基于图像识别手术伤口感染的机器学习方法:范围审查
Juan Pablo Tabja Bortesi1, Jonathan Ranisau1, Shuang Di1,2
1Centre for Data Science and Digital Health, Hamilton Health Sciences, Hamilton, ON, Canada.
Journal of medical Internet research
|January 18, 2024
概括
机器学习 (ML) 显示出从图像中识别手术部位感染 (SSIs) 的希望,但目前的研究是有限的. 标准化报告和解决数据变异性对于未来伤口远程监测的进步至关重要.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 用于诊断的图像分析.
背景情况:
- 手术部位感染 (SSI) 是一种常见的并发症,影响患者的治疗结果和医疗费用.
- 目前手术伤口的远程监测依赖于临床医生的手动评估,限制了可扩展性.
- 机器学习 (ML) 提供了具有成本效益的,可扩展的术后伤口愈合远程评估的潜力.
研究的目的:
- 审查用于从图像中识别手术伤口感染的机器学习 (ML) 方法.
- 提供SSI检测中ML应用的当前景观的概述.
主要方法:
- 对视觉SSI检测的ML方法进行范围审查,遵循JBI方法.
- 在多个数据库 (MEDLINE,Embase等) 进行了搜索. 对于相关研究,最长期限为2022年11月.
- 评估研究资格,提取数据,并使用TRIPOD和PROBAST工具评估报告.
主要成果:
- 10项研究符合来自715个独特记录的资格标准,利用不同的临床背景.
- 传统的ML和深度学习方法都用于从彩色图像中识别SSI.
- 根据PROBAST,大多数研究都显示出偏差 (RoB) 的高风险,没有进行外部验证.
结论:
- 使用ML对SSI的基于图像的识别是一个新兴的研究领域,需要标准化的报告.
- 未来的研究必须解决图像捕获,模型开发和数据源的局限性.
- 需要改进方法,以提高ML的SSI检测可靠性和适用性.
