紫外线辐射是导致皮肤光老化的主要外因，会引发细胞脱氧核糖核酸损伤及胶原结构退变，从而加速皮肤衰老并增加皮肤癌风险。目前，皮肤老化评估多依赖皮肤科医生的经验判断，存在主观性强、效率低等问题。针对这一现状，本文提出了深度学习模型驱动的皮肤老化智能分类方法，用于高频皮肤超声图像的识别。该模型以第2代高效能网络（EfficientNetV2）为主干网络，引入高斯误差线性单元（GELU）激活函数与层归一化策略，以增强网络的非线性表征与特征稳定性；在结构上融合全局感知时序层次网络，实现了对皮肤组织多尺度特征的高效提取；同时设计了并行通道空间注意力与挤压—激励模块的双重增强注意力机制，以提升模型对关键区域的响应能力。此外，本研究还通过多尺度路径丢弃正则化有效缓解了过拟合问题。本文采集了25～55岁受试者的面部高频超声图像构建数据集进行实验验证，结果显示所提模型在准确率、精确率、召回率、F1分数及特异度上分别达到87.66%、88.27%、87.66%、87.80%、97.94%，均优于现有主流模型。研究结果表明，本文方法可实现对皮肤老化程度的高精度识别，为皮肤护理、抗衰老治疗及光老化疾病预防提供了一种高效、客观的辅助诊断工具。
(8.0+极速模式)