非節段型白斑之疾病活性特徵：結合定量 CRFF-OCT 影像與機器學習輔助分析之研究

白斑（vitiligo）是一種自體免疫性色素疾病，其特徵為黑色素細胞逐漸流失，且疾病活性變化具有不可預測性。尤其在臨床變化較為細微的病灶中，如何客觀評估疾病活性仍是一項重要挑戰。

細胞解析度全場光學同調斷層掃描（cellular-resolution full-field optical coherence tomography, CRFF-OCT）可提供非侵入性、高解析度且近似組織病理學的皮膚微結構影像。本研究旨在評估結合 CRFF-OCT 與機器學習輔助定量分析，用於影像化辨識白斑活性病灶與穩定病灶之可行性。

本研究於 2021 至 2022 年前瞻性納入 50 名非節段型白斑患者，並於相同解剖區域內，分別對病灶、病灶周邊皮膚及外觀正常皮膚進行 CRFF-OCT 影像掃描。研究人員進一步擷取描述表皮結構、真皮－表皮交界處（dermal–epidermal junction, DEJ）形態，以及與色素相關反射訊號的定量影像特徵。

研究建立一套機器學習輔助之電腦輔助偵測（computer-aided detection, CADe）架構，整合 13 項定量影像特徵，以進行影像層級的病灶活性分類。

CRFF-OCT 影像結果顯示，活動期與穩定期白斑病灶之間存在明顯不同的皮膚微結構特徵。穩定期病灶的表皮基底層色素相關反射訊號顯著低於活動期病灶（9.94% ± 10.06% vs. 21.84% ± 11.08%），病灶與正常皮膚之反射率比值亦呈現差異（0.21 vs. 0.56）。

進一步的定量分析發現，兩組在表皮厚度、DEJ 相關反射訊號、不同皮膚層次間的對比度，以及反射訊號異質性等特徵上均存在顯著差異。在所擷取的 13 項影像特徵中，有 9 項在兩組之間呈現統計上顯著差異，並被納入後續分類模型。

在不同的機器學習分類模型中，支持向量機（support vector machine, SVM）表現最佳，其 CADe 架構於影像層級分類的最高準確率達 80.6%。

本研究結果顯示，基於 CRFF-OCT 的定量影像分析可望作為一種客觀辨識白斑病灶狀態的方法。結合機器學習後，CRFF-OCT 具有應用於白斑疾病活性評估及長期疾病追蹤監測的潛力。