德国：来自德国的研究团队开发了一种基于卷积神经网络（CNN）的深度学习模型，以准确评估甲银屑病的严重程度。该模型在4,400张图像上进行了训练，并表现出色，在训练过程中达到了86%的AUROC值，在验证过程中达到了80%，与专家评估结果高度一致。
“通过结合改良的甲银屑病严重程度指数（mNAPSI），这一工具提供了一种可靠且自动的方法来评估甲银屑病，具有显著的临床应用潜力，”研究人员在《医学前沿》杂志上写道。
甲银屑病是银屑病的一种常见表现，通常需要精确评估以便有效管理。传统的评分方法依赖于手动评估，这可能耗时且存在变异性。为了解决这些问题，来自埃尔朗根-纽伦堡弗里德里希-亚历山大大学（FAU）和埃尔朗根大学医院皮肤科的Stephan Kemenes及其同事旨在增强并验证一种基于CNN的模型，用于使用改良的甲银屑病严重程度指数（mNAPSI）进行自动化甲银屑病严重程度评分，确保在所有严重程度水平下都能准确评估，而不依赖标准化条件。
为此，研究人员纳入了患有银屑病（PsO）、银屑病关节炎（PsA）的患者以及非银屑病对照组，包括健康个体和类风湿性关节炎患者，用于模型训练。验证是在一个独立的银屑病患者队列中进行的。指甲照片经过预处理和分割，并由五位专家读者标注mNAPSI分数。
基于BEiT架构的CNN在ImageNet-22k上进行了预训练，并针对mNAPSI分类进行了微调。模型性能通过AUROC和其他指标与人工标注进行了比较，同时通过阅读者研究评估了评分者间的变异性。
主要发现如下：
- 训练数据集包括460名患者提供的4,400张指甲照片。
- 独立验证数据集包括118名患者提供的929张指甲照片。
- CNN在训练数据集中表现出强大的分类性能，在mNAPSI类别中的平均AUROC为86% ± 7%。
- 在验证数据集中，尽管成像条件存在差异，但性能保持稳定，平均AUROC为80% ± 9%。
- 与人工标注相比，CNN在患者层面的皮尔逊相关系数为0.94，在验证数据集中保持一致。
研究人员表示：“我们开发并验证了一种CNN，能够可靠地自动化评分甲银屑病的严重程度，使用mNAPSI而不需要图像标准化。”
他们总结道：“这种方法通过实现标准化和高效的时间评估，提供了潜在的临床益处，并且可以作为自我报告工具。”
(全文结束)
