学术研究报告：AI辅助外阴硬化性苔藓（vulvar lichen sclerosus, VLS）视觉诊断的探索性研究

一、研究团队与发表信息
本研究由瑞士巴塞尔大学医院皮肤科、生物医学工程系及妇产科的多学科团队合作完成，第一作者包括Philippe Gottfrois、Jie Zhu和Alexandra Steiger，通讯作者为Alexander A. Navarini和Simon M. Mueller。论文于2024年发表于*Journal of the European Academy of Dermatology and Venereology*（JEADV），标题为《AI-powered visual diagnosis of vulvar lichen sclerosus: a pilot study》。

二、学术背景与研究动机
VLS是一种慢性炎症性皮肤病，影响约0.1%的青春期前女性和3%的绝经后女性，以瓷白色斑块（porcelain white plaques）、外阴结构改变（如阴唇融合、入口狭窄）为特征，可能导致瘙痒、疼痛甚至恶性转化。其诊断常因临床表现多样性和患者羞耻感而延迟。近年来，机器学习（machine learning, ML）在皮肤病图像识别中展现出潜力（如黑色素瘤、银屑病诊断），但尚未应用于VLS。本研究旨在开发基于深度学习（deep learning）的VLS图像识别模型，以辅助早期诊断。

三、研究流程与方法
1. 数据收集与清理
- VLS图像：从巴塞尔大学医院数据库获取757张临床或病理确诊的VLS图像，经两步验证（临床CLISSCo评分标准或病理特征如上皮增厚、基底膜增厚）确认诊断。排除低质量、儿科病例或诊断不确定图像后，保留684张。
- 非VLS图像：包括健康外阴（70%）和其他外阴疾病（如银屑病、湿疹，30%），来源包括医院数据库、公众上传网站“Wohlva.ch”及艺术组织“Vulvaversity”。最终纳入403张非VLS图像。
- 数据标注：在VLS图像中手动标记10类特征（如白斑、糜烂、阴唇吸收等），并划分训练集（469 VLS + 306非VLS）和测试集（215 VLS + 97非VLS）。

1. 算法开发与训练

   • 模型架构：采用ResNet34卷积神经网络（CNN），输入图像调整为224×224像素，利用预训练的ImageNet权重优化特征提取。
     
   • 训练参数：学习率3e-4，交叉熵损失函数，分两阶段训练（前5轮冻结特征提取层，后10轮微调全模型）。
     

2. 模型评估

   • 指标：通过三次独立运行的测试集结果取平均值，计算召回率（recall）、精确度（precision）和准确率（accuracy）。
     

四、主要结果
1. 模型性能：测试集平均召回率0.94（95% CI 0.90–0.97）、精确度0.99（95% CI 0.96–0.997）、准确率0.95（95% CI 0.92–0.97），表明模型能有效区分VLS与非VLS（含健康及其他疾病）。
2. 图像多样性验证：模型对医院标准图像和公众智能手机拍摄的非标准化图像均表现稳定，提示其潜在临床及家庭应用价值。
3. 局限性：未能成功开发VLS严重程度分级模型（因轻度/中度样本量不足），且缺乏患者人口统计学信息（如年龄、肤色）以评估模型普适性。

五、研究结论与价值
本研究首次证明基于深度学习的图像识别技术可高精度鉴别VLS，为临床医生（尤其非专科医师）和患者（通过家庭自拍筛查）提供了一种潜在辅助工具。其科学价值在于拓展了AI在罕见皮肤病诊断中的应用边界；应用价值在于可能缩短诊断延迟，改善患者预后。未来需通过前瞻性多中心研究进一步验证模型在真实世界的表现。

六、研究亮点
1. 创新性：首个针对VLS的ML研究，填补了该领域空白。
2. 方法学严谨性：结合临床与病理诊断金标准，数据清洗严格。
3. 应用潜力：模型兼容多样化图像来源，为开发临床或家庭AI工具奠定基础。

七、其他发现
研究揭示了VLS严重程度评估的挑战（与专家主观分歧一致），提示未来需更大样本或联合病理特征优化分级模型。此外，匿名化设计虽保护隐私，但限制了人口统计学分析，需后续研究补充。

（注：专业术语如“ResNet34”“CLISSCo评分”等首次出现时保留英文原词并标注中文释义，后续使用中文简称。）