特發性血小板減少性紫癜（ITP）是常見的血液性疾病，兒童發病率較高，但其診斷方法是排除性診斷，且現有檢測技術多是有創的，可能會對患者造成二次傷害，增加臨床風險。為彌補現有檢測技術上的不足，本研究從紅外熱像的角度對兒童 ITP 的診斷做初步探索。本文試驗共采集 11 個健康兒童和 22 個 ITP 兒童的正面紅外熱像，提取 7 個目標區域的花斑特征（PFD）、平均溫度（Troi）特征與最高溫度（MAX）特征，將加權后的 PFD 參數與臨床診斷過程中常用的血小板計數做相關分析，并通過受試者工作特征曲線（ROC）計算加權后的 PFD 參數對兒童 ITP 的敏感性和特異性。最終研究結果顯示，加權后的 PFD 參數在健康兒童和 ITP 兒童之間的差異有統計學意義，且與血小板計數呈負相關。在 ROC 曲線下，該參數的曲線下面積（AUC）高達 92.1%。基于本文研究結果表明，通過紅外熱像能夠清楚地表現出 ITP 兒童與健康兒童之間的差異，期望通過本文提出的方法可以無創地客觀描述兒童 ITP 紅外熱像特征，為今后 ITP 的診斷提供新的思路。
引用本文： 宓保宏, 于存國, 宋佳霖, 洪文學, 張文征, 王月. 初探紅外熱像對兒童特發性血小板減少性紫癜的診斷價值. 生物醫學工程學雜志, 2020, 37(4): 652-660. doi: 10.7507/1001-5515.201912053 復制
引言
特發性血小板減少性紫癜（idiopathic thrombocytopenic purpura，ITP）是一種免疫性綜合病征，發病人群以兒童為主。特點是 ITP 患兒血液中存在抗血小板抗體，導致血小板破壞過多，引起出血、紫癜等癥狀，屬于常見的出血性疾病[1]。ITP 的發病機制復雜，不易臨床診斷，目前仍處于排除性診斷階段，缺少特異性的實驗室檢查指標[2-3]。由于 ITP 具有病程較長、易反復的特點，因此會對患者的生理、心理造成較大影響。
目前 ITP 的診斷和評價大多依靠計數血小板（platelet，PLT）偏離正常值范圍的多少作為指標，輔助臨床醫生做出診斷，常見的檢查方法包括血象、骨髓象以及免疫學檢查等，但這些生化檢查均是有創的，容易增加患者傷口二次出血或感染的風險。國內外眾多學者從細胞分子學以及生物化學角度對 ITP 的病理機制進行研究，并取得了很大進展。Satoh 等[4]詳細描述了 ITP 的鑒別診斷方法，但同時也指出，這些方法依然不能達到明確診斷的目的。Shirasugi 等[5]指出 ITP 患者 PLT 在10 × 109～50 × 109 個/L 之間時，可能存在不同程度的自發性出血；而當小于 10 × 109 個/L 時，即考慮存在嚴重出血情況。PLT 可以直觀地反映血小板在血液中的含量以及抗體對血小板的破壞程度，目前該項指標已經沿用數十年，但 PLT 的檢測方式仍然存在較大局限，比如：① 作為一項有創檢測手段，容易對患者造成二次創傷；② 沒有特異性檢驗指標，無法作為 ITP 確診的金標準。因此，針對 ITP 目前的臨床診斷需求，迫切需要增加無創、無輻射的影像類檢查方法。
為豐富 ITP 的實驗室檢查指標，本課題組嘗試以紅外熱像儀為主要數據采集設備，結合軟件算法，對兒童 ITP 進行無創的可視化評價。近十年來，無創的光譜學成像技術在臨床研究中成為熱點話題，其中醫用紅外熱成像技術（infrared thermography，IRT）在臨床研究中取得了大量成果，也被歸類為功能性影像檢查技術。IRT 的技術原理是通過采集人體向自然界輻射的紅外信號，并通過數據處理與傳輸后，生成以人體皮膚溫度為核心的偽彩色圖像，再由人體皮膚溫度特征推測深層組織代謝狀態，實現無創、無輻射的疾病診斷與評估[6]。目前 IRT 已在腫瘤篩查、疼痛診斷、中醫可視化、免疫性疾病篩查等領域取得了大量研究成果[7-9]。劉旭龍等[10-11]通過 IRT 建立了面癱患者頭面部特征與面癱等級之間的關聯關系，并詳細討論了 IRT 在面癱客觀評價中的應用價值。張棟等[12-13]從中醫角度利用 IRT 探測人體經絡溫度特征，并與相對應的證型建立相關關系，為中醫可視化開創了先河。李洪娟等[14-15]通過 IRT 發現了不同體質人群之間皮膚溫度分布的不同模式，也發現了不同類型人群的皮膚溫度的共性特征。Brito 等[16]通過 IRT 觀測柔道運動員訓練后皮膚熱模式的免疫反應，并探討了 IRT 在免疫性疾病中的應用價值。Shilco 等[17]指出 IRT 可以在多類代謝性疾病的發病前期準確探測到對應區域內皮膚溫度的變化，為疾病篩查提供了重要依據。可見，IRT 有著極高的溫度敏感性，為人體代謝功能狀態的評估提供了可靠依據，但是上述文獻常用的量化評價方法多以局部溫度均值（Troi）、局部溫度極值以及多區域間溫差（△T）為主，評價參數較為單一，僅通過這些溫度特征很難準確表達局部區域內溫度分布的空間特性。
ITP 是免疫性疾病，而人體的免疫反應是有氧代謝過程，反應過程中會釋放大量熱能，理論上 IRT 技術能夠通過皮膚溫度推測免疫反應的二維空間位置（不能測量深度），免疫反應的區域越多，人體皮膚溫度的分布越混亂。由此可以提出假設：IRT 技術能夠探測到 ITP 兒童皮膚溫度分布混亂的現象，并可以通過設計新的算法來量化這種模式，進而實現對 ITP 兒童的客觀評價。
本文在 IRT 基礎上，提出感興趣區域（region of interest，ROI）內花斑特征檢測（piebald feature detection，PFD）算法，通過提取 ITP 兒童及健康兒童的 PFD 特征和溫度特征，對比研究兩組受試者之間的差異，以探討 IRT 技術在 ITP 疾病篩查、診斷以及療效評價中的意義。隨著本研究的深入，今后或可會為 ITP 的實驗室檢查增添無創、無輻射的影像類檢查方法，也可為 IRT 的臨床研究增加新的特征量化方法。
1 實驗與方法
1.1 實驗對象與實驗設備
本研究中的受試者為就診于北京中醫藥大學東直門醫院的 ITP 兒童以及體檢中心的健康兒童，年齡 4～11 歲，其中健康兒童 11 名，男女比例為 6∶5，無全身性疾病、無感染發熱和皮膚疾病，設為對照組；ITP 兒童 22 名，分為：ITP 1 組，11 名，男女比例為 6∶5，PLT 穩定在 50 × 109 個/L 以上，半年內未出現自發出血現象；ITP 2 組，11 名，男女比例為 6∶5，PLT 小于 50 × 109 個/L，半年內有自發出血狀況。
所有患病兒童的臨床診斷符合《2011 版美國血液學會免疫性血小板減少癥循證實踐指南》中提到的相關鑒別診斷方法[18]，該項研究獲得了北京中醫藥大學倫理委員會批準（No.DZMEC-KY-2019-102），且所有受試者均由其監護人簽訂了知情同意書。
所有受試者在采集圖像前需脫去全身衣物和飾品等貼身物品，靜息 15 min，保持皮膚干燥，且拍攝圖像時不得抓撓皮膚，防止留下印痕對數據造成干擾。確保進行 IRT 采集前一周內所有受試者未服用血管擴張類藥物或容易造成血管擴張的非藥物，如酒精類飲品等。
本研究采用的實驗設備為艙體式醫用紅外熱像儀（HIR-2000A，北京悅天光電技術有限公司，中國），環境溫度 30℃ 時熱靈敏度為 0.05℃，光譜范圍 7.5～13 μm，圖像像素尺寸為 256 × 336，空間分辨率 0.9 mrad，圖像采集頻率 9 Hz，艙體內環境溫度為（25 ± 1）℃，空氣相對濕度為 40%～50%，拍攝距離固定 3 m。
IRT 圖像采集時，受試者采用標準站姿站立，如圖 1 所示，手掌心向前，雙臂略微張開，目視鏡頭。
圖1
圖像采集時人體站立姿態
Figure1.
Human body standing posture during image acquisition
1.2 IRT 敏感區域花斑特征檢測方法
IRT 的臨床研究中，多以窗位步進的方式對單幅圖像進行調整，在動態調整的過程中臨床醫師通過經驗以及肉眼觀察，得到特征最明顯的單幀或多幀圖像信息作為最終臨床鑒別的依據，但顯然這是一個定性評價的過程，主觀性較大，操作復雜，難以形成行業內統一的規范。因此，如何將定性描述上升到定量描述也許是解決上述難題的重要途徑，也是從人眼看圖到計算機自動識別圖像的重要轉變。
本研究提出的假設是 ITP 兒童皮膚溫度可能出現分布混亂的現象，在 IRT 上可表現為目標區域內出現大小不規則的花斑樣改變，這是一個抽象化的特征。為此，本研究提出了基于 IRT 敏感區域 PFD 檢測方法，主要由尺度變換與分層、斑塊定位以及特征計算三個主要模塊構成，算法流程如圖 2 所示。本算法模擬臨床醫師讀圖的流程，動態計算各幀圖像特征，選取特征最大的數據作為輸出，降低人為調圖的主觀性對最終判別的影響。由于不同的調色板對圖像識別算法存在影響，因此首先對目標 ROI 圖像進行灰度變換，后續算法在灰度圖像上進行。尺度變換與分層是通過窗位步進，生成 n 幀圖像。目標區域內花斑樣特征由高溫斑塊和低溫斑塊共同構成，因此在斑塊定位時，將分為高溫檢測（high temperature detection，HTD）與低溫檢測（low temperature detection，LTD）兩個分支，并通過特征計算公式分別量化各自特征，最終再逐幀求和，得到每幀圖像的量化參數。
圖2
紅外熱像目標區域花斑特征計算流程圖
Figure2.
Flow chart of calculation of piebald feature in the target region of infrared thermography
1.2.1 單幅圖像局部區域尺度變換與自動分層
如圖 2 所示的流程圖是以規則四邊形為例展示的，但本文算法并不局限于規則四邊形，適用于任意多邊形。當提取圖像為不規則多邊形時，首先計算該多邊形的最大外接矩形，然后再以多邊形區域內最大灰度值或最小灰度值分別填充該外接矩形內的空白區域，其中 HTD 用最小灰度值填充，LTD 用最大灰度值填充，通過這種方式填充后，在圖像二值化的過程中，不影響目標特征的定位與計算，將不規則區域特征計算轉換為規則四邊形特征計算，也降低了計算的復雜度。
建立規則四邊形 ROI 區域后，可以提取矩形區域二維溫度集合 T［i，j］，將 T［i，j］內溫度最大值與最小值分別記作 Tmax 和 Tmin，同時初始化窗寬與窗位參數，分別標記為 w 和 s。根據臨床數據顯示，受生理結構的干擾，人體皮膚表面溫度在不同的位置可出現 4～6℃ 的變化幅度[17]，而考慮到疾病對皮膚溫度的影響，w 的值應大于 6℃。結合多位紅外熱像臨床醫師經驗，實際應用中多以 w 取 10℃ 為參考，因此本文將 w 初始化為 10。初始化 s 的值為 Tmin，并以 0.1℃ 為步長，對窗位進行步進，終止條件為 Tmax ≥ s + w。通過上述操作可以將一幀圖像數據轉換成 n 組數據，每一組數據對應一個 s 的值。以 s 和 w 為基準，將 T 內數據點 T［i，j］歸一化到 0～255，具體歸一化方法如式（1）所示：
 |
其中，Uk［i，j］為第 k 幀數據歸一化后的二維集合，為防止偽彩色圖像對后續二值化、連通區域檢測等圖像處理過程造成干擾，將 Uk［i，j］繪制成灰度圖像。上述過程實現了 IRT 目標區域的尺度變換和自動分層，與人工調整、判別圖像的過程相匹配。
如圖 3 所示，目標為任意多邊形區域，經過尺度變換和自動分層生成了 n 幀灰度圖像，上方為最小值填充背景后圖像，下方為最大值填充背景圖像，其中 n = 51，i = 1，2，3，
，n，表示某一幀的圖像。由于圖像數量較多，只抽取其中部分圖像展示。
圖3
多邊形區域尺度變換與自動分層結果
Figure3.
Polygon area scale transformation and automatic layering results
1.2.2 離散斑塊定位與 PFD 特征計算
得到 n 幅灰度圖像后，可以在這些圖像上分別做離散斑塊檢測，該過程包括：自適應二值化、形態學閉運算、連通區域檢測、離散性計算等。
由于 IRT 花斑樣改變是由高溫斑塊和低溫斑塊共同構成，且二者可以同時出現在 ROI 內，因此圖像的二值化過程需分為兩部分，即分別進行涼檢測和熱檢測。熱檢測可直接按大津法（Ostu）[19]對其自適應操作，將灰度值更高的區域留下；涼檢測需對各幀圖像做先做灰度轉置，即負片處理，再做 Ostu 操作，將低溫區留下。
二值化處理后的圖像可能存在部分黏連的區域以及高頻噪聲，為解決這樣的問題，首先對每幀圖像做形態學閉運算處理，目的是盡可能分離圖像內的連通區域，并濾除圖像內微小的散粒噪聲。本文采用尺寸大小為 3 × 3 的方形結構元素對各幀圖像進行處理，若結構元素較大，則容易過分切割圖像內的連通區域，影響實驗結果，因此采用最小的結構元素，既能完成連通區域分割，又能濾除高頻的離散噪聲，不影響圖像整體灰度分布特征。
經過閉運算處理后，將對二值圖像進行連通區域檢測，并把局部連通的像素點聚類，生成封閉的不規則斑塊區域，本文采用 4 連通區域檢測算法，如圖 4 所示，經過閉運算處理后圖像二維矩陣記作 Mk［i，j］，其中 i 和 j 為索引號，圖中標記的黑點表示該點像素值為 1，若 Mk［i，j］像素值為 1，則檢測與該像素點近鄰的上下左右四個方向像素值，若近鄰點像素為 1 則與該像素點屬于同一連通區域內，對目前集合 M 內所有數據點完成遍歷后即可得到所有連通區域的大小、位置等信息，即完成了斑塊定位。
圖4
標準 4 連通區域檢測方法
Figure4.
Standard 4 connected area detection method
通過上述操作可以得到每幀圖像的斑塊個數、面積、索引等數據信息，在此基礎上，可以建立算術模型。在臨床醫師對花斑樣改變的辨識過程中，認為小型斑塊區域越多，則該區域內 PFD 特征越明顯，斑塊個數越少且面積越大，則 PFD 特征越小。為此，在檢測出的斑塊信息基礎上，提出了 PFD 特征（以符號 Pfdi 表示）的算術模型，如式（2）所示：
 |
其中，第 i 幀圖像內連通區域個數（符號記為：ACi）表示 HTD 或 LTD 過程中經過圖像識別定位的斑塊個數；最大斑塊面積（符號記為：Smaxi）表示該幀圖像內最大連通區域的像素個數；平均斑塊面積（符號記為：Savgi）表示該幀圖像內所有連通區域像素個數的平均值。平均斑塊面積與最大斑塊面積的比值能夠反映斑塊的整體大小情況。由算術模型可知，ACi 與 Pfdi 正相關，斑塊的大小與 Pfdi 負相關，模型的變量由斑塊的個數和斑塊相對面積構成，幾乎不受測量區域的大小影響，因此該模型對測量區域的大小不敏感。
經過 HTD 和 LTD 兩路的斑塊定位與 PFD 特征計算，一個 ROI 將會計算得到兩組長度為 n 的特征集合，再根據集合的索引逐項求和可以得到一個 ROI 的 n 維特征集合（以符號 FPfdi 表示），最終的結果以 FPfdi 中的最大值［以符號 max（FPfdi）表示］作為 PFD 算法的最終輸出。
以隨機目標區域為例，如圖 5 所示，將目標區域分別進行高溫斑塊檢測和低溫斑塊檢測，并經過上述算術模型得出結果分別為 6.83 和 3.21，溫度分布平滑的區域量化結果較小，溫度分布斑塊化區域量化結果更大，基本符合客觀結果。
圖5
隨機目標區域 PFD 算法輸出結果
Figure5.
Output result of PFD algorithm in random target area
經過上述計算，可以實現“花斑樣”抽象特征的量化描述，為后續特征提取與分析提供算術基礎。
1.3 測量區域選擇與特征提取
ITP 是自身免疫性疾病，患者血液中存在血小板相關抗體，與血小板發生免疫反應，而免疫反應是有氧代謝過程，會釋放大量熱能，通過組織輻射到皮膚表面，造成皮膚溫度的改變。脾臟中含有大量巨噬細胞，可以產生高濃度的抗血小板抗體，且血流緩慢可阻留抗體被覆的血小板，因此脾臟成為血小板被破壞的主要場所，但研究表明肝臟和骨髓也是血小板被破壞的場所[20]。Lefran?ais 等[21]于 2017 年在 Nature 期刊上發表的重大研究成果表明，肺也是個造血器官，動物體內有一半以上的血小板來自于肺部。為驗證本研究提出的假設，本研究將提取人體肺、肝、脾等輻射區域圖像的 PFD 特征以及溫度特征，同時提取大腿以及上臂非臟器區域特征作為對比研究，探討兒童 ITP 患者皮膚溫度特征的變化與疾病的相關性。
人體皮膚表面溫度分布受生理結構影響，通常生理性凹陷區域溫度較高，生理性凸出區域溫度較低[22]。為降低生理結構干擾，所有測量區域應該選擇人體生理結構較為平滑的區域，避開如鎖骨窩、腋下、臍周、股溝等明顯的生理凹陷區，同時多區域測量的方式可將單區域測量可能出現的偶然事件降低。本研究提出的劃分方法如圖 6 所示，要提取的人體正面 IRT 圖像 ROI 區域主要包括軀干和四肢，其中，ROI_1、ROI_2、ROI_3 主要為軀干皮膚溫度分布區域，ROI_4、ROI_5、ROI_6、ROI_7 對應四肢部分。
圖6
測量區域劃分方法
Figure6.
Measurement area division method
所有測量區域均提取平均溫度（以符號 Troi 表示）、最高溫度（以符號 MAX 表示）以及 PFD 特征作為數據分析依據。
1.4 統計方法
為對比 IRT 常用分析方法 Troi、MAX 和本文提出的 PFD 特征在表達皮膚溫度“花斑樣”程度上的差異性，將對劃分的 7 塊 ROI 區域提取上述特征值，并進行正態分布檢驗，若符合則直接使用單因素方差分析（analysis of variance，ANOVA），若不符合正態分布，則對數據做正態分布轉換后再使用單因素 ANOVA 分析，其中 P < 0.05，表示差異具有統計學意義。
為探討各特征與臨床檢驗參數 PLT 以及組別之間的相關性，采用線性相關分析和相關比率（ETA）分析。當兩個變量為數值類型時采用皮爾遜（Pearson）相關分析，若兩變量為類別或等級變量和數值變量時，采用斯皮爾曼（Spearman）相關分析和 η 檢驗。
為分析本文提出的 PFD 特征對 ITP 分組的回歸特性，采用邏輯（Logistic）回歸分析。因敏感性、特異性是臨床評價的重要參數，為對比各目標區域 PFD 特征的特異性，通過受試者工作特征曲線（receiver operating characteristic curve，ROC）對比分析，ROC 曲線下的面積（area under curve，AUC）反映該特征敏感性、特異性能力，面積大于 0.81 為良好，面積小于 0.5 表示差異沒有統計學意義。
本研究采用統計學分析軟件 IBM SPSS 20.0（SPSS Inc.，美國）對上文提到的統計學方法進行分析。
2 結果
各樣本 7 個目標區域的特征參數經過單因素方差分析得到結果如表 1 所示。各組數據以平均值 ± 標準差的形式表現，P < 0.05，表示差異具有統計學意義。由數據可知，只有 ROI_1、ROI_2、ROI_3 三個區域內的 PFD 特征的差異具有統計學意義，其余區域以及特征的差異均沒有統計學意義。可見常用的 Troi 和 MAX 方法并不擅長計算 IRT 溫度分布空間特性。
表1
各組別 7 個目標區域內特征值的單因素 ANOVA 結果表
Table1.
Results of one-way ANOVA of eigenvalues in seven target areas of each group
為探討 ROI_1、ROI_2、ROI_3 三個區域 PFD 特征與 PLT 之間的相關性，以及特征值與組別之間的相關性，通過線性相關分析得到結果如表 2 所示。其中 Group-3 是對樣本三分組的類別標簽，Group-2 是將所有樣本按是否為 ITP 劃分的 2 分類標簽，ROI_W 為三個區域按面積加權計算得到的單維度特征。由結果可知，PFD 特征與 PLT 和分組之間具有相關性，且 PFD 特征與 PLT 之間呈負相關關系。統計學上認為，相關性在 0.6～0.8 之間時，表示兩個變量具有高度相關性，ROI_W 較未加權的數據相關性更強，達到 0.6 以上，表示 ROI_W 特征與 PLT 具有高度相關性。
表2
三個目標區域內 PFD 特征與 PLT 和分組之間的相關性分析結果
Table2.
Correlation analysis between PFD characteristics and PLT and grouping in three target regions
為探討 PFD 特征對 ITP 的診斷價值，從 ROC 曲線分析該特征對疾病的敏感性和特異性，并計算出臨界 PFD 值作為分類統計參數。ROC 曲線是針對二分類問題設計的分析方法，在使用 ROC 曲線之前，需要將各個參數對疾病的診斷價值做二元 Logistic 回歸分析，只有當該參數差異具有統計學意義時（P < 0.05），才能進行 ROC 分析。
經過驗證，PFD 特征在 ROI_1、ROI_2、ROI_3 和 ROI_W 上，針對 ITP 診斷，差異均有統計學意義。繪制 ROC 曲線如圖 7 所示，ROI_W 區域的 AUC 最大，對 ITP 的診斷價值最大，計算 AUC 臨界 PFD 值的方法為約登指數（以符號 Yd 表示）法，如式（3）所示：
圖7
不同區域 PFD 特征對 ITP 診斷價值的 ROC 曲線
Figure7.
ROC curve of PFD features in different areas for ITP diagnostic value
 |
其中，敏感性（符號記為：sensitivity）表示陽性結果中真陽性的比率；特異性（符合記為：specificity）表示陰性結果中真陰性的比率。當 Yd 最大時，對應的 PFD 特征即為臨界特征參數，根據該參數對樣本驗證后得到準確率，其與 AUC 對應。計算 ROI_W 參數的約登指數為 0.864，對應 PFD 特征為 4.648 2，高于該值即被判斷為 ITP 兒童，低于該值為健康兒童，準確率為 92.1%。
3 討論
健康人體皮膚溫度分布均勻，呈左右對稱，當局部區域代謝異常時，皮膚表面溫度會發生改變，代謝加快則溫度升高，代謝受阻則溫度降低[23]。ITP 是自身免疫性疾病，該類人群血液中存在血小板相關抗體，會與血小板發生免疫反應，而免疫反應是有氧代謝過程，因此會釋放大量熱能，通過組織輻射到皮膚表面。由本文研究結果可知，提取的 7 個區域中，差異具有統計學意義的 3 個區域均為軀干部分，以心肺部、肝臟、脾臟輻射區域為主，與文獻[20-21]描述的血小板破壞場所一致。其他 4 個區域為四肢，不在臟器輻射范圍內，均沒有統計學意義。本次試驗結果雖然不能直接肯定或否定前人的研究成果，但從一定意義上對主流學說起到了客觀印證的作用。而區域內溫度分布呈花斑樣改變的原因，是免疫反應的時間、空間信息不固定，以及免疫反應對皮膚表面微循環系統產生的病理性改變，從而直接影響局部溫度的分布不均勻，故呈現出花斑樣改變。因此，IRT 能夠一定程度上反應區域內免疫反應發生的程度，進而間接推斷血小板破壞程度，可以嘗試作為評價藥物或手術治療 ITP 療效趨勢的功能指標。
臨床對 ITP 患者的評價以 PLT 為主要參考依據，本文提出的 PFD 特征與 PLT 的相關性分析，可以得到二者之間存在高度相關性。其中 3 個目標測量區域 PFD 特征加權后的測量結果和 PLT 的相關性最高，在此基礎上，利用 ROC 曲線驗證該特征對 ITP 兒童的診斷價值，AUC 面積達到了 92.1%，患病兒童和健康兒童之間的差異較大。
本研究從宏觀角度，觀測患者皮膚溫度分布特性，在小樣本的驗證下，依然得到了較好的結果，今后可以嘗試將該方法深入研究并擴大應用范圍，特別是對于全身免疫性疾病，IRT 新的量化指標可以更好地詮釋不同狀態下免疫應激反應及代謝狀況，有利于研判疾病的轉歸，適時調整治療方案。雖然本課題研究結果對 ITP 兒童有著較高的診斷價值，但是依然存在應用的局限性，包括以下方面：
（1）樣本量較少，并不能覆蓋 ITP 疾病全體人群。
（2）本課題探究的是 ITP 兒童患者的情況，是否適用于成人間的判定，有待進一步研究。
（3）出血形成瘀斑所在組織的深度不同，可能會影響記錄到的 IRT 花斑特征，此時花斑特征可能不與病變程度正相關。
（4）ITP 患者皮下脂肪的薄厚不同，也可能會影響到脂肪組織下瘀斑溫度向體表輻射的情況，脂肪厚則花斑特征未必明顯。
（5）本研究的試驗結果僅可作為初步觀察報道。
基于以上局限，本課題組將在后續研究中增加樣本量，細化 PFD 的診斷臨界閾值，深度剖析 ITP 患者瘀斑的位置和組織深度對 IRT 圖像特征的影響，同時會嘗試將本文提出方法應用到實際的藥物療效評價中。
IRT 臨床研究中多以局部溫度均值、局部溫度極值、溫度對稱性等方法為主要研究手段，但這些方法均不能表達二維平面區域內溫度分布的空間特性，本文提出的 IRT 局部區域 PFD 算法可以在一定程度上表達區域內溫度分布離散特性，也可將該方法延伸到運動試驗監測、血管性疾病篩查與診斷、心生理學等 IRT 臨床研究中。
4 結論
IRT 的臨床應用可以快速探測人體皮膚溫度分布，推斷深層組織代謝情況。ITP 兒童的 IRT 特征比較明顯，多呈花斑樣改變。為得到可量化的參數，本文提出了 PFD 算法，將這種花斑性特征數字化。研究結果顯示，在測量的目標區域中，軀干部分的 3 個區域內 PFD 特征差異具有統計學意義。在 ROC 曲線和約登指數的計算下，得出了 PFD 特征分類閾值，分類準確率達到 92.1%。這種無創的 IRT 技術較傳統 PLT 方法更快捷，且二者之間的相關性達到 0.6 以上，具有高度相關性，但本研究依然屬于探索性研究，還存在一定的局限性，在后續的研究中將會對存在的問題進行深度解析。綜上所述，本文提出的 PFD 算法結合 IRT 技術可能會為 ITP 兒童的實驗室檢查增加新的檢測工具，也為 IRT 臨床研究增加新的空間性特征計算方法奠定了基礎。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
特發性血小板減少性紫癜（idiopathic thrombocytopenic purpura，ITP）是一種免疫性綜合病征，發病人群以兒童為主。特點是 ITP 患兒血液中存在抗血小板抗體，導致血小板破壞過多，引起出血、紫癜等癥狀，屬于常見的出血性疾病[1]。ITP 的發病機制復雜，不易臨床診斷，目前仍處于排除性診斷階段，缺少特異性的實驗室檢查指標[2-3]。由于 ITP 具有病程較長、易反復的特點，因此會對患者的生理、心理造成較大影響。
目前 ITP 的診斷和評價大多依靠計數血小板（platelet，PLT）偏離正常值范圍的多少作為指標，輔助臨床醫生做出診斷，常見的檢查方法包括血象、骨髓象以及免疫學檢查等，但這些生化檢查均是有創的，容易增加患者傷口二次出血或感染的風險。國內外眾多學者從細胞分子學以及生物化學角度對 ITP 的病理機制進行研究，并取得了很大進展。Satoh 等[4]詳細描述了 ITP 的鑒別診斷方法，但同時也指出，這些方法依然不能達到明確診斷的目的。Shirasugi 等[5]指出 ITP 患者 PLT 在10 × 109～50 × 109 個/L 之間時，可能存在不同程度的自發性出血；而當小于 10 × 109 個/L 時，即考慮存在嚴重出血情況。PLT 可以直觀地反映血小板在血液中的含量以及抗體對血小板的破壞程度，目前該項指標已經沿用數十年，但 PLT 的檢測方式仍然存在較大局限，比如：① 作為一項有創檢測手段，容易對患者造成二次創傷；② 沒有特異性檢驗指標，無法作為 ITP 確診的金標準。因此，針對 ITP 目前的臨床診斷需求，迫切需要增加無創、無輻射的影像類檢查方法。
為豐富 ITP 的實驗室檢查指標，本課題組嘗試以紅外熱像儀為主要數據采集設備，結合軟件算法，對兒童 ITP 進行無創的可視化評價。近十年來，無創的光譜學成像技術在臨床研究中成為熱點話題，其中醫用紅外熱成像技術（infrared thermography，IRT）在臨床研究中取得了大量成果，也被歸類為功能性影像檢查技術。IRT 的技術原理是通過采集人體向自然界輻射的紅外信號，并通過數據處理與傳輸后，生成以人體皮膚溫度為核心的偽彩色圖像，再由人體皮膚溫度特征推測深層組織代謝狀態，實現無創、無輻射的疾病診斷與評估[6]。目前 IRT 已在腫瘤篩查、疼痛診斷、中醫可視化、免疫性疾病篩查等領域取得了大量研究成果[7-9]。劉旭龍等[10-11]通過 IRT 建立了面癱患者頭面部特征與面癱等級之間的關聯關系，并詳細討論了 IRT 在面癱客觀評價中的應用價值。張棟等[12-13]從中醫角度利用 IRT 探測人體經絡溫度特征，并與相對應的證型建立相關關系，為中醫可視化開創了先河。李洪娟等[14-15]通過 IRT 發現了不同體質人群之間皮膚溫度分布的不同模式，也發現了不同類型人群的皮膚溫度的共性特征。Brito 等[16]通過 IRT 觀測柔道運動員訓練后皮膚熱模式的免疫反應，并探討了 IRT 在免疫性疾病中的應用價值。Shilco 等[17]指出 IRT 可以在多類代謝性疾病的發病前期準確探測到對應區域內皮膚溫度的變化，為疾病篩查提供了重要依據。可見，IRT 有著極高的溫度敏感性，為人體代謝功能狀態的評估提供了可靠依據，但是上述文獻常用的量化評價方法多以局部溫度均值（Troi）、局部溫度極值以及多區域間溫差（△T）為主，評價參數較為單一，僅通過這些溫度特征很難準確表達局部區域內溫度分布的空間特性。
ITP 是免疫性疾病，而人體的免疫反應是有氧代謝過程，反應過程中會釋放大量熱能，理論上 IRT 技術能夠通過皮膚溫度推測免疫反應的二維空間位置（不能測量深度），免疫反應的區域越多，人體皮膚溫度的分布越混亂。由此可以提出假設：IRT 技術能夠探測到 ITP 兒童皮膚溫度分布混亂的現象，并可以通過設計新的算法來量化這種模式，進而實現對 ITP 兒童的客觀評價。
本文在 IRT 基礎上，提出感興趣區域（region of interest，ROI）內花斑特征檢測（piebald feature detection，PFD）算法，通過提取 ITP 兒童及健康兒童的 PFD 特征和溫度特征，對比研究兩組受試者之間的差異，以探討 IRT 技術在 ITP 疾病篩查、診斷以及療效評價中的意義。隨著本研究的深入，今后或可會為 ITP 的實驗室檢查增添無創、無輻射的影像類檢查方法，也可為 IRT 的臨床研究增加新的特征量化方法。
1 實驗與方法
1.1 實驗對象與實驗設備
本研究中的受試者為就診于北京中醫藥大學東直門醫院的 ITP 兒童以及體檢中心的健康兒童，年齡 4～11 歲，其中健康兒童 11 名，男女比例為 6∶5，無全身性疾病、無感染發熱和皮膚疾病，設為對照組；ITP 兒童 22 名，分為：ITP 1 組，11 名，男女比例為 6∶5，PLT 穩定在 50 × 109 個/L 以上，半年內未出現自發出血現象；ITP 2 組，11 名，男女比例為 6∶5，PLT 小于 50 × 109 個/L，半年內有自發出血狀況。
所有患病兒童的臨床診斷符合《2011 版美國血液學會免疫性血小板減少癥循證實踐指南》中提到的相關鑒別診斷方法[18]，該項研究獲得了北京中醫藥大學倫理委員會批準（No.DZMEC-KY-2019-102），且所有受試者均由其監護人簽訂了知情同意書。
所有受試者在采集圖像前需脫去全身衣物和飾品等貼身物品，靜息 15 min，保持皮膚干燥，且拍攝圖像時不得抓撓皮膚，防止留下印痕對數據造成干擾。確保進行 IRT 采集前一周內所有受試者未服用血管擴張類藥物或容易造成血管擴張的非藥物，如酒精類飲品等。
本研究采用的實驗設備為艙體式醫用紅外熱像儀（HIR-2000A，北京悅天光電技術有限公司，中國），環境溫度 30℃ 時熱靈敏度為 0.05℃，光譜范圍 7.5～13 μm，圖像像素尺寸為 256 × 336，空間分辨率 0.9 mrad，圖像采集頻率 9 Hz，艙體內環境溫度為（25 ± 1）℃，空氣相對濕度為 40%～50%，拍攝距離固定 3 m。
IRT 圖像采集時，受試者采用標準站姿站立，如圖 1 所示，手掌心向前，雙臂略微張開，目視鏡頭。
圖1
圖像采集時人體站立姿態
Figure1.
Human body standing posture during image acquisition
1.2 IRT 敏感區域花斑特征檢測方法
IRT 的臨床研究中，多以窗位步進的方式對單幅圖像進行調整，在動態調整的過程中臨床醫師通過經驗以及肉眼觀察，得到特征最明顯的單幀或多幀圖像信息作為最終臨床鑒別的依據，但顯然這是一個定性評價的過程，主觀性較大，操作復雜，難以形成行業內統一的規范。因此，如何將定性描述上升到定量描述也許是解決上述難題的重要途徑，也是從人眼看圖到計算機自動識別圖像的重要轉變。
本研究提出的假設是 ITP 兒童皮膚溫度可能出現分布混亂的現象，在 IRT 上可表現為目標區域內出現大小不規則的花斑樣改變，這是一個抽象化的特征。為此，本研究提出了基于 IRT 敏感區域 PFD 檢測方法，主要由尺度變換與分層、斑塊定位以及特征計算三個主要模塊構成，算法流程如圖 2 所示。本算法模擬臨床醫師讀圖的流程，動態計算各幀圖像特征，選取特征最大的數據作為輸出，降低人為調圖的主觀性對最終判別的影響。由于不同的調色板對圖像識別算法存在影響，因此首先對目標 ROI 圖像進行灰度變換，后續算法在灰度圖像上進行。尺度變換與分層是通過窗位步進，生成 n 幀圖像。目標區域內花斑樣特征由高溫斑塊和低溫斑塊共同構成，因此在斑塊定位時，將分為高溫檢測（high temperature detection，HTD）與低溫檢測（low temperature detection，LTD）兩個分支，并通過特征計算公式分別量化各自特征，最終再逐幀求和，得到每幀圖像的量化參數。
圖2
紅外熱像目標區域花斑特征計算流程圖
Figure2.
Flow chart of calculation of piebald feature in the target region of infrared thermography
1.2.1 單幅圖像局部區域尺度變換與自動分層
如圖 2 所示的流程圖是以規則四邊形為例展示的，但本文算法并不局限于規則四邊形，適用于任意多邊形。當提取圖像為不規則多邊形時，首先計算該多邊形的最大外接矩形，然后再以多邊形區域內最大灰度值或最小灰度值分別填充該外接矩形內的空白區域，其中 HTD 用最小灰度值填充，LTD 用最大灰度值填充，通過這種方式填充后，在圖像二值化的過程中，不影響目標特征的定位與計算，將不規則區域特征計算轉換為規則四邊形特征計算，也降低了計算的復雜度。
建立規則四邊形 ROI 區域后，可以提取矩形區域二維溫度集合 T［i，j］，將 T［i，j］內溫度最大值與最小值分別記作 Tmax 和 Tmin，同時初始化窗寬與窗位參數，分別標記為 w 和 s。根據臨床數據顯示，受生理結構的干擾，人體皮膚表面溫度在不同的位置可出現 4～6℃ 的變化幅度[17]，而考慮到疾病對皮膚溫度的影響，w 的值應大于 6℃。結合多位紅外熱像臨床醫師經驗，實際應用中多以 w 取 10℃ 為參考，因此本文將 w 初始化為 10。初始化 s 的值為 Tmin，并以 0.1℃ 為步長，對窗位進行步進，終止條件為 Tmax ≥ s + w。通過上述操作可以將一幀圖像數據轉換成 n 組數據，每一組數據對應一個 s 的值。以 s 和 w 為基準，將 T 內數據點 T［i，j］歸一化到 0～255，具體歸一化方法如式（1）所示：
|
其中，Uk［i，j］為第 k 幀數據歸一化后的二維集合，為防止偽彩色圖像對后續二值化、連通區域檢測等圖像處理過程造成干擾，將 Uk［i，j］繪制成灰度圖像。上述過程實現了 IRT 目標區域的尺度變換和自動分層，與人工調整、判別圖像的過程相匹配。
如圖 3 所示，目標為任意多邊形區域，經過尺度變換和自動分層生成了 n 幀灰度圖像，上方為最小值填充背景后圖像，下方為最大值填充背景圖像，其中 n = 51，i = 1，2，3，，n，表示某一幀的圖像。由于圖像數量較多，只抽取其中部分圖像展示。
圖3
多邊形區域尺度變換與自動分層結果
Figure3.
Polygon area scale transformation and automatic layering results
1.2.2 離散斑塊定位與 PFD 特征計算
得到 n 幅灰度圖像后，可以在這些圖像上分別做離散斑塊檢測，該過程包括：自適應二值化、形態學閉運算、連通區域檢測、離散性計算等。
由于 IRT 花斑樣改變是由高溫斑塊和低溫斑塊共同構成，且二者可以同時出現在 ROI 內，因此圖像的二值化過程需分為兩部分，即分別進行涼檢測和熱檢測。熱檢測可直接按大津法（Ostu）[19]對其自適應操作，將灰度值更高的區域留下；涼檢測需對各幀圖像做先做灰度轉置，即負片處理，再做 Ostu 操作，將低溫區留下。
二值化處理后的圖像可能存在部分黏連的區域以及高頻噪聲，為解決這樣的問題，首先對每幀圖像做形態學閉運算處理，目的是盡可能分離圖像內的連通區域，并濾除圖像內微小的散粒噪聲。本文采用尺寸大小為 3 × 3 的方形結構元素對各幀圖像進行處理，若結構元素較大，則容易過分切割圖像內的連通區域，影響實驗結果，因此采用最小的結構元素，既能完成連通區域分割，又能濾除高頻的離散噪聲，不影響圖像整體灰度分布特征。
經過閉運算處理后，將對二值圖像進行連通區域檢測，并把局部連通的像素點聚類，生成封閉的不規則斑塊區域，本文采用 4 連通區域檢測算法，如圖 4 所示，經過閉運算處理后圖像二維矩陣記作 Mk［i，j］，其中 i 和 j 為索引號，圖中標記的黑點表示該點像素值為 1，若 Mk［i，j］像素值為 1，則檢測與該像素點近鄰的上下左右四個方向像素值，若近鄰點像素為 1 則與該像素點屬于同一連通區域內，對目前集合 M 內所有數據點完成遍歷后即可得到所有連通區域的大小、位置等信息，即完成了斑塊定位。
圖4
標準 4 連通區域檢測方法
Figure4.
Standard 4 connected area detection method
通過上述操作可以得到每幀圖像的斑塊個數、面積、索引等數據信息，在此基礎上，可以建立算術模型。在臨床醫師對花斑樣改變的辨識過程中，認為小型斑塊區域越多，則該區域內 PFD 特征越明顯，斑塊個數越少且面積越大，則 PFD 特征越小。為此，在檢測出的斑塊信息基礎上，提出了 PFD 特征（以符號 Pfdi 表示）的算術模型，如式（2）所示：
|
其中，第 i 幀圖像內連通區域個數（符號記為：ACi）表示 HTD 或 LTD 過程中經過圖像識別定位的斑塊個數；最大斑塊面積（符號記為：Smaxi）表示該幀圖像內最大連通區域的像素個數；平均斑塊面積（符號記為：Savgi）表示該幀圖像內所有連通區域像素個數的平均值。平均斑塊面積與最大斑塊面積的比值能夠反映斑塊的整體大小情況。由算術模型可知，ACi 與 Pfdi 正相關，斑塊的大小與 Pfdi 負相關，模型的變量由斑塊的個數和斑塊相對面積構成，幾乎不受測量區域的大小影響，因此該模型對測量區域的大小不敏感。
經過 HTD 和 LTD 兩路的斑塊定位與 PFD 特征計算，一個 ROI 將會計算得到兩組長度為 n 的特征集合，再根據集合的索引逐項求和可以得到一個 ROI 的 n 維特征集合（以符號 FPfdi 表示），最終的結果以 FPfdi 中的最大值［以符號 max（FPfdi）表示］作為 PFD 算法的最終輸出。
以隨機目標區域為例，如圖 5 所示，將目標區域分別進行高溫斑塊檢測和低溫斑塊檢測，并經過上述算術模型得出結果分別為 6.83 和 3.21，溫度分布平滑的區域量化結果較小，溫度分布斑塊化區域量化結果更大，基本符合客觀結果。
圖5
隨機目標區域 PFD 算法輸出結果
Figure5.
Output result of PFD algorithm in random target area
經過上述計算，可以實現“花斑樣”抽象特征的量化描述，為后續特征提取與分析提供算術基礎。
1.3 測量區域選擇與特征提取
ITP 是自身免疫性疾病，患者血液中存在血小板相關抗體，與血小板發生免疫反應，而免疫反應是有氧代謝過程，會釋放大量熱能，通過組織輻射到皮膚表面，造成皮膚溫度的改變。脾臟中含有大量巨噬細胞，可以產生高濃度的抗血小板抗體，且血流緩慢可阻留抗體被覆的血小板，因此脾臟成為血小板被破壞的主要場所，但研究表明肝臟和骨髓也是血小板被破壞的場所[20]。Lefran?ais 等[21]于 2017 年在 Nature 期刊上發表的重大研究成果表明，肺也是個造血器官，動物體內有一半以上的血小板來自于肺部。為驗證本研究提出的假設，本研究將提取人體肺、肝、脾等輻射區域圖像的 PFD 特征以及溫度特征，同時提取大腿以及上臂非臟器區域特征作為對比研究，探討兒童 ITP 患者皮膚溫度特征的變化與疾病的相關性。
人體皮膚表面溫度分布受生理結構影響，通常生理性凹陷區域溫度較高，生理性凸出區域溫度較低[22]。為降低生理結構干擾，所有測量區域應該選擇人體生理結構較為平滑的區域，避開如鎖骨窩、腋下、臍周、股溝等明顯的生理凹陷區，同時多區域測量的方式可將單區域測量可能出現的偶然事件降低。本研究提出的劃分方法如圖 6 所示，要提取的人體正面 IRT 圖像 ROI 區域主要包括軀干和四肢，其中，ROI_1、ROI_2、ROI_3 主要為軀干皮膚溫度分布區域，ROI_4、ROI_5、ROI_6、ROI_7 對應四肢部分。
圖6
測量區域劃分方法
Figure6.
Measurement area division method
所有測量區域均提取平均溫度（以符號 Troi 表示）、最高溫度（以符號 MAX 表示）以及 PFD 特征作為數據分析依據。
1.4 統計方法
為對比 IRT 常用分析方法 Troi、MAX 和本文提出的 PFD 特征在表達皮膚溫度“花斑樣”程度上的差異性，將對劃分的 7 塊 ROI 區域提取上述特征值，并進行正態分布檢驗，若符合則直接使用單因素方差分析（analysis of variance，ANOVA），若不符合正態分布，則對數據做正態分布轉換后再使用單因素 ANOVA 分析，其中 P < 0.05，表示差異具有統計學意義。
為探討各特征與臨床檢驗參數 PLT 以及組別之間的相關性，采用線性相關分析和相關比率（ETA）分析。當兩個變量為數值類型時采用皮爾遜（Pearson）相關分析，若兩變量為類別或等級變量和數值變量時，采用斯皮爾曼（Spearman）相關分析和 η 檢驗。
為分析本文提出的 PFD 特征對 ITP 分組的回歸特性，采用邏輯（Logistic）回歸分析。因敏感性、特異性是臨床評價的重要參數，為對比各目標區域 PFD 特征的特異性，通過受試者工作特征曲線（receiver operating characteristic curve，ROC）對比分析，ROC 曲線下的面積（area under curve，AUC）反映該特征敏感性、特異性能力，面積大于 0.81 為良好，面積小于 0.5 表示差異沒有統計學意義。
本研究采用統計學分析軟件 IBM SPSS 20.0（SPSS Inc.，美國）對上文提到的統計學方法進行分析。
2 結果
各樣本 7 個目標區域的特征參數經過單因素方差分析得到結果如表 1 所示。各組數據以平均值 ± 標準差的形式表現，P < 0.05，表示差異具有統計學意義。由數據可知，只有 ROI_1、ROI_2、ROI_3 三個區域內的 PFD 特征的差異具有統計學意義，其余區域以及特征的差異均沒有統計學意義。可見常用的 Troi 和 MAX 方法并不擅長計算 IRT 溫度分布空間特性。
表1
各組別 7 個目標區域內特征值的單因素 ANOVA 結果表
Table1.
Results of one-way ANOVA of eigenvalues in seven target areas of each group
為探討 ROI_1、ROI_2、ROI_3 三個區域 PFD 特征與 PLT 之間的相關性，以及特征值與組別之間的相關性，通過線性相關分析得到結果如表 2 所示。其中 Group-3 是對樣本三分組的類別標簽，Group-2 是將所有樣本按是否為 ITP 劃分的 2 分類標簽，ROI_W 為三個區域按面積加權計算得到的單維度特征。由結果可知，PFD 特征與 PLT 和分組之間具有相關性，且 PFD 特征與 PLT 之間呈負相關關系。統計學上認為，相關性在 0.6～0.8 之間時，表示兩個變量具有高度相關性，ROI_W 較未加權的數據相關性更強，達到 0.6 以上，表示 ROI_W 特征與 PLT 具有高度相關性。
表2
三個目標區域內 PFD 特征與 PLT 和分組之間的相關性分析結果
Table2.
Correlation analysis between PFD characteristics and PLT and grouping in three target regions
為探討 PFD 特征對 ITP 的診斷價值，從 ROC 曲線分析該特征對疾病的敏感性和特異性，并計算出臨界 PFD 值作為分類統計參數。ROC 曲線是針對二分類問題設計的分析方法，在使用 ROC 曲線之前，需要將各個參數對疾病的診斷價值做二元 Logistic 回歸分析，只有當該參數差異具有統計學意義時（P < 0.05），才能進行 ROC 分析。
經過驗證，PFD 特征在 ROI_1、ROI_2、ROI_3 和 ROI_W 上，針對 ITP 診斷，差異均有統計學意義。繪制 ROC 曲線如圖 7 所示，ROI_W 區域的 AUC 最大，對 ITP 的診斷價值最大，計算 AUC 臨界 PFD 值的方法為約登指數（以符號 Yd 表示）法，如式（3）所示：
圖7
不同區域 PFD 特征對 ITP 診斷價值的 ROC 曲線
Figure7.
ROC curve of PFD features in different areas for ITP diagnostic value
|
其中，敏感性（符號記為：sensitivity）表示陽性結果中真陽性的比率；特異性（符合記為：specificity）表示陰性結果中真陰性的比率。當 Yd 最大時，對應的 PFD 特征即為臨界特征參數，根據該參數對樣本驗證后得到準確率，其與 AUC 對應。計算 ROI_W 參數的約登指數為 0.864，對應 PFD 特征為 4.648 2，高于該值即被判斷為 ITP 兒童，低于該值為健康兒童，準確率為 92.1%。
3 討論
健康人體皮膚溫度分布均勻，呈左右對稱，當局部區域代謝異常時，皮膚表面溫度會發生改變，代謝加快則溫度升高，代謝受阻則溫度降低[23]。ITP 是自身免疫性疾病，該類人群血液中存在血小板相關抗體，會與血小板發生免疫反應，而免疫反應是有氧代謝過程，因此會釋放大量熱能，通過組織輻射到皮膚表面。由本文研究結果可知，提取的 7 個區域中，差異具有統計學意義的 3 個區域均為軀干部分，以心肺部、肝臟、脾臟輻射區域為主，與文獻[20-21]描述的血小板破壞場所一致。其他 4 個區域為四肢，不在臟器輻射范圍內，均沒有統計學意義。本次試驗結果雖然不能直接肯定或否定前人的研究成果，但從一定意義上對主流學說起到了客觀印證的作用。而區域內溫度分布呈花斑樣改變的原因，是免疫反應的時間、空間信息不固定，以及免疫反應對皮膚表面微循環系統產生的病理性改變，從而直接影響局部溫度的分布不均勻，故呈現出花斑樣改變。因此，IRT 能夠一定程度上反應區域內免疫反應發生的程度，進而間接推斷血小板破壞程度，可以嘗試作為評價藥物或手術治療 ITP 療效趨勢的功能指標。
臨床對 ITP 患者的評價以 PLT 為主要參考依據，本文提出的 PFD 特征與 PLT 的相關性分析，可以得到二者之間存在高度相關性。其中 3 個目標測量區域 PFD 特征加權后的測量結果和 PLT 的相關性最高，在此基礎上，利用 ROC 曲線驗證該特征對 ITP 兒童的診斷價值，AUC 面積達到了 92.1%，患病兒童和健康兒童之間的差異較大。
本研究從宏觀角度，觀測患者皮膚溫度分布特性，在小樣本的驗證下，依然得到了較好的結果，今后可以嘗試將該方法深入研究并擴大應用范圍，特別是對于全身免疫性疾病，IRT 新的量化指標可以更好地詮釋不同狀態下免疫應激反應及代謝狀況，有利于研判疾病的轉歸，適時調整治療方案。雖然本課題研究結果對 ITP 兒童有著較高的診斷價值，但是依然存在應用的局限性，包括以下方面：
（1）樣本量較少，并不能覆蓋 ITP 疾病全體人群。
（2）本課題探究的是 ITP 兒童患者的情況，是否適用于成人間的判定，有待進一步研究。
（3）出血形成瘀斑所在組織的深度不同，可能會影響記錄到的 IRT 花斑特征，此時花斑特征可能不與病變程度正相關。
（4）ITP 患者皮下脂肪的薄厚不同，也可能會影響到脂肪組織下瘀斑溫度向體表輻射的情況，脂肪厚則花斑特征未必明顯。
（5）本研究的試驗結果僅可作為初步觀察報道。
基于以上局限，本課題組將在后續研究中增加樣本量，細化 PFD 的診斷臨界閾值，深度剖析 ITP 患者瘀斑的位置和組織深度對 IRT 圖像特征的影響，同時會嘗試將本文提出方法應用到實際的藥物療效評價中。
IRT 臨床研究中多以局部溫度均值、局部溫度極值、溫度對稱性等方法為主要研究手段，但這些方法均不能表達二維平面區域內溫度分布的空間特性，本文提出的 IRT 局部區域 PFD 算法可以在一定程度上表達區域內溫度分布離散特性，也可將該方法延伸到運動試驗監測、血管性疾病篩查與診斷、心生理學等 IRT 臨床研究中。
4 結論
IRT 的臨床應用可以快速探測人體皮膚溫度分布，推斷深層組織代謝情況。ITP 兒童的 IRT 特征比較明顯，多呈花斑樣改變。為得到可量化的參數，本文提出了 PFD 算法，將這種花斑性特征數字化。研究結果顯示，在測量的目標區域中，軀干部分的 3 個區域內 PFD 特征差異具有統計學意義。在 ROC 曲線和約登指數的計算下，得出了 PFD 特征分類閾值，分類準確率達到 92.1%。這種無創的 IRT 技術較傳統 PLT 方法更快捷，且二者之間的相關性達到 0.6 以上，具有高度相關性，但本研究依然屬于探索性研究，還存在一定的局限性，在后續的研究中將會對存在的問題進行深度解析。綜上所述，本文提出的 PFD 算法結合 IRT 技術可能會為 ITP 兒童的實驗室檢查增加新的檢測工具，也為 IRT 臨床研究增加新的空間性特征計算方法奠定了基礎。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
