摘要目的 提出一种基于保色生成对抗网络(FCP-GAN)的面部图像生成方法,旨在有效分离中医面诊中的身份特征与诊断面色特征,以解决医学图像分析中隐私保护的关键挑战.方法 研究数据来源于2023 年 4 月 23日至 6 月 10日在南京中医药大学采集的参与者面部图像,采集过程使用中医全身望诊数据采集设备并在受控光照下进行.所提出的FCP-GAN模型通过三个关键组件实现去除身份特征与保留面色特征的双重目标:(1)多空间融合模块,全面提取红、绿、蓝(RGB),色调、饱和度、明度(HSV)和Lab颜色空间的颜色属性;(2)生成器中引入高效通道注意力(ECA)机制,以增强对诊断关键颜色通道的表征能力;(3)结合去标识化对抗损失与专用颜色保持损失的双重损失函数.模型采用分层 5折交叉验证策略进行训练与评估,并与 4 种基线生成模型进行比较:条件生成对抗网络(CGAN)、深度卷积生成对抗网络(DCGAN)、双判别器条件生成对抗网络(DDCGAN)、医学生成对抗网络(MedGAN).主要从以下 4 个维度评估性能:图像质量[峰值信噪比(PSNR)、结构相似性(SSIM)]、分布相似性[弗雷歇起始距离(FID)]、隐私保护效果(人脸识别准确率)和诊断一致性[均方误差(MSE)、皮尔逊相关系数(PCC)].结果 分析最终纳入 216名受试者的面部图像.与基线模型相比,FCP-GAN取得了最优性能,其PSNR为 31.02 dB,SSIM为 0.908,相较最强基线模型(MedGAN)分别提升了 1.21 dB和 0.034;其FID值(23.45)也为所有模型中最低,表明生成图像与真实图像的分布最为接近.消融实验证实,多空间特征融合与ECA机制对此性能提升贡献显著.分层 5 折交叉验证确认了模型的稳健性,所有结果均以多次运行的平均值±标准差报告.该模型能有效保护隐私,将人脸识别准确率从原始图像的 95.2%降至生成图像的 60.1%.至关重要的是,它保持了较高的诊断保真度,原始图像与生成图像在关键中医面部特征上表现出低MSE(<0.051)和高PCC(>0.98).结论 FCP-GAN模型为保障中医诊断图像隐私提供了一种有效的技术方案,能够成功去除身份特征,同时保留临床至关重要的面部颜色特征.本研究对开发智能、安全的中医远程医疗系统具有重要价值.