U-Net模型实现光化性角化病OCT图像表皮自动分割
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究构建了专用于光化性角化病OCT图像的U-Net表皮分割模型，最优配置下Dice系数为0.86。
- 通过系统调整图像尺寸（256×256至464×1356）、批量大小（2–16）和训练轮数（50–150）完成模型优化。
- 更高分辨率和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。
本站解读
这项研究本质上是给皮肤科用的OCT图像‘画出表皮边界’提供了一个轻量、快准的AI工具——不是发现新病灶，而是帮医生更快更稳地圈出已知病变的表皮层。样本虽未说明具体病例数，但用专家标注作金标准、多组超参数对比验证，设计扎实；Dice 0.86属于临床可接受的自动分割水平，但离直接嵌入诊断流程还有距离：它只解决‘分割’这一步，不涉及良恶性判断，也未在真实诊室环境中测试效率与鲁棒性。
短期内不会改变临床做法。OCT本身在AK诊疗中尚未成为一线工具，更别说配套AI软件的注册审批、集成进医院PACS系统、医生培训等环节。该模型目前停留在方法学验证阶段，离产品化至少还需临床验证和监管路径推进。国内情况有待确认。
普通人无需因此改变任何行为。AK是皮肤癌前病变，主要由紫外线引起，防范核心仍是防晒；这个AI模型不改变筛查逻辑，也不影响患者自查或就诊决策。如有疑虑可咨询眼科医生或皮肤科医生。
常见问题
这个AI能帮我查出皮肤癌吗？
不能。这个模型只负责在已有OCT图像上自动勾画表皮层边界，不判断病变是否癌变或需要治疗。它属于辅助分析工具，不是诊断设备。光化性角化病本身是癌前病变，确诊和后续处理仍需医生结合临床检查和其他检测综合判断。如有疑虑可咨询眼科医生或皮肤科医生。
以后做皮肤检查是不是不用医生看了？
不是。该模型仅用于提升OCT图像中表皮区域分割的一致性和效率，不能替代医生对病变性质、范围和治疗方案的综合判断。图像采集质量、设备差异、个体解剖变异等因素仍需专业解读。AI是助手，不是决策者。如有疑虑可咨询眼科医生或皮肤科医生。
延伸阅读
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。
DenseViT-OCT模型实现ERM严重度自动分级
研究团队开发了名为DenseViT-OCT的混合深度学习模型，融合密集卷积神经网络（CNN）与视觉Transformer（ViT），引入多尺度密集特征聚合等三个新模块，用于光学相干断层扫描（OCT）B扫图像的特发性黄斑前膜（ERM）严重度四分类。模型在2195张B扫图像（来自397名患者）上训练验证，内部测试集准确率达94.76%，显著优于19种主流模型；外部验证准确率90.76%，AUC达97.61%。
皮肤微纹与真皮-表皮交界结构的无创关联分析
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。