科學通報 | 空軍特色醫學中心蔡宏主任基于生成對抗網絡的痤瘡物理治療效果預測

近日，空軍特色醫學中心蔡宏主任在《科學通報》上發表基于生成對抗網絡的痤瘡物理治療效果預測的研究論文，針對多發于青少年的痤瘡進行了臨床物理治療的新技術展望。

痤瘡的臨床表現包括丘疹、膿皰、結節等多種皮損類型，常伴隨炎癥后紅斑和色素沉著。嚴重影響患者的外觀、生活質量與心理健康。目前臨床上的物理治療手段包括強脈沖光（intense pulsed light,IPL）、點陣激光、果酸煥膚等方法。然而，由于患者個體差異、皮損多樣性以及治療參數選擇復雜性，治療效果往往難以預測。臨床上對于痤瘡物理治療的選擇主要依賴皮膚科醫生的臨床經驗，低年資的醫生往往不具備相應的能力與知識。這種不確定性常常導致治療周期延長、醫療成本增加，并影響患者治療依從性。因此，本研究目的是基于生成對抗網絡，構建一個能夠準確生成經過不同方式治療后的痤瘡皮損圖像的模型，幫助皮膚科醫生為患者制定個體化治療方案，優化治療選擇，避免無效或過度治療。

圖1 痤瘡預測模型的構建

1.模型構建。（1）數據收集：收集空軍特色醫學中心皮膚科激光中心門診診斷包含“痤瘡”的病歷數據，共計826人。通過納入、排除標準篩選得到756例患者；（2）圖像采集與預處理：流程如圖1所示，所有圖像由3名工作人員在標準化條件下進行拍攝。對患者治療前后同一病灶圖像進行裁剪。最終納入分析的1709對圖像，包括IPL組798對，化學換膚組391對，聯合治療組520對。每個治療組內的數據按照8：2的比例隨機劃分為訓練集和驗證集。并使用隨機裁剪、隨機水平、隨機旋轉、隨機翻轉等方式進行數據增強，并加入自定義的高斯噪聲，使得模型在面對噪聲干擾時也能提取到穩定的特征；（3）采用基于循環一致性生成對抗網絡（Cycle-Consistent Generative Adversarial Network，CycleGAN）架構對痤瘡物理治療前后皮膚狀態進行建模與轉換。在CycleGAN的訓練過程中，生成器和判別器交替更新，通過對抗損失驅動生成器生成真實感圖像，同時利用循環一致性損失確保圖像轉換過程中的結構信息得以保留。此外，身份映射損失在一定程度上約束了生成器在轉換過程中不引入過多不必要的變化。模型的訓練以及后續的實驗均在兩塊NVIDIA RTX 4090 GPU中實現。

2.生成圖像評估。（1）客觀評估：使用驗證集中350張真實治療后的圖像和350張CycleGAN生成的圖像進行對比評估。結果證明，兩組圖像在RGB通道的像素強度，亮度和顏色飽和度，結構相似性指數均高度接近；（2）皮膚科醫生主觀評估：從驗證集隨機抽取50對圖像分為Ⅰ、Ⅱ兩組，其中Ⅰ組25對均為生成圖像（真實治療前圖像 + CycleGAN生成治療后圖像），Ⅱ組25對包含12對生成圖像（真實治療前圖像 + CycleGAN生成治療后圖像）和13對真實圖像（真實治療前圖像 + 真實治療后圖像），所有圖像經過匿名編號和隨機排序后，由 3 名資深皮膚科醫師獨立判斷每對圖像中的“治療后”圖像是真實圖像還是生成圖像。評估前未告知醫師各組圖像中真實圖像與生成圖像的比例構成。結果顯示，CycleGAN 生成的圖像能夠以較高的保真度模擬真實治療后的圖像，使得臨床經驗豐富的皮膚科醫生難以準確區分。

3. 臨床應用。臨床應用流程為：首先對就診的痤瘡患者進行標準化皮損圖像采集，隨后將獲取的臨床圖像輸入經過優化的CycleGAN模型，并分別生成3種治療方式（IPL、化學換膚以及聯合治療）治療后的模擬預測圖像。皮膚科醫師根據治療模擬圖像的分析結果，為患者制定個性化的治療策略。為了驗證臨床醫師能否通過三種治療方案的模擬預測圖像達成一致的決策判斷。將50張治療前圖像輸入CycleGAN模型，成功生成了IPL治療、化學換膚治療及聯合治療后的預測圖像。隨后由5名資深皮膚科醫生根據生成圖像進行治療方案選擇。結果顯示，5名醫生根據生成的圖像，做出了高度相似的治療選擇。證明本模型可以幫助皮膚科醫生做出較為一致的治療選擇。

圖2 臨床應用流程

4.臨床意義以及局限性。痤瘡是全球高發的慢性炎癥性皮膚病，其治療應基于循證醫學制定個體化方案。在采用傳統藥物的同時，應警惕其潛在副作用。而化學換膚、激光等新興技術為痤瘡治療提供了更安全、有效的選擇。本研究驗證了人工智能生成圖像在輔助臨床決策中的可靠性，明確了該方法可以幫助醫生為患者制定個體化治療方案。然而仍有以下局限性：（1）用于訓練模型的數據在光照條件和拍攝角度方面存在偏差，導致數據質量不足，模型訓練效率尚待提高；（2）裁剪痤瘡病灶時無法做到像素級對齊，對結果的精度產生一定影響；（3）測試樣本數量有限，無法全面驗證痤瘡治療可視化輔助決策系統的可靠性。我們期望未來的研究應從提升數據數量和質量方面入手，同時加入多模態數據以提升模型性能。此外，可考慮將大語言模型與 GAN 模型適當整合，使人工智能能夠執行更加復雜、精確的任務。

文章信息

段煉，董子瑜，楊琳，等. 基于生成式對抗網絡預測痤瘡物理治療效果的研究. 科學通報, 2025.

https://doi.org/10.1360/CSB-2025-5076

轉載、投稿請留言

| 關注科學通報 | 了解科學前沿