皮肤微纹与真皮-表皮交界结构的无创关联分析
摘要
研究团队利用线场共聚焦光学相干断层扫描（LC-OCT）结合自研AI图像分割系统，对11名成年人的皮肤进行非侵入式成像。AI自动提取了皮肤沟（sulci cutis）、角质层厚度、活性表皮厚度及真皮-表皮交界（DEJ）形态等参数。结果发现：皮肤表面沟槽与DEJ在空间上近乎平行；而皮肤嵴（cristae cutis）区域的DEJ起伏程度与表皮厚度、角质层多层化率及特定神经酰胺亚类指标相关。
信息来源： PubMed Ophthalmology 发布于 2026年6月10日
要点速览
- 研究基于11名成年人的LC-OCT影像，通过AI语义分割提取皮肤沟、嵴、角质层厚度、活性表皮厚度及真皮-表皮交界（DEJ）形态参数。
- AI系统将皮肤表面微纹（sulci cutis和cristae cutis）的空间坐标与DEJ结构进行配准，证实二者存在几何对应关系。
- 在皮肤嵴区域，DEJ起伏指数与表皮厚度、角质层多层化率及特定神经酰胺亚类参数呈相关性。
本站解读
这项研究首次用LC-OCT加AI方法，在活体上把皮肤表面‘微纹’（那些细小的沟和嵴）和深层的真皮-表皮交界结构直接对应起来——不是靠推测，而是靠坐标定位和量化分析。样本量仅11人，属于典型的小规模机制探索性研究，重在技术验证而非统计推断，但设计严谨：用了语义分割AI处理原始影像，提取了多个解剖维度的定量参数，且验证了位置对应关系。
短期内不可能改变临床做法。LC-OCT目前主要用于皮肤科和医美领域，眼科尚未将其用于常规诊疗；文中未提任何眼表或眼睑皮肤应用，也未涉及疾病模型或干预试验。从论文到临床工具，还需扩大样本、建立正常值范围、完成设备标准化和注册审批——这条路至少还要数年。
普通人无需因此改变护肤或就诊习惯。该研究不涉及诊断标准更新，也不指向新疗法或筛查建议。如有疑虑可咨询眼科医生。
常见问题
这个研究能帮医生更早发现皮肤病吗？
目前还不能。该研究只在健康成年人中验证了皮肤表面微纹与深层结构的对应关系，未纳入皮肤病患者，也未建立诊断阈值或敏感性数据。它属于基础方法学探索，距离开发成临床筛查工具还有很长一段路要走。如有疑虑可咨询眼科医生。
AI分析皮肤照片就能知道皮肤老化程度吗？
不能。本研究使用的不是普通照片，而是高分辨率LC-OCT设备获取的深层断层影像，再经专用AI系统处理。手机拍照或常规皮肤镜图像无法提取真皮-表皮交界形态等参数。该技术尚处于实验室阶段，未转化为消费级或门诊级应用。
延伸阅读
AI辅助LC-OCT诊断基底细胞癌的新评分方法
研究提出两种新的扫描级AI评分指标——复合得分（每扫描中100%分帧占比）和稳定性得分（每扫描中最长连续100%分帧数），用于提升线场共聚焦光学相干断层扫描（LC-OCT）对皮肤基底细胞癌（BCC）的判别能力。分析568段LC-OCT视频（来自52名患者的82处病灶，含18例BCC和64例非BCC），结果显示两项得分在BCC组均显著更高（p<0.0001）。探索性设定48帧连续100%分阈值，实现100%敏感性和100%特异性。
扩散模型辅助RP患者OCT图像EZ区自动分割
研究团队开发了DPUN和DPUN-CAP两种算法，用于自动分割视网膜色素变性（RP）患者的光学相干断层扫描（OCT）图像中的椭圆体带（EZ）区域。方法在一项纳入60名参与者的国际III期临床试验（NCT05537220）基线OCT数据上验证，DPUN-CAP结合中心扫描人工标注后性能最优，其EZ面积测量结果与人工测量一致，适用于以EZ面积为关键终点的临床试验及疾病进展监测。
U-Net模型实现光化性角化病OCT图像表皮自动分割
研究团队开发并优化了一种U-Net深度学习模型，用于光学相干断层扫描（OCT）图像中光化性角化病（AK）病变的表皮自动分割。通过测试不同图像尺寸、批量大小和训练轮数，发现256×256像素分辨率、批量大小为2、训练50轮的配置最优，Dice系数达0.86，Jaccard指数为0.76。更高分辨率或更长训练周期未显著提升精度，反而增加计算负担并可能引发过拟合。