醫工學人評論

創新性地結合智能手機成像與人工智能分析，實現了無創、低成本的瘧疾風險篩查，雖精度仍待優化，但在資源有限地區具有重要的公共衛生應用潛力。

瘧疾，一種由寄生蟲引起的傳染病，每年仍在全球范圍內威脅數百萬人的生命，尤其是在撒哈拉以南非洲地區。傳統的瘧疾檢測手段大多依賴血液檢測，如快速診斷測試（RDTs）或顯微鏡觀察，但這些方法往往成本高、依賴專業設備和人員、難以在資源匱乏地區大規模推廣。

如今，一項最新研究帶來了新的可能：僅用智能手機拍攝眼瞼結膜圖像，就能預測兒童是否感染瘧疾！這項創新技術結合放射組學（Radiomics）和深度學習（Deep Learning），為全球瘧疾篩查提供了一種無創、低成本的新方案。該研究由美國普渡大學主導，3月10日發表在npj Digital Medicine.

圖1 瘧疾風險分層或預篩查的 mHealth 影像組學

瘧疾放射組學檢測的流程圖包括三個主要步驟：前端處理（照片采集、眼瞼劃定和白平衡）、特征提取和選擇以及分類。放射組學分析是使用機載智能手機攝像頭拍攝的易于接近的外周組織（內眼瞼）的照片進行的。

創新突破：用智能手機“看”瘧疾！

這項研究的核心創新點在于，利用普通智能手機拍攝眼瞼結膜圖像，并結合人工智能（AI）算法分析，預測瘧疾感染風險。研究人員在盧旺達高瘧疾流行區收集了405 名 5-15 歲兒童的 4302 張眼瞼結膜照片，并通過以下技術步驟實現風險預測：

圖像采集：

研究人員使用三星 Galaxy S22 和 Google Pixel 6 等普通智能手機，在自然光下拍攝兒童**內眼瞼（結膜）**的照片。

眼瞼結膜是微血管豐富的區域，可以反映體內血液變化，成為非侵入式檢測的重要窗口。

智能圖像處理與特征提取：

采用Mask R-CNN 深度學習模型自動分割眼瞼區域，并進行白平衡處理，標準化圖像質量。

通過放射組學分析（Radiomics）提取圖像的顏色、紋理、微血管特征等關鍵信息，這些信息人眼無法直接察覺，但 AI 訓練模型可以識別其中的變化模式。

AI 瘧疾風險預測模型：

研究團隊構建了基于深度學習的神經網絡模型，用于學習和分類不同圖像特征，并預測瘧疾感染風險。

該模型在獨立測試集上的ROC 曲線下面積（AUC）達 0.76，表明其對瘧疾感染者與非感染者的區分能力具有一定可行性。

圖2 瘧疾和非瘧疾參與者內眼瞼代表性照片

臨床應用潛力：智能手機篩查能否改變游戲規則？

這項技術的最大亮點在于無創、便捷、低成本，特別適用于醫療資源有限的地區。那么，它是否具備現實的臨床應用價值呢？

? 適用于大規模瘧疾預篩查

傳統的瘧疾篩查主要依賴 RDTs，但受限于檢測成本和醫療資源。智能手機+AI 方法可以作為第一步風險評估工具，提高檢測效率。

未來如果結合手機 App，社區衛生工作者甚至普通用戶都能快速進行初步篩查。

? 降低檢測成本，提高可及性

該方法無需專門設備，僅依賴智能手機攝像頭即可完成檢測，極大降低了篩查成本。

適用于農村診所、學校和公共衛生項目，幫助早期發現瘧疾感染者。

? 促進 AI 在全球健康領域的應用

這項研究展示了 AI 在移動健康（mHealth）和計算機視覺領域的新應用，未來可拓展至其他血液相關疾病（如貧血、登革熱）篩查。

然而，該方法也存在一些限制：? 精度仍需提高：AUC 僅為 0.76，仍低于 RDTs（通常 0.85）和 PCR 診斷（0.9）。未來需要更多數據優化 AI 模型，提高靈敏度和特異性。

? 未能替代金標準檢測：目前，該方法仍不能完全替代 RDTs 或顯微鏡血涂片檢查，但可以作為早期篩查工具，與現有檢測手段互補。

? 適用范圍尚需驗證：研究僅針對 5-15 歲兒童，尚未驗證成人或其他人群的檢測效果。未來需要更大規模、多中心研究進行驗證。

圖3 使用選定特征對瘧疾進行放射組學預測的性能。

智能手機+AI，開啟無創瘧疾篩查新時代

這項研究為全球瘧疾防控帶來了新的可能性：智能手機結合 AI，可用于無創、低成本的早期風險篩查，尤其適用于醫療資源有限的地區。盡管該技術仍需優化和驗證，但其潛在的臨床應用價值不容忽視。

未來，隨著 AI 技術的進步和數據積累，該方法有望發展為一款智能手機 App，讓普通用戶和基層醫務人員能夠隨時隨地進行瘧疾風險評估，為全球瘧疾防控提供新的工具。