基于YOLO神經(jīng)網(wǎng)絡(luò)構(gòu)建壓力性損傷自動(dòng)檢測和分期的人工智能模型

【摘要】 背景 隨著人口老齡化，壓力性損傷（PI）的發(fā)病率逐漸增加，這不僅嚴(yán)重影響了患者的生存質(zhì)量，還增加了醫(yī)保支出。然而，PI的早期發(fā)現(xiàn)和準(zhǔn)確分期極大地依賴于專業(yè)培訓(xùn)。目的 構(gòu)建并測試一個(gè)用于PI自動(dòng)檢測和分期的人工智能模型，以提高PI診斷的實(shí)時(shí)性、準(zhǔn)確性和客觀性。方法 選取常熟市第一人民醫(yī)院壓瘡電子化管理系統(tǒng)中2021年1月—2024年2月的693張PI圖像，將圖像隨機(jī)劃分為訓(xùn)練集（551張）和測試集（142張），并按照2019 年美國壓瘡咨詢委員會(huì)（NPUAP）制訂的PI預(yù)防和治療指南分為6期，包括：Ⅰ期154張、Ⅱ期188張、Ⅲ期160張、Ⅳ期82張、深部組織損傷期57張、不可分期52張。利用基于5種不同版本的YOLOv8［nano（n）、small（s）、medium（m）、large（l）和extra large（x）］神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)，建立針對PI的深度學(xué)習(xí)目標(biāo)檢測模型。模型評價(jià)指標(biāo)包括精確度、準(zhǔn)確率、靈敏度、特異度及檢測速度等。最后，通過Ultralytics Hub平臺(tái)將模型部署到手機(jī)應(yīng)用程序（App）中，實(shí)現(xiàn)AI模型在臨床工作中的應(yīng)用。結(jié)果 在對包含142張PI圖像的測試集進(jìn)行評估時(shí)，YOLOv8l版本在確保高精確度（0.827）的同時(shí)，也展現(xiàn)了較快的推理速度（68.49 幀/s），與其他YOLO版本相比，在精確度與速度之間取得了最佳的平衡。具體而言，其在所有類別上的整體準(zhǔn)確率為93.18%，靈敏度為76.52%，特異度為96.29%，假陽性率為3.72%。在6個(gè)PI分期中，模型預(yù)測Ⅰ期的準(zhǔn)確率最高，達(dá)到95.97%；預(yù)測Ⅱ期、Ⅲ期、Ⅳ期、深部組織損傷期、不可分期分別取得了91.28%、91.28%、91.95%、95.30%和93.29%的準(zhǔn)確率。就處理速度而言，YOLOv8l處理142張圖像的總耗時(shí)為2.07 s，平均每秒可處理68.49張PI圖像。結(jié)論 基于YOLOv8l網(wǎng)絡(luò)的AI模型能夠快速、準(zhǔn)確地對PI進(jìn)行檢測和分期。將該模型部署到手機(jī)App中，能夠在臨床實(shí)踐中便攜使用，具有很大的臨床應(yīng)用潛力。

【關(guān)鍵詞】 壓力性損傷；人工智能；深度學(xué)習(xí)；YOLO；目標(biāo)檢測；神經(jīng)網(wǎng)絡(luò)模型；App

【中圖分類號(hào)】 R 473.75 【文獻(xiàn)標(biāo)識(shí)碼】 A DOI：10.12114/j.issn.1007-9572.2024.0168

Construction of an Artificial Intelligence-assisted System for Automatic Detection of Pressure Injury Based on the YOLO Neural Network

WANG Zhenni1，XU Yueping2，XIA Kaijian3，XU Xiaodan1*，GU Lihua2*

1.Gastroenterology Department，Changshu No.1 People's Hospital，Changshu 215500，China

2.Nursing Department，Changshu No.1 People's Hospital，Changshu 215500，China

3.Key Laboratory of Medical Artificial Intelligence and Big Data，Changshu No.1 People's Hospital，Changshu 215500，China

*Corresponding authors：XU Xiaodan，Chief physician；E-mail：xxddocter@gmail.com

GU Lihua，Chief nurse；E-mail：xixi42490@gmail.com

【Abstract】 Background With the aging population，the incidence of pressure injury（PI）is gradually increasing. This not only severely impacts the quality of life for patients but also increases healthcare expenditures. However，the early detection and accurate staging of PI heavily depend on specialized training. Objective To construct and validate an artificial intelligence model for the automatic detection and staging of PI aimed at enhancing the real-time nature，accuracy，and objectivity of PI diagnostics. Methods A total of 693 PI images from the electronic management system of pressure ulcers at Changshu No.1 People's Hospital were selected from January 2021 to February 2024，the images were randomly divided into a training set（551 images）and a test set（142 images），and categorized into six stages according to National Pressure Ulcer Advisory Panel（NPUAP）guidelines：StageⅠ（154 images），StageⅡ（188 images），StageⅢ（160 images），StageⅣ

（82 images），deep tissue injury（57 images），and unstageable（52 images）. A deep learning object detection model for PI was established using five different versions of the YOLOv8 ［nano（n），small（s），medium（m），large（l）and extra large（x）］neural network and transfer learning. The model evaluation metrics included accuracy，sensitivity，specificity，1 positive rate，and detection speed. Finally，the model was deployed to a mobile application via the Ultralytics Hub platform，facilitating the application of the AI model in clinical practice. Results During the evaluation of a test set containing 142 PI images，the YOLOv8l version demonstrated high accuracy（0.827）and fast inference speed（68.49 fps），achieving the best balance between precision and speed among the YOLO versions. Specifically，it achieved an overall accuracy of 93.18% across all categories，a sensitivity of 76.52%，a specificity of 96.29%，and a 1 positive rate of 3.72%. Among the six stages of PI，the model achieved the highest accuracy for StageⅠat 95.97%. The accuracies for StageⅡ，StageⅢ，StageⅣ，deep tissue injury，and unstageable were 91.28%，91.28%，91.95%，95.30%，and 93.29%，respectively. In terms of processing speed，YOLOv8l took a total of 2.07 seconds to process 142 images，averaging 68.49 PI images per second. Conclusion The AI model based on the YOLOv8l network can quickly and accurately detect and stage PI. Deploying this model to a mobile app allows for portable use in clinical practice，demonstrating significant potential for clinical application.

【Key words】 Pressure injury；Artificial intelligence；Deep learning；YOLO；Object detection；Neural network models；App

壓力性損傷（pressure injury，PI）又稱壓瘡、褥瘡，是指由于壓力或壓力與剪切力的作用而導(dǎo)致的局部皮膚和/或皮下組織受損，常見于骨隆突部位，但也可能與醫(yī)療設(shè)備或其他物體有關(guān)［1-2］。一旦患者出現(xiàn)PI，可能會(huì)經(jīng)歷疼痛、不適以及活動(dòng)能力減弱等嚴(yán)重影響。在極端情況下，PI可能導(dǎo)致嚴(yán)重感染、住院甚至死亡，給患者和醫(yī)療系統(tǒng)帶來了重大挑戰(zhàn)［1］。損傷的程度可以從皮膚呈現(xiàn)的紅斑開始，一直到皮膚和組織的完全損失，甚至暴露出骨骼［2］。PI的預(yù)防與護(hù)理是臨床護(hù)理工作的重點(diǎn)和難點(diǎn)。全國各大醫(yī)院均開設(shè)了PI專項(xiàng)培訓(xùn)，并成立了?？谱o(hù)理小組。然而，低年資護(hù)士可能由于缺乏專業(yè)知識(shí)、評估技巧及系統(tǒng)培訓(xùn)，導(dǎo)致對PI損傷分期的準(zhǔn)確性判斷受到影響［3-4］。

近年來，隨著大數(shù)據(jù)和云計(jì)算技術(shù)的迅速進(jìn)步，人工智能（artificial intelligence，AI）已經(jīng)開始在醫(yī)學(xué)領(lǐng)域中廣泛應(yīng)用，計(jì)算機(jī)輔助診斷技術(shù)成為臨床研究的熱點(diǎn)［5］。李清等［3］利用臨床數(shù)據(jù)，通過機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測模型，為PI的護(hù)理提供了有效指導(dǎo)。SAWYER LEE等［4］和AGNES等［5］使用深度學(xué)習(xí)技術(shù)開發(fā)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型檢測乳腺X線攝影圖像中的乳腺腫瘤。LI等［6］和TING等［7］使用CNN檢測眼部圖像中的視網(wǎng)膜異常。然而，在國內(nèi)數(shù)據(jù)庫中，鮮見利用PI圖數(shù)據(jù)，基于深度學(xué)習(xí)技術(shù)開發(fā)的AI模型用于實(shí)現(xiàn)PI的自動(dòng)化檢測和分期的相關(guān)臨床研究。自YOLOv1于2015年推出以來，YOLO這種單階段目標(biāo)檢測網(wǎng)絡(luò)不斷改進(jìn)算法和加入新功能［8］，2023年的YOLOv8采用了一種無錨點(diǎn)模型［9］，通過直接預(yù)測對象中心，而非依賴錨框偏移，簡化了候選檢測篩選流程，并提升了非極大值抑制的效率，實(shí)現(xiàn)了處理速度與檢測精度之間的更好平衡。本研究目的是基于YOLOv8神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)開發(fā)的一款能夠快速檢測、自動(dòng)化分期PI的AI輔助系統(tǒng)，以提高PI診斷的實(shí)時(shí)性、準(zhǔn)確性和客觀性。

1 資料與方法

1.1 一般資料

本研究收集了2021年1月—2024年2月在常熟市第一人民醫(yī)院住院期間發(fā)生PI患者的圖像693張。所有數(shù)據(jù)存儲(chǔ)在專用的壓瘡電子化管理系統(tǒng)中。將收集的圖像隨機(jī)劃分為訓(xùn)練集（551張）和測試集（142張）。本研究經(jīng)常熟市第一人民醫(yī)院倫理委員會(huì)審批通過（審批號(hào)：L2024035）。

本研究參照2019年美國壓瘡咨詢委員會(huì)（National Pressure Ulcer Advisory Panel，NPUAP）［10-11］制訂的PI預(yù)防和治療指南將PI圖像分為6期，各分期圖像示例見圖1，研究流程見圖2。

1.2 圖像收集及標(biāo)注

PI的圖像由常熟市第一人民醫(yī)院的住院護(hù)理團(tuán)隊(duì)在進(jìn)行臨床護(hù)理時(shí)收集，并被上傳到電子壓瘡管理系統(tǒng)。一旦檢測到PI患者，護(hù)理人員將使用醫(yī)用手持終端設(shè)備（personal digital assistant，PDA）或其個(gè)人手機(jī)來拍攝照片，同時(shí)確保相機(jī)與受影響區(qū)域的距離維持在40～65 cm。在拍照過程中，護(hù)理人員會(huì)小心操作以避免晃動(dòng)，從而確保圖片的高質(zhì)量。

本研究將圖像標(biāo)注過程分為3個(gè)階段，參與標(biāo)注的護(hù)士被分為3個(gè)團(tuán)隊(duì)，負(fù)責(zé)各個(gè)階段的工作，詳細(xì)標(biāo)注流程如圖3。只有按照標(biāo)注流程標(biāo)注和核查的圖像才會(huì)被用于深度學(xué)習(xí)模型的訓(xùn)練。使用LabelMe（v5.3.1）工具對6個(gè)分期的PI圖像進(jìn)行矩形框標(biāo)注，為適配深度學(xué)習(xí)模型訓(xùn)練，將LabelMe格式的JSON文件轉(zhuǎn)換為YOLO格式，矩形框標(biāo)注的詳細(xì)情況參見圖4。

1.3 深度學(xué)習(xí)網(wǎng)絡(luò)

1.3.1 圖像預(yù)處理：本研究致力于通過一系列圖像預(yù)處理和增強(qiáng)措施，提升AI模型在識(shí)別PI圖像的準(zhǔn)確性。在訓(xùn)練階段采用在線數(shù)據(jù)增強(qiáng)技術(shù)［12-13］，通過實(shí)時(shí)變更圖像數(shù)據(jù)而不產(chǎn)生新的圖像文件，確保模型每次迭代能接觸到略有變化的圖像，以提高模型對現(xiàn)實(shí)世界中圖像變異的適應(yīng)能力。預(yù)處理措施包括調(diào)整圖像至640像素并維持比例，以及有50%的概率執(zhí)行隨機(jī)水平翻轉(zhuǎn)，以增加數(shù)據(jù)的多樣性。此外，使用RandomResize和RandomCrop技術(shù)進(jìn)行隨機(jī)的尺寸調(diào)整和裁剪，以增強(qiáng)模型對圖像尺寸變化和局部信息的識(shí)別能力。同時(shí)，采用YOLOX提供的HSVRandomAug技術(shù)［14］對色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）即HSV色彩空間進(jìn)行隨機(jī)調(diào)節(jié)，增強(qiáng)模型對不同光照和顏色變動(dòng)的適應(yīng)能力。

1.3.2 模型訓(xùn)練配置：本研究采用遷移學(xué)習(xí)策略［15］，選用了在COCO數(shù)據(jù)集上預(yù)訓(xùn)練的5個(gè)不同版本的YOLOv8模型［16］，分別用nano（n）、small（s）、medium（m）、large（l）和extra large（x）表示，這些版本代表了模型大小和復(fù)雜度的不同級別。模型權(quán)重進(jìn)行了隨機(jī)初始化，隨后在PI圖像數(shù)據(jù)集上對所有層重新訓(xùn)練。訓(xùn)練過程中，模型自動(dòng)選擇優(yōu)化器，并根據(jù)配置文件調(diào)整學(xué)習(xí)率，以優(yōu)化訓(xùn)練結(jié)果。設(shè)置訓(xùn)練周期最多為100個(gè)，每批次大小為25，最大檢測目標(biāo)數(shù)為30。此外，啟用了圖形處理器上的自動(dòng)混合精度訓(xùn)練，以提高效率。所有訓(xùn)練細(xì)節(jié)，包括將圖像大小調(diào)整至640像素，按照配置文件中的參數(shù)執(zhí)行。為了防止過擬合，引入了早停法（early stopping），設(shè)定閾值為10，即如果在連續(xù)10個(gè)訓(xùn)練周期內(nèi)驗(yàn)證集性能未見改善，則提前終止訓(xùn)練。本研究提出的PI圖像目標(biāo)檢測系統(tǒng)見圖5。

1.4 模型性能評估

本研究引入了多種評估指標(biāo)來全面地評價(jià)AI模型的性能表現(xiàn)。針對目標(biāo)檢測類的深度學(xué)習(xí)模型，主要評估集中在兩個(gè)關(guān)鍵方面：邊界框的精確定位和類別預(yù)測的準(zhǔn)確性。對于邊界框的精度，使用mAP50和

mAP50-95。mAP50指的是在交并比（IoU）閾值為0.5時(shí)的平均精度，而mAP50-95則覆蓋了從IoU閾值0.50～0.95（每隔0.05）的平均精度。在評估AI模型對病變類別預(yù)測的性能時(shí)，使用靈敏度、特異度、準(zhǔn)確率以及假陽性率。此外，模型的實(shí)時(shí)處理能力通過每秒能處理的圖像幀數(shù)（FPS）評估，這一指標(biāo)直接顯示了模型的處理速度及其實(shí)時(shí)響應(yīng)能力。

1.5 試驗(yàn)平臺(tái)

本研究使用一臺(tái)裝配有RTX 3060顯卡（12.6 GB顯存）、6核E5-2680 v4 CPU和1 TB磁盤空間的計(jì)算機(jī)。模型的構(gòu)建、訓(xùn)練及圖像處理主要依賴于PyTorch（2.0.1）和其他Python庫。數(shù)據(jù)組織、分析與可視化通過Pandas（1.3.4）、NumPy（1.21.4）、Matplotlib（3.5.0）和Plotly（5.4.0）進(jìn)行。模型優(yōu)化使用了PyTorch（1.10.0+cu113）。最后，通過Ultralytics Hub在線平臺(tái)（https：//hub.ultralytics.com）將訓(xùn)練AI模型部署到手機(jī)應(yīng)用程序中。該平臺(tái)的用戶友好界面和高效部署功能極大地簡化了部署過程，能夠快速且無縫地將復(fù)雜的AI模型轉(zhuǎn)化為能夠便攜使用的移動(dòng)應(yīng)用。

2 結(jié)果

2.1 模型訓(xùn)練

本研究共計(jì)納入693張不同分期的PI圖像，其中訓(xùn)練集551張，測試集142張；Ⅰ期有127張訓(xùn)練圖像和27張測試圖像，總計(jì)154張圖像；Ⅱ期有155張訓(xùn)練圖像和33張測試圖像，總計(jì)188張圖像；Ⅲ期有126張訓(xùn)練圖像和34張測試圖像，總計(jì)160張圖像，詳見圖6。

YOLOv8l模型在訓(xùn)練階段的損失函數(shù)呈下降趨勢，模型損失隨訓(xùn)練周期增加而逐漸降低并趨于穩(wěn)定，表明模型正向優(yōu)化方向收斂（圖7A）。YOLOv8l模型在訓(xùn)練過程中邊界框定位性能指標(biāo)的變化呈上升趨勢，隨著訓(xùn)練周期的增加，性能指標(biāo)首先出現(xiàn)顯著提升，隨后逐漸穩(wěn)定。具體來說，模型的邊界框精確度達(dá)到了0.816，召回率為0.696；同時(shí)，mAP50和mAP50-95兩個(gè)指標(biāo)分別達(dá)到了0.781和0.538，展示了模型在目標(biāo)檢測方面的良好性能（圖7B）。

2.2 模型性能評估

2.2.1 不同版本YOLOv8模型性能：在測試集上對不同版本的YOLOv8模型進(jìn)行了性能對比，YOLOv8l版本在保持高mAP50（平均精確度）的同時(shí)，也展現(xiàn)出較快的推理速度，相較于其他版本，實(shí)現(xiàn)了更好的精確度與速度的平衡，從而在整體性能上表現(xiàn)更為優(yōu)越（圖8）。

2.2.2 不同版本YOLO模型邊界框定位性能：YOLOv8l模型在對圖像中PI病灶邊界的定位精確度方面，達(dá)到了最高的mAP50（0.824）、mAP50-95（0.575）和精確度（0.827），盡管其召回率（0.749）略低于YOLOv8m（0.752）。在處理速度方面，YOLOv8l處理142張圖像的總耗時(shí)為2.07 s，平均處理速度為14.6 ms/img（相當(dāng)于68.49幀/s），詳細(xì)數(shù)據(jù)見表1。

2.2.3 YOLOv8l模型在測試集上的分類預(yù)測性能：在對圖像中不同分期PI病灶分類準(zhǔn)確性方面，YOLOv8l模型在所有類別上的整體準(zhǔn)確率為93.18%，靈敏度為76.52%，特異度為96.29%，假陽性率為3.72%。在6個(gè)PI分期中，模型預(yù)測Ⅰ期PI的準(zhǔn)確率最高，達(dá)到95.97%，而預(yù)測Ⅱ期和Ⅲ期PI的準(zhǔn)確率最低，為91.28%，詳細(xì)數(shù)據(jù)見表2。

2.2.4 AI模型在精確度、召回率、F1分?jǐn)?shù)與置信度之間的關(guān)系：YOLOv8l目標(biāo)檢測AI模型被應(yīng)用于定位PI病變并評估其置信度。在視頻分析過程中，模型對每幀圖像執(zhí)行連續(xù)的檢測。該模型在置信度為0.428時(shí)，F(xiàn)1分?jǐn)?shù)達(dá)到最高（圖9）。在較低置信度的條件下，AI模型能有效地調(diào)和精確度與召回率，確保在初步篩選階段不漏檢大量潛在的病變，這在臨床環(huán)境中尤為關(guān)鍵，最終的診斷依賴于專業(yè)護(hù)理團(tuán)隊(duì)對AI標(biāo)注結(jié)果的核實(shí)。在典型的目標(biāo)檢測任務(wù)中，精確度和召回率之間需要維持一種平衡，而最佳的截?cái)帱c(diǎn)通常是在F1分?jǐn)?shù)達(dá)到峰值時(shí)設(shè)定。在臨床實(shí)際應(yīng)用場景中，PI小組護(hù)士會(huì)復(fù)核模型的標(biāo)注結(jié)果。當(dāng)置信度≤0.1時(shí)，F(xiàn)1分?jǐn)?shù)迅速提升，隨后呈逐漸增加的趨勢。

2.3 模型預(yù)測結(jié)果

AI模型在圖像預(yù)測方面表現(xiàn)出色，不僅能夠準(zhǔn)確地通過矩形框定位目標(biāo)PI病變，還能正確識(shí)別病變的分期，覆蓋了6個(gè)不同的PI分期。在每個(gè)識(shí)別的矩形框上方，模型還標(biāo)注了預(yù)測的PI分期及其置信度，從而提升了預(yù)測結(jié)果的直觀性和可信度，見圖10。

將模型部署到手機(jī)應(yīng)用程序中，以便在臨床上便捷使用，需要經(jīng)歷以下幾個(gè)步驟：首先，建立并標(biāo)注專用的PI圖像數(shù)據(jù)集；接著，通過遷移學(xué)習(xí)在Ultralytics Hub平臺(tái)上微調(diào)訓(xùn)練YOLOv8模型，并將其發(fā)布；最后，以蘋果手機(jī)（iPhone）為例，在海外版蘋果商店（App Store）下載“Ultralytics Hub”軟件，并加載本課題組之前發(fā)布的模型。為了方便觀看模型在實(shí)時(shí)定位并自動(dòng)分類PI病變的能力，兩個(gè)視頻鏈接及其對應(yīng)的二維碼見表3。通過點(diǎn)擊鏈接或掃描二維碼，用戶可以直接觀看視頻，從而直觀地了解AI模型的表現(xiàn)。視頻1和視頻2從不同角度展示了一位護(hù)理人員正在使用載有AI模型的手機(jī)實(shí)時(shí)檢測PI病變的演示過程。

3 討論

PI是全球數(shù)百萬人面臨的重大健康問題，尤其影響活動(dòng)能力受限的人群。PI的早期檢測和分期對于防止其進(jìn)展及減少相關(guān)的發(fā)病率和死亡率至關(guān)重要。在歐美地區(qū)，Ⅱ期及以上的PI被視為“絕不應(yīng)發(fā)生的事件”，相關(guān)治療費(fèi)用經(jīng)常不予報(bào)銷。盡管投入了大量資源進(jìn)行預(yù)防和治療，但長時(shí)間手術(shù)的患者中有66%的PI發(fā)生率，而重癥監(jiān)護(hù)病房的發(fā)病率更是高達(dá)50%［17］。在中國，由于人口眾多、老齡化問題嚴(yán)重以及醫(yī)療資源不足，許多慢性病老年患者長期臥床，通常在康復(fù)中心或家中接受治療。雖然PI發(fā)生率已被納入國內(nèi)醫(yī)院質(zhì)量評估指標(biāo)［18-19］，但專業(yè)的PI小組人員主要集中在大型綜合醫(yī)院，這使得在非大型醫(yī)療機(jī)構(gòu)中進(jìn)行PI的早期診斷和分期面臨持續(xù)挑戰(zhàn)。相關(guān)研究表明，PI治愈率僅為5.1%～29.9％［20］，這不僅延長了患者的住院時(shí)間，同時(shí)也增加了治療成本［21］。

2019年NPUAP指南［10］中規(guī)定的PI分期為1～4期及兩種特殊類型（深部組織損傷期和難以分期），并明確指出清創(chuàng)后需要對深部組織損傷期和難以分期重新分期并歸為3～4期。然而，本研究在按照2019年NPUAP指南進(jìn)行PI分期時(shí)，刻意加入了兩種特殊類型（深部組織損傷期和難以分期）的PI圖像，用于訓(xùn)練人工智能模型，其理由如下：（1）PI存在的普遍性。許多慢性病老年患者長期臥床，通常在康復(fù)中心或家中接受治療。在綜合性醫(yī)院的ICU、消化內(nèi)科、腫瘤科和呼吸科等科室，也經(jīng)常出現(xiàn)PI患者。（2）PI專業(yè)知識(shí)人員的缺乏。擁有PI專業(yè)知識(shí)的人員主要集中在大型綜合醫(yī)院，使得在非大型醫(yī)療機(jī)構(gòu)中進(jìn)行PI的早期診斷和分期面臨持續(xù)挑戰(zhàn)。（3）早發(fā)現(xiàn)PI的重要性。一旦患者出現(xiàn)PI，可能會(huì)經(jīng)歷疼痛、不適及活動(dòng)能力減弱等嚴(yán)重影響，并顯著增加患者的醫(yī)療費(fèi)用。PI的治療效果與其及早發(fā)現(xiàn)息息相關(guān)；提高早期發(fā)現(xiàn)和準(zhǔn)確分期的能力，能夠降低PI的漏診率并減少其進(jìn)展為高分期的風(fēng)險(xiǎn)。（4）分為6期的臨床意義。在非大型醫(yī)療機(jī)構(gòu)、養(yǎng)老機(jī)構(gòu)及居家等場景中，通常不具備清創(chuàng)條件，因此無法對兩種特殊類型的PI患者進(jìn)行清創(chuàng)后分期。本研究的目的是開發(fā)一種PI自動(dòng)識(shí)別和分期的人工智能模型，通過AI的使用，使得在不具備強(qiáng)PI專業(yè)知識(shí)及清創(chuàng)條件的場景中，也能盡早發(fā)現(xiàn)這類PI患者，引起重視，并在必要時(shí)轉(zhuǎn)至大型醫(yī)院進(jìn)一步診治。

有效的PI管理依賴于其早期和準(zhǔn)確的識(shí)別［22］。對于經(jīng)驗(yàn)較少的醫(yī)護(hù)人員，準(zhǔn)確分期PI是具有挑戰(zhàn)性的，因?yàn)榭赡苁艿脚嘤?xùn)不足、信息缺乏、觀察者偏見以及傷口外觀多樣性的影響［23-24］。此外，患者的皮膚色、年齡和健康狀況也可能干擾視覺判斷［25］。因此，迫切需要開發(fā)更有效、更準(zhǔn)確、更客觀的自動(dòng)化PI檢測和分期方法。隨著大數(shù)據(jù)和云計(jì)算技術(shù)的發(fā)展，AI正逐漸應(yīng)用于醫(yī)學(xué)領(lǐng)域，計(jì)算機(jī)輔助診斷技術(shù)已成為臨床研究的熱點(diǎn)。?íN等［26］的研究利用重癥監(jiān)護(hù)患者的臨床數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)預(yù)測PI，結(jié)果表明隨機(jī)森林模型的準(zhǔn)確率達(dá)到96.0%。在PI圖像處理方面，LIU等［27］利用圖像分割技術(shù)提出了一種用于PI自動(dòng)化評估的AI輔助系統(tǒng)。然而，該系統(tǒng)在包含100張PI圖像的測試集上僅取得了0.603的mAP。ALDUGHAYFIQ等［28］使用YOLOv5開發(fā)的模型獲得了0.769的mAP50，而本研究采用更新的YOLOv8網(wǎng)絡(luò)，實(shí)現(xiàn)了更高的檢測精度（mAP50為0.824），并在自動(dòng)化PI分期方面展現(xiàn)了93.18%的整體準(zhǔn)確率、76.52%的靈敏度和96.29%的特異度。特別是對Ⅰ期PI病變，準(zhǔn)確率高達(dá)95.97%。本研究模型已部署到手機(jī)App中，以每秒68.49張圖像的速度運(yùn)行，充分滿足實(shí)時(shí)診斷PI的需求。該App相當(dāng)于一位經(jīng)驗(yàn)豐富的PI小組成員，在不同場景（如醫(yī)院、護(hù)理院、家庭）使用，能夠提高早期發(fā)現(xiàn)和準(zhǔn)確分期的能力，進(jìn)而降低PI的漏診和進(jìn)展為高分期的風(fēng)險(xiǎn)。目前支持蘋果手機(jī)（安卓手機(jī)無法使用），在手機(jī)上同時(shí)安裝GitHub和Ultralytics Hub軟件；本研究訓(xùn)練的PI模型已上傳至GitHub模型存儲(chǔ)倉庫，這兩個(gè)軟件同時(shí)登錄同一個(gè)賬號(hào)后，就能夠?qū)⒛Ｐ蛷腉itHub模型倉庫傳輸至Ultralytics Hub中，之后每次打開Ultralytics Hub就能使用本團(tuán)隊(duì)開發(fā)的PI模型。

4 小結(jié)與展望

本研究為PI的自動(dòng)化檢測和分期開發(fā)了一個(gè)AI模型，該模型在定位和分類性能方面均表現(xiàn)優(yōu)秀，通過手機(jī)終端的部署，可在不同場景中為不同人群提供有力輔助。該模型通過實(shí)現(xiàn)PI的早期發(fā)現(xiàn)和準(zhǔn)確分期，為制訂治療策略及監(jiān)測治療效果提供了關(guān)鍵支持，從而改善患者的治療效果并降低醫(yī)療成本。

本研究初步評估了YOLOv8神經(jīng)網(wǎng)絡(luò)在自動(dòng)化PI檢測和分期的潛力并將該模型部署至手機(jī)應(yīng)用程序，并計(jì)劃從不同醫(yī)療中心前瞻性收集PI圖像進(jìn)行外部測試。此外，今后將與不同經(jīng)驗(yàn)的PI小組成員進(jìn)行人機(jī)對比實(shí)驗(yàn)，系統(tǒng)驗(yàn)證模型在臨床環(huán)境中的有效性。這將為技術(shù)改進(jìn)和臨床應(yīng)用提供寶貴數(shù)據(jù)和經(jīng)驗(yàn)。

作者貢獻(xiàn)：王珍妮、須月萍進(jìn)行文章的構(gòu)思與設(shè)計(jì)；須月萍、夏開建進(jìn)行數(shù)據(jù)收集及數(shù)據(jù)整理并進(jìn)行統(tǒng)計(jì)學(xué)處理與代碼報(bào)錯(cuò)解決；王珍妮、徐曉丹撰寫論文并進(jìn)行論文的修訂；顧麗華對文章整體負(fù)責(zé)，監(jiān)督管理。

本文無利益沖突。

王珍妮：https：//orcid.org/0009-0001-0889-1755

參考文獻(xiàn)

MERVIS J S，PHILLIPS T J. Pressure ulcers：Pathophysiology，epidemiology，risk factors，and presentation［J］. J Am Acad Dermatol，2019，81（4）：881-890. DOI：10.1016/j.jaad.2018.12.069.

HEADLAM J，ILLSLEY A. Pressure ulcers：an overview［J］. Br J Hosp Med：Lond，2020，81（12）：1-9. DOI：10.12968/hmed.2020.0074.

李清，蘇強(qiáng)，林英，等. 基于機(jī)器學(xué)習(xí)的住院患者壓力性損傷分析與預(yù)測［J］. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（10）：1530-1536. DOI：10.11908/j.issn.0253-374x.20096.

SAWYER LEE R，DUNNMON J A，HE A，et al. Comparison of segmentation-free and segmentation-dependent computer-aided diagnosis of breast masses on a public mammography dataset［J］. J Biomed Inform，2021，113：103656. DOI：10.1016/j.jbi.2020.103656.

AGNES S A，ANITHA J，PANDIAN S I A，et al. Classification of mammogram images using multiscale all convolutional neural network（MA-CNN）［J］. J Med Syst，2019，44（1）：30. DOI：10.1007/s10916-019-1494-z.

LI F，CHEN H，LIU Z，et al. Fully automated detection of retinal disorders by image-based deep learning［J］. Graefe's Arch Clin Exp Ophthalmol，2019，257（3）：495-505. DOI：10.1007/s00417-018-04224-8.

TING D S W，PENG L，VARADARAJAN A V，et al. Deep learning in ophthalmology：the technical and clinical considerations［J］. Prog Retin Eye Res，2019，72：100759. DOI：10.1016/j.preteyeres.2019.04.003.

TERVEN J，CóRDOVA-ESPARZA D M，ROMERO-GONZáLEZ J A. A comprehensive review of YOLO architectures in computer vision：from YOLOv1 to YOLOv8 and YOLO-NAS［J］. Mach Learn Knowl Extr，2023，5（4）：1680-1716. DOI：10.3390/make5040083.

LOU H T，DUAN X H，GUO J M，et al. DC-YOLOv8：small-size object detection algorithm based on camera sensor［J］. Electronics，2023，12（10）：2323. DOI：10.3390/electronics12102323.

KOTTNER J，CUDDIGAN J，CARVILLE K，et al. Prevention and treatment of pressure ulcers/injuries：the protocol for the second update of the international clinical practice guideline 2019［J］. J Tissue Viability，2019，28（2）：51-58. DOI：10.1016/j.jtv.2019.01.001.

陳麗娟，孫林利，劉麗紅，等. 2019版《壓瘡/壓力性損傷的預(yù)防和治療：臨床實(shí)踐指南》解讀［J］. 護(hù)理學(xué)雜志，2020，35（13）：41-43，51. DOI：10.3870/j.issn.1001-4152.2020.13.041.

ATHALYE C，ARNAOUT R. Domain-guided data augmentation for deep learning on medical imaging［J］. PLoS One，2023，

18（3）：e0282532. DOI：10.1371/journal.pone.0282532.

KANG L W，WANG I S，CHOU K L，et al. Image-based real-time fire detection using deep learning with data augmentation for vision-based surveillance applications［C］//2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）. Taipei，China. IEEE，2019：1-4. DOI：10.1109/AVSS.2019.8909899.

QIU Z R，RONG S Y，YE L K. YOLF-ShipPnet：improved RetinaNet with pyramid vision transformer［J］. Int J Comput Intell Syst，2023，16（1）：58. DOI：10.1007/s44196-023-00235-4.

SHIN H C，ROTH H R，GAO M C，et al. Deep convolutional neural networks for computer-aided detection：CNN architectures，dataset characteristics and transfer learning［J］. IEEE Trans Med Imaging，2016，35（5）：1285-1298. DOI：10.1109/TMI.2016.2528162.

JOCHER G，CHAURASIA A，QIU J. Ultralytics YOLOv8［EB/OL］. ［2024-03-20］." https：//github.com/ultralytics/ultralytics.

HAJHOSSEINI B，LONGAKER M T，GURTNER G C. Pressure injury［J］. Ann Surg，2020，271（4）：671-679. DOI：10.1097/SLA.0000000000003567.

侯學(xué)峰，張慧玲，牛瑞紅，等. 山西省某三甲綜合醫(yī)院住院患者壓瘡現(xiàn)狀調(diào)查分析［J］. 中國藥物與臨床，2019，19（14）：2365-2367. DOI：10.11655/zgywylc2019.14.012.

王悅，鄭晨，宋輝. 手術(shù)患者壓力性損傷預(yù)防管理的研究進(jìn)展［J］. 護(hù)士進(jìn)修雜志，2022，37（21）：1948-1952. DOI：10.16821/j.cnki.hsjx.2022.21.006.

SUN X F，NI P W，WU M J，et al. A clinicoepidemiological profile of chronic wounds in wound healing department in Shanghai［J］. Int J Low Extrem Wounds，2017，16（1）：36-44. DOI：10.1177/1534734617696730.

HAESLER E，PITTMAN J，CUDDIGAN J，et al. An exploration of the perspectives of individuals and their caregivers on pressure ulcer/injury prevention and management to inform the development of a clinical guideline［J］. J Tissue Viability，2022，31（1）：1-10. DOI：10.1016/j.jtv.2021.10.008.

HAAVISTO E，STOLT M，PUUKKA P，et al. Consistent practices in pressure ulcer prevention based on international care guidelines：a cross-sectional study［J］. Int Wound J，2022，19（5）：1141-1157. DOI：10.1111/iwj.13710.

LEBLANC K，WOO K，BASSETT K，et al. Professionals' knowledge，attitudes，and practices related to pressure injuries in Canada［J］. Adv Skin Wound Care，2019，32（5）：228-233. DOI：10.1097/01.ASW.0000554444.52120.f6.

BATES-JENSEN B M，MCCREATH H E，HARPUTLU D，et al. Reliability of the Bates-Jensen wound assessment tool for pressure injury assessment：the pressure ulcer detection study［J］. Wound Repair Regen，2019，27（4）：386-395. DOI：10.1111/wrr.12714.

BOYKO T V，LONGAKER M T，YANG G P. Review of the current management of pressure ulcers［J］. Adv Wound Care，2018，

7（2）：57-67. DOI：10.1089/wound.2016.0697.

?íN P，HOKYNKOVá A，MARIE N，et al. Machine learning-based pressure ulcer prediction in modular critical care data［J］. Diagnostics，2022，12（4）：850. DOI：10.3390/diagnostics12040850.

LIU H，HU J，ZHOU J Y，et al. Application of deep learning to pressure injury staging［J］. J Wound Care，2024，33（5）：368-378. DOI：10.12968/jowc.2024.33.5.368.

ALDUGHAYFIQ B，ASHFAQ F，JHANJHI N Z，et al. YOLO-based deep learning model for pressure ulcer detection and classification［J］. Healthcare，2023，11（9）：1222. DOI：10.3390/healthcare11091222.

（收稿日期：2024-05-27；修回日期：2024-07-12）

（本文編輯：康艷輝）