超声图像融合卷积神经网络技术诊断骶尾部术中获得性压力性损伤的研究

摘要

目的 结合超声图像与深度学习算法的卷积神经网络(CNN)构建快速高效诊断骶尾部术中获得性压力性损伤(IAPI)的人工智能模型。方法 采集2024年12月—2025年6月新疆维吾尔自治区人民医院行仰卧位手术的893例患者的3 182张骶尾部超声图像数据，由2名资深超声专家分别进行判读，将判读结果一致的IAPI 798张、非IAPI 887张图像纳入本研究。2组图像分别按照7∶1.5∶1.5的比例随机划分为训练集(n=1 178)、测试集(n=255)、验证集(n=252)。使用ResNet50、ResNet101、DenseNet121、DenseNet161神经网络框架搭建IAPI超声图像自动化诊断的深度学习模型，评价模型诊断的准确率、敏感度、精确度、精确率、F1值。筛选性能最佳的模型进行验证，并评估模型的适用性。同时，对最佳模型在IAPI超声图像判别诊断关键区域进行分析。结果 4种模型中以紧密链接DenseNet161性能表现最佳，在独立测试集上表现出色，整体准确率达0.937,在IAPI数据中的精确率、召回率与F1值分别为0.957、0.909、0.932。进一步基于阈值的整体性能评估，模型的受试者工作特征曲线的曲线下面积(AUC)与精确率-召回率的AUC分别为0.974、0.976,证明模型具有较好的类别区分能力与对正类样本精准识别的稳定性。使用Grad-CAM、Captum、Lime和SHAP这4种分析工具及多种语义提取聚类分析对最佳模型进行深度分析，模型可准确抓取IAPI的超声影像相关关键区域，使用最佳模型对全部数据集进行语义提取聚类分析最佳表现的UMAP在阳性与阴性样本的轮廓系数为0.784。结论 本研究成功探索并建立了基于CNN联合超声图像的自动化快速诊断骶尾部IAPI模型，为深度学习在IAPI诊疗领域的应用可行性及广阔前景提供了理论依据。

关键词

压力性损伤 / 术中 / 超声检查 / 卷积神经网络 / 深度学习 / 诊断 / 骶尾部 / 人工智能