SKINOPATHY AI: Smartphone-Based Ophthalmic Screening and Longitudinal Tracking Using Lightweight Computer Vision

本文介绍了 SKINOPATHY AI，这是一款基于智能手机的轻量级计算机视觉 Web 应用，通过五个可解释的筛查模块（涵盖红眼量化、眨眼率估计、瞳孔光反射分析、巩膜颜色索引及虹膜病变测量），在无需云端 AI 推理和专用设备的条件下，为资源匮乏地区提供了隐私保护的纵向眼科筛查与追踪解决方案。

要点

这是一篇关于SKINOPATHY AI的论文介绍。简单来说，这是一个把智能手机变成“眼科医生助手”的免费小工具。

想象一下，你不需要去医院排队，也不用买昂贵的专业设备，只要拿出你口袋里的普通手机，就能完成一系列简单的眼部检查。这篇论文就是介绍这个工具是如何工作的，以及它有多聪明。

为了让你更容易理解，我们可以把 SKINOPATHY AI 想象成一个**“智能眼科体检包”**，它里面有五个不同的“小侦探”，专门负责不同的任务：

1. 五个“小侦探”在做什么？

这个系统通过手机摄像头和内置的算法，像侦探一样寻找眼睛里的蛛丝马迹：

• 🔴 侦探一：红眼测量员（红眼检测）

  • 任务：看看你的眼睛是不是太红了（比如红眼病或过敏）。
  • 比喻：就像给眼睛拍一张“色卡”。它不是凭感觉说“有点红”，而是像化学家一样，把照片里的颜色拆解成数据，精确计算红色的程度，并告诉你：“嘿，你的眼睛有点红，可能需要休息或看医生。”

• ⏱️ 侦探二：眨眼计数器（干眼症筛查）

  • 任务：统计你眨眼的频率。
  • 比喻：就像给眼睛装了一个“节拍器”。如果你盯着屏幕太久，眨眼次数变少，眼睛就会干涩。这个侦探会数你 10 秒钟眨了几次眼。如果眨得太少，它会提醒你：“你的眼睛太干了，该休息了！”

• 💡 侦探三：瞳孔反应测试（神经健康）

  • 任务：看看你的瞳孔遇到光时收缩得够不够快。
  • 比喻：就像玩“手电筒游戏”。手机屏幕闪一下光，侦探会观察你的瞳孔像“小弹簧”一样收缩和放松的速度。如果反应太慢，可能提示神经系统需要检查一下。

• 🟡 侦探四：肤色分析仪（黄疸与贫血）

  • 任务：检查眼白是不是发黄（黄疸）或发白（贫血）。
  • 比喻：就像给眼白做“验血”。如果眼白微微发黄，可能意味着肝脏有点累（黄疸）；如果眼白太苍白，可能意味着身体缺铁（贫血）。它通过分析颜色的细微差别来给出提示。

• 📏 侦探五：伤口测量尺（翼状胬肉追踪）

  • 任务：测量眼睛表面有没有长多余的肉（翼状胬肉），并记录它有没有变大。
  • 比喻：这是最厉害的一个。它利用虹膜（黑眼珠）的大小作为一把“隐形尺子”。因为人的黑眼珠大小差不多，它就能算出那个“多余的肉”长进了多少毫米。如果你过几个月再测一次，它还能告诉你：“这块肉长快了吗？”

2. 它为什么很特别？（核心亮点）

• 🚫 不需要“外挂”设备：很多眼科 APP 需要你在手机上夹一个特殊的镜头，或者连一个昂贵的仪器。SKINOPATHY AI 不需要，它只用你手机原本自带的摄像头。
• 🔒 隐私超级安全：很多医疗 APP 会把你的照片传到云端（互联网上）去分析，这有泄露隐私的风险。但这个工具的设计是**“本地化”**的。你的照片就像是在你家里的密室里被分析，分析完只留下一个数字结果，照片本身不会上传到任何地方。
• 🧠 它是“透明”的，不是“黑盒子”：现在的很多 AI 像“黑盒子”，你问它为什么得出这个结论，它说不出来。但 SKINOPATHY AI 的每一个结论都有迹可循。比如它说“眼睛红了”，你可以知道它是通过计算红色的像素比例得出的。这让医生和研究人员都能看懂它的逻辑。
• 📱 随时随地：它就像一个网页应用，打开浏览器就能用，不需要下载巨大的 APP。

3. 它能代替医生吗？

不能，但它是个极好的“分诊员”。

论文里反复强调，它不是用来确诊疾病的。它的作用更像是一个**“守门人”或“预警系统”**：

• 如果你测出来一切正常，你可以放心。
• 如果你测出来“眼睛很红”或者“眨眼太少”，它会温和地告诉你：“情况有点不对劲，建议你去找专业的眼科医生看看。”

总结

SKINOPATHY AI 就像是给你的手机装上了一套**“眼科自检工具箱”**。它利用手机强大的计算能力，把复杂的医疗检查变成了简单的拍照和录像。

它的目标是让那些住在偏远地区、或者因为忙碌没空去医院的人，也能在第一时间发现眼睛的潜在问题。虽然它现在还在“试运行”阶段，但它展示了未来医疗的一个美好方向：用我们手边最普通的工具，守护我们最珍贵的视力。

技术摘要

SKINOPATHY AI：基于智能手机的眼科筛查与纵向追踪技术总结

1. 研究背景与问题 (Problem)

全球约有 22 亿人患有视力障碍或失明，其中大部分位于医疗资源匮乏的低中收入国家。即使在发达国家，地理距离、高昂成本和专科医生短缺也导致了许多可治疗的眼部疾病（如干眼症、结膜炎、翼状胬肉、黄疸等）诊断延迟。

现有的移动眼科工具主要分为两类，但均存在局限性：

1. 硬件附件类：将智能手机转换为裂隙灯或眼底相机，但受限于配件成本和可用性。
2. 云端 AI 服务类：需要上传敏感生物特征图像，存在隐私风险、网络延迟和依赖连接的问题。

核心痛点：缺乏一种轻量级、隐私保护、可解释且完全在本地（或最小化后端）运行的筛查应用，能够在不依赖专用硬件或云端 AI 推理的情况下，利用普通智能手机进行多信号眼科筛查。

2. 方法论与系统架构 (Methodology & Architecture)

2.1 系统架构

SKINOPATHY AI 是一个基于浏览器的“手机优先”Web 应用，采用三层架构：

• 前端 (React)：负责用户交互、媒体采集（照片/视频）、可视化展示及 PDF 报告生成。
• 后端 (Python/FastAPI)：处理图像/视频分析，集成 OpenCV 和 MediaPipe FaceMesh 库。
• 数据库 (MongoDB)：存储会话数据、结果指标及纵向趋势，不存储原始图像以保护隐私。

2.2 五大筛查模块算法

该系统完全在设备端或本地后端运行，所有算法均为确定性且可解释的，而非黑盒神经网络。

1. 充血量化 (Redness Quantification)：

   • 原理：利用 CIE LAB 颜色空间，将 sRGB 转换为 LAB，提取 $a^*$ 通道（红 - 绿对立通道）。
   • 处理：通过亮度加权掩膜隔离巩膜区域，计算加权平均 $a^*$ 值，映射为 0-10 的充血评分。
   • 目的：筛查结膜炎、过敏和干眼症。

2. 眨眼率估计 (Blink Rate Estimation)：

   • 原理：基于 MediaPipe FaceMesh 的 468 个面部关键点，计算眼宽高比 (EAR)。
   • 处理：使用自适应阈值和因果移动平均滤波器平滑数据，通过有限状态机识别眨眼事件，计算每分钟眨眼次数 (bpm)。
   • 目的：筛查干眼症风险（眨眼过少）或刺激反射（眨眼过多）。

3. 瞳孔光反射 (Pupil Light Reflex, PLR)：

   • 原理：计算瞳孔 - 虹膜比 (PIR) 的时间序列。
   • 处理：利用 MediaPipe 虹膜关键点追踪瞳孔直径变化，结合光照刺激时间，计算收缩幅度、潜伏期、平均速度和峰值速度。
   • 目的：作为神经系统筛查信号（如头部损伤、药物监测）。

4. 巩膜颜色指数 (Scleral Color Indices)：

   • 原理：分析巩膜区域的 LAB 和 HSV 统计特征。
   • 处理：
     • 黄疸指数：基于 $b^*$ 通道（蓝 - 黄轴）的均值，作为胆红素升高的代理。
     • 苍白指数：基于 $L^*$ (亮度) 和 $a^*$ (红度) 的组合，作为贫血的代理。
   • 目的：筛查肝脏疾病和贫血。

5. 病变侵入测量与追踪 (Lesion Encroachment & Tracking)：

   • 原理：基于虹膜地标校准的像素到毫米转换。
   • 处理：利用人群平均水平可见虹膜直径 (HVID, 11.8mm) 进行校准。通过多颜色空间阈值分割翼状胬肉/睑裂斑区域，测量其侵入角膜的距离。
   • 纵向追踪：通过普通最小二乘法 (OLS) 计算生长速率，判断病变是否进展。
   • 目的：监测翼状胬肉进展，避免不必要的手术转诊。

3. 关键贡献 (Key Contributions)

1. 多模块可解释筛查流水线：在普通智能手机上实现了无需专用硬件或云端 AI 的五大眼科筛查功能。
2. 基于虹膜地标校准的病变测量算法：仅通过单张照片即可实现毫米级精度的病变侵入距离估算。
3. 自适应眨眼检测算法：基于 EAR 和帧率感知的自适应阈值，有效过滤伪影。
4. 纵向会话架构：支持跨就诊时间的趋势检测，用于监测病变进展。
5. 隐私优先设计：完全本地化处理或最小化后端，仅存储计算指标，不存储原始生物特征图像，符合消费者健康应用标准。
6. 临床验证框架：提出了针对每个模块的消融实验和评估方法，为未来的临床验证研究奠定基础。

4. 实验结果 (Results)

基于试点数据集（Pilot Dataset）的初步评估结果如下：

模块	关键指标	试点表现	目标/参考	状态
充血检测	Spearman 秩相关系数	0.86 ($p < 0.001$)	> 0.80 (vs. Efron 分级)	完成
眨眼率	平均绝对误差 (MAE)	$2.1 \pm 0.9$ 次/分	< 2.5 次/分	进行中
瞳孔反射	潜伏期误差	$42 \pm 18$ ms	< 50 ms (vs. 临床瞳孔计)	完成
颜色筛查	黄疸分类 AUC	0.79	> 0.80 (vs. 临床分级)	进行中
病变追踪	侵入距离 MAE	$0.31 \pm 0.12$ mm	< 0.5 mm (vs. 裂隙灯)	进行中

• 鲁棒性：自适应阈值在低光环境下表现显著优于固定阈值。
• 局限性：病变分割启发式算法在低对比度下存在约 16% 的假阴性率；HVID 校准引入了约 $\pm 0.5$ mm 的系统误差。

5. 意义与未来展望 (Significance & Future Work)

意义

• 可及性：为资源匮乏地区提供了一种低成本、无需专用设备的初步筛查工具。
• 隐私保护：消除了云端处理敏感医疗图像的风险，符合 GDPR 等严格的数据保护法规。
• 可解释性：所有指标均基于明确的数学公式和图像区域，便于临床医生审核和监管机构审查（符合 SaMD 原则）。
• 分诊价值：作为非诊断性的自我分诊工具，能有效引导患者寻求适当的医疗护理，减轻医疗系统负担。

未来方向

1. 算法升级：将启发式病变分割替换为轻量级训练模型（如 U-Net, Fast-SCNN），提高检测精度。
2. 端侧推理：利用 TensorFlow Lite 或 CoreML 实现完全离线运行，彻底消除后端延迟。
3. 质量控制：增加自动图像质量门控（模糊、眩光、光照不足检测）。
4. 校准优化：引入物理校准目标（如已知宽度的参考卡）以减少 HVID 假设带来的误差。
5. 临床验证：开展正式的前瞻性临床研究，以争取在相关司法管辖区获得消费者筛查类 SaMD 的监管批准。

总结：SKINOPATHY AI 证明了利用普通智能手机和开源计算机视觉库进行多信号、可解释的眼科筛查是可行的。它为未来经过临床验证的移动眼科工具奠定了坚实基础，特别是在隐私保护和资源受限场景下具有巨大的应用潜力。