智能诊断在皮肤真菌病的应用

真菌会感染人体的皮肤、黏膜、甲、毛发部位等，导致出现浅部感染，且感染患者数量众多，是人类健康不容忽视的“杀手”。传统诊断皮肤真菌病主要依靠直接镜检、真菌培养及组织病理检查，存在阳性率低、耗时长、假阳性率高、侵入性强及依赖经验易误诊等缺陷，给患者和医疗系统带来负担。随着智能诊断技术不断发展，其在皮肤真菌病中的应用正迅速改变传统诊疗模式，为医生和患者带来更高效、精准的诊疗体验。本文对智能诊断在皮肤真菌病的应用进行阐述，以期为皮肤真菌病的精准诊断提供借鉴。

■人工智能图像识别技术的优势与应用■

直接镜检受取材质量和技术员经验等主观因素影响较大，镜检阳性率约为74%；真菌培养耗时2～3周，且培养阳性率不高，我国一项多中心甲真菌病病原菌流行病学调查显示真菌培养阳性率仅为53.9%，还有研究报道真菌培养的假阳性率高达30%；组织病理检查为侵入性操作，且临床费用相对较高，患者心理上一般很难接受组织活检。另一方面，目前大多基层医生仅凭经验来诊断皮肤真菌病并进行临床用药，无疑增加了临床误诊误治的概率，给患者心理和经济带来了不必要的负担，且因误诊极有可能错漏了其他疾患造成严重后果。

随着计算运算能力的提升及卷积神经网络（CNN）的发展，人工智能（AI）图像识别的准确率大幅度提升。AI在图像识别上具有以下优势：首先，AI不会像人一样被感官差异所影响。医生（技师）通过肉眼对不同的图像展开对比分析，从中直接获得相应的信息要素，但在一些表现相似的图像中，读片时容易出现误判的情况。而AI将大量的图像集中存储起来，通过排列对比分析，获得最为直观的数据信息，之后将这些数据信息存储在系统中，当需要识别结果的时候，能够直接从中获得参考。其次，人们肉眼识别图像的过程往往都是极为短暂的，并不能长期记忆图像信息数据，而AI却能够长久保存数据并不断获取新的数据。此外，AI还可以提高诊断的准确率，对真菌明显的形态特征差异，如孢子、菌丝的大小、形态、分布进行精准识别。

Deeplabv3+作为新出现的CNN算法，引入了带有空洞卷积的编码-解码器结构。空洞卷积结构相比于传统的卷积结构而言，可以在不改变特征图大小的前提下减少采样操作，减少了模型训练的参数量，使模型训练更加高效；而编码-解码结构能够让特征图恢复详细的边界信息，使输出结果不会因为边界信息的缺失出现误差。Deeplabv3+相比于其他神经网络算法在图像训练上更加高效，在识别结果上更加准确。图像采集库系统V1.1中的多边形工具可以对图像的目标特征进行标注，在图像进行训练前增加人工标注可以使图像训练效率进一步提升，图像输出结果内容更加丰富。

AI识别皮肤癣菌的准确率为90.32%，平均每百张图像的处理时间为4.67±0.14 min，与人眼识别准确率及速率相当，且AI识别结果更为稳定，长时间批量处理数据的能力更强，同时能够对图像中的菌丝及孢子数量进行计数，输出结果内容较人眼更为丰富。因此将AI用于荧光图像分类是切实可行的，采用形态学观察法可初步对样本进行判断并将该技术普及到全国尤其是基层医院，降低临床医生的工作压力，提升真菌检测的准确率及效率，实现精准医疗。

■融合算法模型的创新与突破——以甲真菌病为例■

在病种方面，笔者团队联合病灶识别与临床模型预测的机器学习融合算法在甲真菌病诊断中作了研究。临床上甲真菌病易与甲银屑病、甲营养不良等甲病发生混淆。在诊断为甲真菌病的患者中，治疗无效与复发的概率约25%，诊断不当是导致治疗失败的一个重要因素。

本团队联合皮肤镜图像CNN算法和XGBoost（eXtreme Gradient Boosting）算法分析预测研究，以开发一种高效、准确、无创的检测方法用于甲真菌病患者的临床辅助诊断。主要内容包括：①两种皮肤镜图像CNN算法融合应用于甲真菌病的诊断研究，包括YOLOv11算法和Faster R-CNN算法。该研究纳入甲真菌病、甲银屑病、甲营养不良和健康甲的皮肤镜图片，通过CNN进行建模训练。利用计算机模型深度学习上述皮肤镜图片，不断训练模型使其掌握诊断甲真菌病和鉴别易混淆甲病的能力，调整参数、优化模型，将完善后的两个诊断模型进行融合应用。②AI技术中机器学习的XGBoost算法。XGBoost以其训练速度快、拟合能力强和灵活准确的特点成为解决分类问题的常用工具之一，并且由于其模型具有输入数据要求不高、自动变量选取等优势，已被广泛应用于统计学、数据分析和AI领域。基于甲真菌病患者的临床元数据信息，包括一般情况、发病特点、病史情况、受累甲况、临床症状体征和病甲类型等信息，利用机器学习的XGBoost算法构建预测模型，让模型学习元数据信息，并对训练出来的模型进一步做参数调优，提高甲真菌病临床预测模型的精度。③将上述CNN目标检测的图像诊断模型和XGBoost算法构建的元数据预测模型进一步融合，辅助甲真菌病的临床诊断。

从疾病病种层面探索了“二次融合的4分类模型”，并将该研究“精准到皮肤镜特征水平的15分类模型”和其他学者利用皮肤镜图片构建的“甲真菌病病种层面的模型”共同分析，初步得出结论：纳入更多维度的数据信息、优化模型参数、联合不同算法能够在实现甲真菌病更精准分类的同时，进一步提升AI模型的整体识别效能。所开发的甲真菌病诊断的原型系统，支持多维度数据的输入与分析，通过Faster R-CNN和YOLOv11的皮肤镜诊断模型，XGBoost的临床信息模型，皮肤镜图像和临床信息二次融合模型等输出常规模型的独立诊断和二次融合模型的综合诊断结果，全面辅助临床医生决策。在最后开展的“人机对比测试”，二次融合机器模型的诊断能力与少数高水平专家相当，并显著超越了大部分皮肤科医生的诊断水平，且耗时短，诊断效率远超参与测试的所有医生。

该融合诊断模型能很好地弥补甲真菌病传统诊断方法的上述缺陷，只需熟悉采图流程和常规的病史采集，就能快速、准确地分析图像和元数据资料并出具报告。模型操作便捷，对平台依赖性小，医疗机构准入门槛低，未来推广应用，将产生极大的经济效益和社会效益。

（作者：海军军医大学第二附属医院皮肤科 潘炜华）