基于人工智能的压力损伤分期分类

《Advances in Skin & Wound Care》：Artificial Intelligence-Enabled Staging Classification of Pressure Injuries

　　本研究旨在设计能准确客观识别压疮分期的AI工具。采用多模型（ResNet18、DenseNet-121等）在包含1663张图像的公开及私有数据集上进行训练与验证，ResNet18模型在四阶段分类中平均准确率达76.92%，其中Ⅰ期精度最高（87.35%），Ⅲ期最低（64.72%）。实验表明该AI工具可辅助临床压疮分期分类，提升诊断效率。

　　

目的：

本研究旨在设计一种人工智能（AI）工具，以更准确、更客观地识别压疮（PI）的不同阶段。

方法：

在研究中，作者提出使用AI和计算机视觉来按阶段对压疮图像进行分类。为此，作者实现了一个分类网络，并在一组标注了压疮阶段的图像上对其进行了训练。该数据集包括来自两个不同来源的图像：公开可用的压疮图像数据集（1091张图像）和科克大学伤口研究实验室（AY-Lab）的私有数据集（572张图像）。所有图像在输入模型之前都被调整大小至224×224，并根据ImageNet-1K数据集进行了标准化。训练和测试中使用了多种深度学习架构，包括ResNet18、ResNet18-Transformer编码器混合模型和DenseNet-121。采用三折交叉验证来确保训练和测试的稳健性。每个模型都测试了多种配置，并确定了性能最佳的配置。为了进一步评估模型结果，应用了Grad-CAM技术来可视化注意力区域。

结果：

经过三折交叉验证后，ResNet18的表现优于所有测试模型，在四类分类任务中的平均准确率为76.92 ± 0.92%。该模型在第一阶段的准确率最高，为87.35 ± 5.54%；在第三阶段的准确率最低，为64.72 ± 2.66%。

结论：

使用所提出的计算方法进行压疮分期的结果令人鼓舞。该AI模型可以自动化压疮阶段的分类，成为临床专家的宝贵工具。

通俗语言总结：本研究开发了一种人工智能（AI）工具，以提高识别压疮（PI）阶段的准确性和客观性。研究人员使用来自公共和私人来源的1,663张图像数据集，训练了多个深度学习模型（包括ResNet18）来对压疮进行阶段分类。ResNet18模型的表现最佳，在分类四个压疮阶段时的平均准确率为76.92%，不同阶段的准确率范围从64.72%到87.35%不等。这些发现表明，该AI工具可以通过自动化压疮阶段的分类来辅助临床专家，从而可能改善患者护理。

文本由机器生成，可能存在不准确之处。常见问题解答