2026.4.9
本综述首次全面且系统地审查了人工智能在微观毛发成像中的应用，提出了一个包含图像采集、表征学习、结构解析、生成与重建、定量读数和诊断闭环的五模块框架，旨在克服数据稀缺和领域漂移等挑战，以推动个性化治疗和临床实践发展。
Title题目
01
Artificial intelligence in microscopic hair imaging for scalp disorders: From image acquisition to clinical decisions
人工智能在头皮疾病微观毛发成像中的应用：从图像采集到临床决策
文献速递介绍
02
微观毛发成像涉及对毛干和毛囊结构进行足以分辨其形态特征（如直径、曲率、生长阶段标记和毛囊周围特征）的采集和计算分析。人工智能方法在该领域越来越多地用于支持自动化特征提取、定量评估以及成像数据的结构化解释，涵盖筛查、诊断和纵向监测等临床工作流程。该技术为头皮疾病的临床诊疗提供了客观和可重复的指标，具有非侵入性、可重复性和低成本等优势，尤其适用于早期皮肤癌评估、脱发评估和毛发移植规划。本综述旨在聚焦微观毛发成像中的人工智能方法，并提出一个以方法论为中心的五模块框架，以克服传统研究中模块独立性、物理约束忽视、指标不适用和管道解耦等问题，旨在为毛发医学成像的未来研究和临床实践提供一个统一的参考和路线图。
Aastract摘要
03
医学成像在现代临床决策中扮演着核心角色，它能将原始图像数据转化为可操作的诊断洞察。在头皮和毛发疾病领域，微观毛发成像已成为一种重要的无创、可重复且经济高效的评估工具。本综述首次全面系统地概述了人工智能在微观毛发成像中的应用。我们提出了一个新颖的五模块框架，它整合了图像采集、表征迁移、结构分析、生成式恢复和临床决策。该框架描绘了从像素级操作到临床读数的因果路径，解决了分辨率敏感性、噪声干扰和光学采集参数等挑战。本综述强调了为准确和可重复评估头皮疾病中毛发相关的临床目标建立任务特定基准的重要性。通过将方法论与具体任务解耦，本综述揭示了可应用于各种数据集和临床目标的普遍原则。作为同类综述中的首个，本工作旨在激发人工智能驱动毛发诊断领域的未来研究和发展，以推进个性化治疗并改善临床实践。
Method方法
04
本综述构建了一个以方法论为中心的框架，旨在将图像采集、伪影评估、学习信号与表征迁移、判别性结构解析、生成与重建范式以及定量读数和诊断闭环五个模块连接起来。在图像获取方面，涵盖亮场、外延照明显微镜、床旁数字毛发镜以及反射共焦显微镜（RCM）和光学相干断层扫描（OCT）等成像模式，并探讨了标注可靠性、协议标准化和临床有效性指标选择等关键问题。数据有限的监督策略部分讨论了弱监督、小样本解决方案和合成监督，以最大化监督预算并解决数据稀缺和类不平衡问题。表征迁移则关注预训练编码器、轻量级微调和模块化适应，以实现跨设备和人群的鲁棒性。判别性结构解析定义了毛发分割、分类、检测和方向估计等任务，并分析了经典图像处理管道和深度学习模型的优势与局限性。生成和重建范式则探讨了三种模型类型：局部插值、图像到图像映射和结构引导协同建模，并强调了超越通用图像质量指标的临床有效性评估。最后，定量读数和诊断闭环部分描述了如何将微观结构输出转化为稳定的测量面板，并进一步转化为诊断和治疗决策，强调了可解释性、可审计性和可操作性。
Discussion讨论
04
当前的微观毛发成像数据集存在皮肤色调和毛发表型分布不平衡、采集协议缺乏标准化、标注成本高昂且不一致等问题，这些都限制了模型的泛化能力和可迁移性。评估指标往往与临床任务不符，数据驱动模型常忽略成像物理原理，部署缺乏漂移监测且安全性不足，多中心验证有限，模型性能与临床效益之间的因果链条需要更强的可重现证据。未来的研究应着重于设计面向跨设备和跨中心学习的数据集，建立端到端采集和质量控制协议，并提供包含光学几何校准的元数据模式。评估应超越像素重叠，锚定于临床任务，例如，在解析方面应关注骨架连续性、方向场一致性和亚像素边界精度；在生成和重建方面，应量化结构保留和诊断不变性；在读数和决策方面，误差测量应与临床终点对齐。设备间的泛化挑战巨大，需要明确的设备条件化和领域适应策略，同时结合参数高效的测试时适应。高级建模方法如医学基础模型和扩散模型应适应毛发解剖学特征，并保留拓扑结构和临床不变性。最后，联邦学习和差分隐私为多中心协作提供了实践路径，确保数据隐私和模型的可审计性，并强调了将毛发成像的经验应用于其他细长结构分析领域，以及从其他领域借鉴连通性感知学习和拓扑保留目标的重要性。
Conclusion结论
05
本综述作为微观毛发医学成像与人工智能领域的首次系统性综合，提出了一个包含成像与伪影、学习信号与表征迁移、判别性结构解析、生成与重建范式以及诊断闭环任务目标基准的五模块框架。该框架将成像物理学视为上限，利用可计算结构作为中介，并采用任务目标基准作为评估锚点，明确了在小样本和强领域漂移条件下从像素到结构再到临床决策的路径。当前实践面临评估指标与临床任务不匹配、数据驱动模型忽视成像物理、缺乏漂移监测导致不安全部署以及多中心验证有限等问题。展望未来，通过标准化数据和评估协议，用临床锚定基准取代像素重叠指标；整合光学原理和因果推理，构建物理和因果知情的模型；采用包含不确定性门控和回滚机制的参数高效测试时适应程序；以及在独立设备和人群中进行严格的真实世界外部验证，微观毛发成像有望从可见性阶段迈向决策制定阶段，使研究原型成熟为可审计、可扩展的临床技术，在不同设备、人群和护理环境中提供一致的临床效益。
Results结果
06
本综述详细阐述了所提出的五模块框架的各个组成部分及其在微观毛发成像中的具体应用和挑战。在成像与伪影方面，探讨了亮场、数字毛发镜、RCM和OCT等不同成像模式的特点及其可见结构，强调了照明、偏振、传感器规格和处理管道对结构可见性的影响。同时，分析了散焦、假边缘和颜色失真等常见伪影，并提出了采集标准和后处理的重要性。在学习信号与表征迁移模块，针对数据稀缺问题，提出了弱监督、小样本学习和合成数据生成策略，并强调了预训练模型在跨设备领域适应中的关键作用。判别性结构解析部分则介绍了毛发分割、分类、方向检测和毛囊定位与分级等任务的定义和难点，并总结了从经典图像处理到深度学习及混合架构的模型发展，指出薄而高长宽比的毛发、交叉遮挡和镜面反射是主要挑战。在生成与重建范式中，提出毛发去除不仅是为了美学，更是为了揭示关键临床信息，并探讨了三种重建模型：局部完成、图像到图像映射和结构引导协同建模，强调了结构保真度和诊断安全性。最后，定量读数和诊断闭环模块将结构分析和重建结果转化为可理解的定量指标，如毛发计数、直径、曲率和方向场，并进一步转化为临床决策，通过虚拟纹身、光毛图等方法确保纵向评估的一致性和可靠性，最终目标是实现实时量化、可解释的诊断和治疗指导。
Figure图
07
图1.微观毛发成像以方法论为中心的框架概述。实线箭头表示主要工作流程，从图像采集和伪影评估开始，然后是学习信号和表征迁移，接着是判别性结构解析、生成式恢复，最后是定量读数和诊断闭环。侧面板列出了每个模块的关键主题。虚线箭头表示从下游评估到上游改进的诊断反馈，形成闭环以提供临床可解释的读数。
图2.四种微观毛发成像模式的代表性图像。医学图像来源：显微镜（Riquelme et al., 2023），OCT，RCM（Rubin et al., 2023）。
图3微观毛发成像流程中的干扰分类，涵盖属性、设备、采集、算法和部署层面，总结了固有目标模糊性、设备伪影、采集误差、模型局限性和系统级约束如何在流程中表现为代表性问题。
图4表型驱动的结构判别，将临床意图与分层分割、属性分类、方向检测以及毛囊定位与分级联系起来，为下游分析提供结构化输出。
图5毛发分割的典型失败案例：过度平滑、毛发遗漏、不连续性和背景干扰。
图6ISIC2017、ISIC2018和HAM10000数据集上毛发分割方法的性能评估。热图显示了各种指标的得分：准确率、Dice系数、特异性、敏感性、IoU、AUC、精确率、召回率和F1得分。颜色越深表示得分越高。
