基于YOLOv5x人工智能模型的皮肤斑贴试验红斑自动诊断系统开发与验证

这篇研究创新性地开发了基于YOLOv5x目标检测框架的AI模型，用于自动评估斑贴试验（patch test）中的皮肤刺激反应。通过83,629张专家标注图像训练，模型在24/48小时评估中整体准确率达98.3%（AUC 0.914-0.865），显著降低了人工评估的主观差异。该系统实现了对红斑、浸润等反应的标准化分级（0-4级），为化妆品安全评估提供了高效客观的解决方案。

　　

引言

斑贴试验作为评估化妆品致敏性的金标准，其核心挑战在于人工判读存在主观偏差。研究表明，不同观察者对弱阳性（1级）与可疑反应（2级）的判定一致性仅60%-70%，且深色皮肤中细微红斑识别困难。传统CNN模型虽在痤疮（AcneDet准确率85%）和特应性皮炎（SCORAD自动评估）诊断中表现良好，但斑贴试验领域仍缺乏高效解决方案。

方法

参与者：研究纳入2020-2023年韩国首尔地区3,203名受试者（女性占87.9%），严格排除皮质醇使用史及慢性皮肤病患者。

测试流程：采用Van der Bend chambers装载0.020 mL样品，背部贴敷24小时后，按改良Frosch-Kligman 5级标准（0=无反应，4=红斑伴水疱）进行双时点评估。

数据特征：4,160×2,768像素图像经LabelImg标注边界框，由8-15年资历专家交叉验证。最终数据集含96.1%阴性样本（0级），3.6% 1级和0.3% 2级样本。

模型架构：YOLOv5x采用CSP1_X主干网络和SPP层多尺度特征提取，未使用预训练权重。关键创新在于全图检测（非裁剪）和HSV色彩空间增强（hsv_s=0.7），针对性提升红斑识别灵敏度。

结果

性能指标：

• •

  整体F1-score达0.982，0级识别准确率99.7%（AUC 0.914）

• •

  1级识别存在挑战：48小时准确率（77.4%）显著优于24小时（57.7%）

• •

  2级随时间衰减现象：48小时误判率升至36%（vs 24小时22.7%）

  临床一致性：与4位专家比较的Kappa系数0.63-0.69，94.6%判定结果一致。可视化系统可实时标注反应区域并支持人工修正。

讨论

技术优势：

1. 1.

   解决"愤怒背部现象"（angry-back）干扰：通过周围皮肤区域分析降低假阳性

2. 2.

   跨时点动态评估：捕捉24→48小时反应演变规律

   现存局限：

   • •

     未涵盖Fitzpatrick VI型皮肤（韩国人群88.8%为III-V型）

   • •

     3/4级样本不足（仅0.003%），水肿需结合触诊验证

     改进方向：

   • •

     引入LBP纹理特征增强1级识别

   • •

     开发智能手机适配版本拓展远程医疗应用

应用前景

该系统已整合历史数据库管理和自动报告生成功能，单次评估耗时从人工15分钟缩短至30秒。未来通过纳入72小时延迟读数（delayed reading）和多中心数据，有望建立全球首个化妆品接触性皮炎AI诊断标准。