探索深度学习算法在单侧唇裂修复术后效果评估中的可行性：一项初步研究

《Journal of Craniofacial Surgery》：Exploring the Feasibility of a Deep Learning Algorithm for Postoperative Outcome Assessment in Unilateral Cleft Lip Repair: A Pilot Study

　　唇腭裂术后深度学习评估模型开发及性能验证，采用EfficientNet-B1架构训练500例标准化术后面部图像，实现74%准确率和0.79 AUC，有效识别需修订患者，为资源有限地区AI辅助诊疗提供可行方案。

　　```section>

唇裂的主要外科修复手术通常在婴儿3到4个月大时进行。传统的评估方法主要依赖于主观的临床判断和结构化的评分工具（如Cleft Aesthetic Rating Scale, CARS），但这些方法受到评分者间差异以及可扩展性不足的限制。本研究探索了深度学习（DL）算法在术后评估中的应用潜力，旨在识别单侧唇裂修复后需要再次手术的患者。研究者基于EfficientNet-B1架构开发了一个卷积神经网络，并使用包含500张标准化术后面部照片的数据集进行训练，这些照片根据实际手术结果进行了标注。通过严格的数据预处理、增强处理和验证流程，确保了模型的稳健性。该模型在独立测试集上的准确率为74%，ROC曲线下面积（AUC）为0.79，识别出需要再次手术的患者的召回率为76%。置信度分数分布和t-SNE特征空间可视化结果证明了模型具有可靠的分类能力和可解释性。我们的研究结果表明，当深度学习算法在结构化的临床数据上进行训练时，可以为唇裂治疗提供有价值的支持。该模型是人工智能辅助分诊系统的早期原型，有助于在资源有限或偏远地区识别需要再次手术的患者。

通俗语言总结：这项初步研究测试了一种深度学习算法，用于评估唇裂手术后的效果并识别可能需要进一步手术的患者。该算法基于500张术后患者照片进行训练，准确率为74%，ROC曲线下面积（AUC）为0.79，能够有效区分需要再次手术的患者。这表明人工智能可以通过提高护理的一致性和公平性来支持唇裂治疗，尤其是在资源有限的条件下。研究指出，人工智能可以整合到常规护理中，以改善决策过程和患者的术后恢复情况。

```