用基于宽带光学测量的机器学习进行皮肤照片分类

科学领域:

• 生物医学光学 生物医学光学
• 皮肤病学 皮肤病学
• 医疗保健中的机器学习

背景情况:

• 菲茨帕特里克皮肤摄影类型分类 (FSPC) 尺度是一个标准,但具有局限性,包括较暗的皮肤色调和主观性的代表性不足.
• 这些局限性可能导致皮肤病理护理的差异,伤口愈合的错误诊断,以及对肤色较暗的人的疾病严重程度的低估.
• 需要客观和高分辨率的皮肤打字方法来解决这些差异.

研究的目的:

• 开发和验证使用光学传感和机器学习进行皮肤摄影类型分类的客观方法.
• 将开发的算法的性能与传统的FSPC规模进行比较.
• 探索在临床应用中跨不同光谱频段的方法的优化.

主要方法:

• 开发一种光学传感器,测量从410-940nm范围内的光反射率.
• 使用无监督的K-means集群算法的应用,用于使用宽带光学数据进行皮肤摄影类型分类.
• 基于算法的分类与人类FSPC评估在一个多样化的队列 (n=30) 的比较.

主要成果:

• 该FSPC尺度显示了密切相关的皮肤光型 (例如,I与II) 之间的差异化有限,但可以区分广泛的范围 (例如,I与VI).
• K-means算法在更广泛的皮肤光型和波长中显示出优异的差异化.
• 光学传感器和算法方法提供了更好的分类分辨率,证明了可量化和可重现.

结论:

• 一个光学传感器与K-means算法相结合,提供了一个比FSPC尺度更客观,更可重复和更高分辨率的皮肤摄影类型分类方法.
• 这项技术有可能通过在整个皮肤色谱中提供准确的皮肤类型来缓解皮肤病护理差异.
• 对特定光谱带宽的进一步优化可以提高皮肤病学中的临床效用和诊断精度.