基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型

摘要

背景 随着人口老龄化，压力性损伤（PI）的发病率逐渐增加，这不仅严重影响了患者的生存质量，还增加了医保支出。然而，PI的早期发现和准确分期极大地依赖于专业培训。目的 构建并测试一个用于PI自动检测和分期的人工智能模型，以提高PI诊断的实时性、准确性和客观性。方法 选取常熟市第一人民医院压疮电子化管理系统中2021年1月—2024年2月的693张PI图像，将图像随机划分为训练集（551张）和测试集（142张），并按照2019年美国压疮咨询委员会（NPUAP）制订的PI预防和治疗指南分为6期，包括：Ⅰ期154张、Ⅱ期188张、Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8[nano(n)、small(s)、medium(m)、large(l)和extra large(x)]神经网络和迁移学习，建立针对PI的深度学习目标检测模型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后，通过Ultralytics Hub平台将模型部署到手机应用程序（App）中，实现AI模型在临床工作中的应用。结果 在对包含142张PI图像的测试集进行评估时，YOLOv8l版本在确保高精确度（0.827）的同时，也展现了较快的推理速度（68.49帧/s），与其他YOLO版本相比，在精确度与速度之间取得了最佳的平衡。具体而言，其在所有类别上的整体准确率为93.18%，灵敏度为76.52%，特异度为96.29%，假阳性率为3.72%。在6个PI分期中，模型预测Ⅰ期的准确率最高，达到95.97%；预测Ⅱ期、Ⅲ期、Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言，YOLOv8l处理142张图像的总耗时为2.07 s，平均每秒可处理68.49张PI图像。结论 基于YOLOv8l网络的AI模型能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中，能够在临床实践中便携使用，具有很大的临床应用潜力。

关键词

压力性损伤 / 人工智能 / 深度学习 / YOLO / 目标检测 / 神经网络模型 / App