高光谱成像技术在皮肤炎症性疾病评估中的应用探索

皮肤炎症性疾病，如特应性皮炎（AD）、银屑病等，常伴随红斑、皮损和屏障功能变化。临床评估中，医生多依赖肉眼观察或RGB图像判断严重程度，主观性较强，不同观察者之间的一致性也容易受到影响。高光谱成像（HSI）在可见光至近红外范围内连续采集窄波段光谱信息，能够突破传统三色视觉的限制，为皮肤炎症的客观评估提供新的技术路径。

红斑评估：从主观判断到光谱分类

皮肤红斑是炎症的常见表现，与多种皮肤病及皮肤损伤相关。Kye和Lee招募了23例诊断为特应性皮炎的患者，比较HSI与传统RGB图像方法对红斑严重程度的分类性能，结果显示HSI可作为红斑临床评估的客观方法。该研究也指出，若进一步考虑皮肤发色团，对发色团浓度与严重程度进行相关性分析，则有可能通过皮肤表面呈现的红斑深度来更精确地评估严重程度。这为后续研究提供了明确方向。

AD皮损分类：光谱反射率反映屏障变化

Kim等获取了13例AD患者右臂的高光谱图像，并根据波长范围构建了可见光和近红外等6个数据集，选用多种模型进行训练和评估，以分析AD皮损严重程度分类。研究发现，病变区域比非病变区域表现出相对更高的光谱反射率。研究者认为，这与湿疹等疾病导致表皮变薄、进而引起皮肤屏障受损有关。这一结果提示，HSI捕获的不仅是颜色差异，更是组织结构和成分变化在光谱层面的反映，为无创评估皮损严重程度提供了客观参考。

迁移学习：提升诊断效率的一种思路

临床中，单一病种的高质量标注数据往往有限。Kim等选择不同皮肤病变数据作为源域训练模型，并利用迁移学习对AD皮损严重程度进行分类，寻找较优的模型和数据组合以提高诊断效率。研究显示，将增强的银屑病数据集作为源域、ResNet50作为模型、近红外数据集作为目标域时，分类性能达到83%。这一结果提示，跨疾病、跨数据集的迁移学习，有望在数据资源有限的场景下，帮助医院更快构建可用的辅助分类模型。

银屑病斑块：光谱差异提示识别潜力

Odrzywolek等使用高光谱相机比较银屑病斑块和正常皮肤，在可见光波段观察到两者之间的光谱差异。这说明HSI在炎症性斑块识别与边界评估方面也具备研究价值。对于需要长期随访、反复评估皮损变化的炎症性皮肤病患者而言，客观、可量化的成像工具可能有助于提升疗效监测的一致性与效率。

对医院的意义

对于皮肤科而言，HSI在炎症性皮肤病中的应用前景体现在几个层面：

为红斑和皮损严重程度提供客观量化参考，辅助临床评估与疗效追踪；

无创、快速、大视野的成像方式，适合门诊与随访场景；

迁移学习等方法有助于降低对大规模标注数据的依赖；

HSI与人工智能结合，可为医院开展皮肤影像学临床研究提供新的切入点。