[基于深度学习的手术切口常见并发症特征的识别]
Chunlin Zhao1, Shiqi Hu2, Tingting He3
1Department of Thoracic Surgery, West China Hospital, Sichuan University/West China School of Nursing, Sichuan University, Chengdu 610041, China.
概括
深度学习模型从图像中准确地分类手术切口并发症,从而能够早期检测并减少患者在家中康复期间的焦虑. 这项技术旨在为患者指导手术部位的自我检查.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术部位感染 手术部位感染
背景情况:
- 缩短住院时间增加了对远程术后护理的需求.
- 患者对手术切口愈合和在家可能出现的并发症感到焦虑.
- 及时识别手术部位问题对于患者的康复和福祉至关重要.
研究的目的:
- 开发一种深度学习模型来对外科切口并发症进行分类.
- 为了能够早期,患者指导的识别常见的手术切口问题.
- 为了减少与出院后恢复相关的患者焦虑.
主要方法:
- 收集了1224张术后手术切口图像.
- 用了四种类型的卷积神经网络 (ResNet变体) 来进行分类.
- 训练和测试模型使用 8:1:1 的比例进行训练,验证和测试.
主要成果:
- 在分类手术切口特征方面,SE-ResNet101模型实现了最高的平均精度 (0.941).
- 其他ResNet模型也表现出强的性能,精度从0.896到0.918.
- 在测试的模型中观察到高精度和回忆率,表明可靠的分类.
结论:
- 深度学习有效地识别了手术切口图像中的问题特征.
- 开发的模型可以帮助早期发现手术切口并发症.
- 未来的应用可能使患者能够使用智能设备自我检查切口.
