(HealthDay)——根据欧洲杂志1 月刊发表的一项研究，深度学习算法，如卷积神经网络 (CNN)，可以自动客观地执行基于图像的银屑病面积和严重程度指数 (PASI) 评分皮肤病学和性病学会。

来自荷兰奈梅亨 Radbound 大学医学中心的医学博士 Mirjam J. Schaap 及其同事检查了 CNN 在解剖区域进行基于图像的自动 PASI 评分的性能。影像系列与主治医师确定的 PASI 子评分相匹配。使用 576 个躯干、614 个手臂和 541 个腿部区域的标准化成像系列，对 CNN 进行了训练;每个解剖区域的每个 PASI 子评分(红斑、脱屑、硬结和区域)的训练都是分开的。通过组内相关系数 (ICC) 确定与医生在现实生活评估中确定的分数的一致性。

研究人员发现，对于躯干区域，红斑、脱屑、硬结和区域的 CNN 评分与真实评分之间的 ICC 分别为 0.616、0.580、0.580 和 0.793;腿部和手臂区域也出现了类似的结果。对于基于图像的躯干区域 PASI 评分，五名接受过 PASI 培训的医生彼此之间的一致性良好(ICC，0.706 至 0.793)。与医生基于图像的评分相比，红斑(0.616 对 0.558)、硬结(0.580 对 0.573)和面积评分(0.793 对 0.694)的 CNN 评分与真实评分之间的 ICC 略高;在脱屑评分方面，医生的表现略优于 CNN(0.580 对 0.589)。

“在未来，自动 PASI 评分可以在(远程)临床实践和临床研究中实现客观有效的 PASI 评分，”作者写道。