在直肠疾病中改善术后伤口护理:对高级卷积神经网络 (CNN) 架构进行图像分类和分析的比较研究
Qiaolan Zhang1, Zhaobo Chen2, Shunfang Hu3
1Department of Anorectal Surgery, Wuhan Tongji Aerospace City Hospital, 430416 Wuhan, Hubei, China.
Annali italiani di chirurgia
|December 26, 2024
概括
机器学习,使用卷积神经网络 (CNN),有效地分类直肠外科手术伤口. Inception-v4表现出卓越的性能,改善了手术后护理和患者的治疗结果.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 手术伤口管理手术伤口管理
背景情况:
- 直肠疾病往往需要手术干预,在手术后的伤口护理中提出了挑战.
- 有效的伤口管理对于患者的康复和预防并发症至关重要.
- 目前的伤口评估方法可能是主观的,耗时的.
研究的目的:
- 应用机器学习 (ML) 来自动分类和分析术后直肠伤口图像.
- 为了提高术后伤口护理策略的精度和个性化.
- 通过先进的人工智能驱动的医疗保健解决方案来改善患者的治疗结果.
主要方法:
- 使用了卷积神经网络 (CNN),包括MobileNet,ResNet50和Inception-v4架构.
- 使用CNN来检测和分类伤口特征:大小,位置,严重程度和组织类型.
- 综合梯度加权类激活映射 (Grad-CAM) 为了模型的可解释性.
主要成果:
- 使用准确性,精度和回忆指标评估CNN的表现.
- 在所有评估的指标上,Inception-v4架构表现出卓越的性能.
- Grad-CAM可视化提供了对模型决策过程的见解,提高了可解释性.
结论:
- ML集成显著推进了用于外科创伤评估的医学图像分析.
- 人工智能驱动的伤口分类提高了直肠外科手术中术后护理的精度.
- 这项技术有可能改善患者治疗结果和优化医疗保健策略.
