Trichoskopia jest obrazem, ale dla algorytmu może stać się zbiorem obiektów i pomiarów. Właśnie dlatego computer vision ma potencjał, by zmienić sposób dokumentowania włosów. Zamiast przechowywać serię fotografii i opisywać je słowami, możemy próbować zamienić część widocznych cech w dane ilościowe.
Najpierw trzeba znaleźć włos
Podstawowym zadaniem jest detekcja albo segmentacja. System musi rozpoznać, które piksele należą do łodygi włosa, a które do skóry, łuski, odbicia światła czy innego artefaktu. To brzmi prosto, dopóki nie pojawi się włos jasny na jasnej skórze, siwy, kręcony, przykryty inną łodygą albo częściowo niewidoczny.
W obrazie klinicznym nie istnieje idealne tło. Dlatego jakość segmentacji jest fundamentem kolejnych pomiarów. Jeżeli system źle wykrywa łodygi, późniejsza gęstość czy średnica również będą błędne.
Hair count i density to nie to samo
Liczba wykrytych włosów w obrazie jest prostsza niż wiarygodna gęstość. Gęstość wymaga znajomości rzeczywistej powierzchni analizowanego pola. Jeżeli dwa urządzenia pokazują obraz o podobnej rozdzielczości, ale różnym rzeczywistym polu widzenia, sama liczba pikseli nie pozwala przeliczyć wyniku na włosy na centymetr kwadratowy.
Dlatego ilościowe systemy potrzebują kalibracji skali. Bez niej można porównywać wybrane cechy względne, ale nie powinno się przedstawiać pozornie precyzyjnych jednostek fizycznych.
Średnica włosa i miniaturyzacja
W AGA szczególnie interesujący jest rozkład średnicy łodyg. Miniaturyzacja prowadzi do współistnienia włosów o różnym kalibrze i wzrostu udziału włosów cienkich. Computer vision może próbować mierzyć szerokość wykrytej łodygi w wielu punktach i na tej podstawie tworzyć rozkład dla całego obrazu.
To znacznie bogatsza informacja niż pojedyncze „miniaturyzacja obecna”. Możemy obserwować, czy zmienia się mediana szerokości, udział najcieńszej populacji albo stopień zróżnicowania średnic.
Terminalne i vellus-like: potrzebna ostrożność
Automatyczne rozróżnianie włosów terminalnych i vellus-like jest kuszącym zastosowaniem, ale wymaga jasnej definicji. Granice biologiczne nie zawsze są tak ostre, jak kategorie w arkuszu danych. System może więc klasyfikować włosy według ustalonego progu średnicy albo stosować model probabilistyczny.
Ważne, żeby próg i metoda były jawne oraz porównywalne między kolejnymi badaniami. W zastosowaniach klinicznych większą wartość może mieć stabilny, powtarzalny wskaźnik „thin-hair fraction” niż próba nadawania każdej łodydze kategorycznej etykiety biologicznej.
Artefakty są częścią realnego świata
Sebum, łuska, pozostałości kosmetyków, rumień, pęcherzyki powietrza przy trichoskopii kontaktowej, odbicia światła i włosy krzyżujące się to codzienność. System powinien potrafić nie tylko analizować idealne zdjęcia, ale również oceniać ich jakość.
Osobny quality-control model może zdecydować, czy obraz nadaje się do pomiaru, wymaga ponownego wykonania czy powinien zostać wyłączony z analizy. To ważne, bo automatyczny wynik z obrazu technicznie słabego może wyglądać profesjonalnie, a jednocześnie być bezwartościowy.
Quantitative hair phenotyping
Najciekawszy efekt pojawia się wtedy, kiedy wszystkie te pomiary łączymy w jeden fenotyp ilościowy. Dla danego obszaru możemy mieć zestaw cech:
- liczbę wykrytych włosów,
- gęstość,
- rozkład średnic,
- udział cienkich włosów,
- strukturę jednostek mieszkowych,
- wskaźniki jakości obrazu.
Taki profil można później porównywać w czasie, między regionami skóry głowy albo między grupami pacjentów. To właśnie quantitative hair phenotyping może stać się pomostem między klasyczną trichoskopią a prawdziwie cyfrową medycyną włosa.
Nie chodzi o zastąpienie obrazu liczbą
Liczby nie zastąpią oceny klinicznej. Mogą jednak sprawić, że dokumentacja stanie się bardziej powtarzalna. Specjalista nadal widzi cały obraz i interpretuje go w kontekście pacjenta. System dostarcza dodatkowej warstwy: pomiarów, trendów i porównań.
Właśnie w tym miejscu computer vision może być najbardziej użyteczne. Nie jako magiczna diagnoza z jednego zdjęcia, ale jako narzędzie do obiektywizacji tego, co widzimy.
O autorze
Marcel Kollek – trycholog kliniczny i twórca CELLØKLAB Technology. Zajmuje się zastosowaniem sztucznej inteligencji, computer vision i analizy danych w trichoskopii, ze szczególnym uwzględnieniem quantitative hair phenotyping, longitudinal monitoring oraz walidacji modeli AI.
ORCID: 0009-0006-3190-5023
Publikacje: 10.5281/zenodo.22860797 oraz 10.5281/zenodo.22861453