使用定制迁移学习算法改进银屑病分类的进展

为何更智能的皮肤诊断很重要

银屑病不仅仅是难缠的皮疹。这种长期存在的皮肤病可导致皮肤裂开、出血、瘙痒，甚至损害关节，干扰睡眠、工作和社交生活。然而医生仍然主要凭肉眼进行诊断，这既耗时又带有主观性——尤其当疾病在身体不同部位呈现不同形态时。本研究探讨了现代人工智能（AI）如何提供帮助：通过训练计算机程序从皮肤照片中识别七种不同的银屑病亚型，其准确性可与专家临床医生相媲美，并有望在未来为他们提供支持。

一种疾病，多种面貌

银屑病在每个人身上并不相同。研究者关注七种亚型：斑块型（典型的鳞屑斑块）、点滴状（小的滴状斑点）、甲真菌病变（甲部银屑病）、脓疱型（充满脓液的丘疹样病变）、红皮病性银屑病（广泛的灼热性红斑）、逆行型银屑病（皮肤褶皱处光滑的红斑）以及银屑病性关节炎，它将皮肤变化与疼痛、肿胀的关节结合在一起。区分这些类型很重要，因为每种类型可能需要不同的治疗并提示不同的风险。然而，症状可能彼此重叠，也可能与其他皮肤病相似，这使得视觉诊断充满挑战，尤其在非专科门诊环境下。

构建丰富的图像库

为了教会计算机区分这些亚型，团队首先必须收集合适的数据。现有的公开皮肤图像集合很少标注确切的银屑病亚型，且某些类型比其他类型罕见得多。作者从多个开放的医学图像库（包括 ISIC、HAM10000 和 DermNet）汇集了 4,005 张图像，并将每张图像分为七类之一。为防止计算机对常见类型过度学习而忽视罕见类型，他们使用了“图像增强”技术：通过旋转、缩放和翻转等方式生成图像的多种变体。此平衡步骤使数据集在七个类别之间更均衡，帮助模型学习稳健的模式，而不是记住少数常见样本。

教机器“读取”皮肤

研究者没有从零开始训练模型，而是依赖迁移学习。他们选取了三种强大的图像识别系统——ResNet50、InceptionResNetV2（文中称为 InceptionV2）和 InceptionV3——这些系统最初在数百万张日常照片上训练，再对它们进行银屑病图像的微调。在输入图像之前，他们将每张图片标准化为固定尺寸并对像素值进行归一化。随后冻结大部分内部层，添加适配七种银屑病类型的新“顶层”，并在整理好的数据集上训练这些新增层。研究中比较了两种常用的训练优化方法：Adam 和 RMSprop，以确定哪一种能产生更可靠的学习效果。

哪种 AI 最擅长识别银屑病？

三种 AI 模型在识别银屑病类型上都表现出有希望的准确性，但有一款表现明显更好。ResNet50 模型表现尚可，能将大约五分之四的测试图像正确分类。InceptionV2 表现更佳，当使用 RMSprop 优化器训练时，在未见过的测试数据上达到了约 97% 的准确率。最强的结果来自 InceptionV3，同样搭配 RMSprop：它正确识别了约 99% 的测试图像，其查准率和灵敏度（即其阳性预测与检测的正确性）也同样很高。可视化解释工具显示模型关注的是病变的临床相关区域，而非无关背景，这对未来在临床中的可信度是个令人鼓舞的信号。

这对患者可能意味着什么

对于患有银屑病的人来说，这些进展并不能取代皮肤科医生，但它们很快可能成为一双强有力的第二只眼睛。能够将皮肤照片自动归入详细亚型的准确系统，可支持远程医疗，帮助偏远地区的非专科医生，并更早地标记复杂或严重的病例。作者强调，他们的工具仍需在真实临床照片以及不同肤色和相机条件下进行测试。尽管如此，他们的工作表明，经过精心训练的 AI——尤其是 InceptionV3 模型——能够可靠地区分七种银屑病形式，为更快速、更一致的诊断以及最终更有针对性的护理打开了大门。

引用: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

关键词: 银屑病, 皮肤成像, 深度学习, 医疗人工智能, 疾病分类