一般凭借个人经验诊断白癜风，不同医生间诊断水平存在差异，可能影响本病的早期诊断和及时治疗。研究显示，人工智能模型通过图像识别技术对皮肤良恶性肿瘤的鉴别能力相当于甚至高于皮肤科医生。我们希望通过建立白癜风诊断人工智能模型，建立一种客观，便捷的白癜风辅助诊断方法。
材料与方法
一、白癜风皮损目标检测
1.图像数据的采集，标注以及数据集的准备：单反相机白癜风皮损图像数据来源于2003-2009年中国医学科学院皮肤病医院激光科门诊符合白癜风诊断标准的患者，正常皮肤图像数据来源于激光科接受电子注射(水光疗法）或肉毒素注射的患者。使用FinePixS9500(日本Fujifilm公司），CanonEOS800D或者CanonEOS550D（日本Canon公司）相机，在一致的光源，背景下拍摄。3名皮肤科医生使用Labellmg标注软件对皮损进行人工标记，标注结果完全一致者视为正确标注的图像数据。将80%的数据集作为训练集，10%的数据集作为验证集，10%的数据集作为测试集。数据集间完全完全独立。本研究经经过中国医学科学院皮肤病医院医学伦理委员会批准[批件号：（2017）临审第（022）号]
2..模型的训练与测试：基于YOLOv3目标检测算法，在ImageNet数据集上进行训练，得到目标检测初始模型Vit1。将人工标注的训练集图像数据输入Vit1，经过反复多轮训练得到目标检测模型Vit2，Yolo层的配置参数为：anchors=34，26，74，58，131，66，104，124，190，74，192，142，147，200，279，104，274，200，210，296，384，134，324，302，526，133，512，257，406，410；classes=1；num=15；jitter=0.3；
random=1。训练参数为：batch=64，subdivisions=16，width=416，height=416，channels=3，momentum=0.9decay=0.0005，angle=0，saturation=1.5，exposure=1.5，hue=0.1，learning_rate=0.001，burn_in=1000，max_batches=20200。用验证集对Vit2进行验证，对出现的错标、漏标情况进行分析，对参数进行调整，得到最终的目标检测模型Vit3。用测试集进行测试。以皮肤科医生标注一致的结果作为判定标准，Vit3皮损目标检测结果如图1所示。
二、白癜风诊疗模型构建
1.图像数据的采集：皮损图像数据来源于2018-2019年中国医学科学院皮肤病医院门诊确诊白癜风、白色糠疹、无色素痣患者，正常皮肤图像数据来源于本院激光科接受电子注射(水光疗法）或肉毒素注射的患者。每例患者均使用面部皮肤人工智能图像采集器同时拍摄普通光源和365nm紫外光光源下的面部图像，见图2。
2.诊疗模型Vit4构建：将经Vit3目标检测的普通光学图像的掩膜图像与紫外光图像通过图像处理的方法进行位置匹配，在紫外光图像上得到对应的皮损区域，二者建立一致性关系。计算目标皮损区域的平均灰度值X'，X'≥120诊断为白癜风，X'<120诊断为非白癜风(注：预实验中，测试了16张白癜风和非白癜风的紫外光图像，结果显示非白癜风皮损的平均灰度值均小于120，白癜风皮损均大于120，因此确定灰度值120为判断白癜风皮损的阈值）。借助紫外光图像上皮损的灰度值和阈值来判定对应的普通图像上的皮损是否为白癜风，从而得到诊断模型Vit4。Vit4诊断结果如图3所示。
3.Vit4模型测试：由Vit4模型与3名皮肤科专家工作时间>10年的皮肤科医生分别对测试集进行诊断，比较诊断结果，评价Vit4的性能。结果判定标准：白癜风图像诊断正确，且所有皮损均检验出，记为诊断正确；≥1处漏标或错标，记为诊断错误；白色糠疹、无色素痣、健康人图像诊断为非白癜风为诊断正确。
三、统计学方法
使用准确率、错标率、漏标率、敏感率、特异性作为评价指标。通过真阳性（truepositive，
TP)、假阳性（falsepositive，FP)、真阴性（turenegative，TN)、假阴性（falsenegative，FN)例数
根据以下公式计算：漏标率=FN/(TP+FN)，错标率=FP/(TP+FP+TN+FN），敏感性=TP/(TP+FN），准确率=（TP+TN)/(TP+FP+FN+TN)，特异性=TN/(FP+TN)。采用SPSS24分析数据，通过Cochran'sQ检验对Vit4模型和皮肤科医生的诊断结果进行比较分析，P<0.05为差异有统计学意义。
结果
一、Vit3模型构建
使用来源于440例白癜风患者的2720张白癜风单反相机图像，结合YOLOv3算法，建立皮损目标检测模型Vit3。对200例单反相机图像数据（100张白癜风和100张正常皮肤图像，共167处皮损）组成的测试集进形目标检测。结果显示，Vit3模型敏感性92.81%（155/167），错标率10.49%（28/267），漏标率7.19%（12/167）。
二、Vit4模型构建
使用来源于30例白癜风患者的40组（80张）白癜风普通光学和紫外光学图像建立诊断模型Vit4，由Vit4模型和皮肤科医生分别对97组面部图像（50组白癜风，30组白色糠疹，7组无色素痣，10组正常皮肤）组成的测试集进行诊断，诊断结果显示：Vit4模型；诊断准确率88.66%，敏感性88.00%，特异性89.36%；三位皮肤科医生平均诊断准确率为92.78%，敏感性97.33%，特异性87.94%，见表1.Cochran'sQ检验显示，Vit4模型和3名皮肤科医生诊断白癜风的准确率差异无统计学意义（X的平方=2，323，P>0.05)讨论前期工作中本科题组已使用DenseNet、ResNet-1520、YOLOv3等算法在一个较大的单反相机图像数据集上建立了色素病诊断模型，其中YOLOv3模型性能最好，准确率达到73.5%，且识别精准与速度均较高因此我们选择YOLOv3算法作为本研究的初始模型。针对白癜风皮损与正常皮肤的过渡区模糊、特征不明显，部分皮损面积较小的特征，我们对YOLOv3算法结构、分辨率等参数进行调整，如增加了卷积层，增加算法的分辨率等，以提高Vit4模型对皮损特征提取的能力。本研究中，我们用2720张白癜风单反相机图像和YOLOv3算法，建立皮损目标检测模型Vit3；使用40组（80张）白癜风和非白癜风的普通光学和紫外光图像，并采用图像处理技术，在Vit3的基础上建立白癜风诊断模型Vit4。Vit4模型诊断准确率88.66%，敏感率88.00%，特异性89.36，统计分析显示Vit4模型的诊断水平与皮肤科医生相等。
目前在计算机领域白癜风人工智能诊断的相关研究为数不多。EISaleh等使用2000张面部皮肤病临床图像和VGG16算法建立模型，对包含白癜风在内的8种面部皮肤疾病（白癜风、痤疮、玫瑰痤疮、光线性角化、颜面肉芽肿。血管性水肿、白色糠疹、睑缘炎）皮损、正常皮肤、非面部皮肤图像进行分类，准确率为87.8%。Velasco等使用3406张皮肤临床图像和CNNMobileNet算法建立模型，对包含白癜风在内的7种皮肤疾病（白癜风、湿疹、痤疮、银屑病、玫瑰糠疹、水痘、体藓）进行分类，准确率为94.4%。Liu等利用38677张临床图像和Resnet50算法以及颜色空间转换技术建立白癜风诊断模型，对白癜风皮损和正常图像进行诊断，准确率为87.8%。与上述计算机领域的白癜风人工智能研究相比较，本研究具有以下优势：①将白色糠疹、无色素痣两种易与白癜风混淆的色素减退性疾病与白癜风皮损进行鉴别，更符合临床工作的需求；②将Vit4模型的诊断结果与高年资皮肤科医生进行比较，为后续模型的临床应用提供依据；③同时完成白癜风皮损的定性和具体定位后期的病情评价打下基础，这在既往研究中尚属空白。
医生通过肉眼观察或借助相关辅助检查，凭借个人临床经验进行白癜风诊断，在不同等级的医疗机构和不同年资的医生间，诊疗水平有一定差异，因而可能影响对本病的及时、充分治疗。本研究显示，Vit4模型的诊断水平与我院皮肤科专科医生的诊疗水平相等。该模型可用于辅助基层、全科、低年资医生进行白癜风诊断；可作为筛查工具，减轻医生的工作量；有望作为针对白癜风患者群体的健康管理工具进行自我检测。
本研究中Vit4模型仍存在一定的错标、漏标现象，这些现象主要集中在反光区、阴影区、口唇、毛发部位。后续研究工作中，将尝试扩大训练集、图像预处理去噪、对干扰因素进行针对性训练等方法，进一步提高Vit4模型的诊断能力。目前我们仅基于白癜风、白色糠疹、无色素痣建立了诊断模型Vit4，今后将加入其它色素减退性疾病的临床图像，不断完善模型、提高模型的诊断能力。
利益冲突所有作者均声明不存在利益冲突
