基于卷积神经网络的人工智能烧伤深度识别模型的建立及测试效果

目的建立基于卷积神经网络的人工智能烧伤深度识别模型并测试其效果。方法在本诊断试验评价研究中,收集中南大学湘雅医院(下称笔者单位)2010年1月—2019年12月收治的符合入选标准的221例烧伤患者伤后48 h内创面照片484张,采用随机数字编号。采用图像查看软件圈出目标创面,由笔者单位烧伤整形科3名具有5年以上专科工作经验的主治医师判断烧伤深度,用不同颜色标记浅Ⅱ度、深Ⅱ度或Ⅲ度烧伤后,按224×224像素的尺寸切割得到完整大小的图像块5637张。采用图片生成器将3种深度烧伤图像块均扩充至10000张后,将每种烧伤深度图像块按7.0∶1.5∶1.5比例分为训练集、验证集和测试集。在Keras 2.2.4 Python 2.8.0版本下,采用卷积神经网络中的残差网络ResNet-50构建人工智能烧伤深度识别模型,输入训练集进行训练,利用验证集对模型进行调整、优化。利用测试集测试构建的模型识别各类烧伤深度的准确率,计算精确率、召回率及F1指数;通过降维工具tSNE将测试结果降维可视化生成二维tSNE云图,观察各类烧伤深度分布情况;根据模型对3种烧伤深度识别的敏感度及特异度,绘制出相应受试者工作特征(ROC)曲线,计算ROC曲线下面积。结果(1)经测试集测试,人工智能烧伤深度识别模型识别浅Ⅱ度、深Ⅱ度、Ⅲ度烧伤的精确率分别为84%(1095/1301)、81%(1215/1499)、82%(1395/1700),召回率分别为73%(1095/1500)、81%(1215/1500)、93%(1395/1500),F1指数分别为0.78、0.81、0.87。(2)tSNE云图显示,人工智能烧伤深度识别模型测试集测试结果中不同烧伤深度之间总体重叠较少,其中浅Ⅱ度与深Ⅱ度、深Ⅱ度与Ⅲ度烧伤之间重叠相对较多,而浅Ⅱ度与Ⅲ度烧伤之间重叠相对较少。(3)人工智能烧伤深度识别模型识别3种烧伤深度的ROC曲线下面积均≥0.94。结论采用ResNet-50网络建立的人工智能烧伤深度识别模型可较准确地识别烧伤患者早期创面照片中烧伤深度,特别是浅Ⅱ度与Ⅲ度烧伤,有望用于临床烧伤深度辅助诊断,提高诊断准确率。

烧烫伤创面深度智能检测模型P-YOLO的建立及测试效果

目的基于深度学习技术和计算机语言设计烧烫伤创面深度智能检测模型并予以测试,验证该模型对烧烫伤创面图像检测的有效性及准确性。方法收集2022年1月至2024年2月在上海交通大学医学院附属瑞金医院烧伤整形科接受治疗且符合入选标准的烧烫伤患者伤后48 h内创面照片共492张,重置照片顺序并编号。由两名执业3年以上的副主任医师采用图像标注工具LabelMe对照片中的目标创面进行标记并判定其严重程度,严重程度分为Ⅰ度、Ⅱ度和Ⅲ度。采用图像处理技术扩充数据集至2952张,按照7∶2∶1比例划分为训练集、验证集及测试集。在Python 3.10.0版本下,提出并构建基于深度学习的烧烫伤创面深度智能检测模型P-YOLO,通过多批次训练调整并优化网络参数。经过测试得到该模型在数据集上的各项指标参数,如查准率、召回率以及在不同交并比(IoU)下的平均精度均值等,根据实验结果绘制出相应的F1指数曲线和混淆矩阵。结果(1)经测试,所设计的P-YOLO智能检测模型对Ⅰ度、Ⅱ度和Ⅲ度烧烫伤创面识别的查准率分别为0.962、0.931及0.886,召回率分别为0.849、0.828及0.857,F1指数分别为0.902、0.876及0.871。(2)混淆矩阵显示,P-YOLO模型检测Ⅰ度、Ⅱ度和Ⅲ度烧烫伤创面的准确度分别为0.86、0.87及0.91。(3)当IoU阈值为0.5时,P-YOLO模型检测Ⅰ度、Ⅱ度和Ⅲ度烧烫伤创面的平均精度均值为0.893、0.885及0.838。在所有类别创面中,P-YOLO模型检测的平均精度均值为0.872。(4)与Faster R-CNN、YOLOv5及YOLOv7检测模型相比,P-YOLO模型具有最高的平均精度均值,检测效果最优。结论基于深度学习的智能检测模型P-YOLO整体检测准确率和可靠性较高,能够提高烧伤科医师对烧烫伤创面深度的诊断准确度和效率。