相关实验视频
Updated: May 21, 2025
06:51
Mouse Model of Pressure Ulcers After Spinal Cord Injury
Published on: March 9, 2019
9.3K
卷积神经网络模型用于压力的视觉分类阶段:横截面研究
Changbin Lei1, Yan Jiang2, Ke Xu3
1Trauma Center, West China Hospital, West China School of Nursing, Sichuan University, Chengdu, China.
JMIR medical informatics
|March 26, 2025
概括
深度学习模型准确地将压力损伤 (PI) 进行阶段化. DenseNet121获得了93.71%的准确性,为改善PI分期和患者护理提供了潜在的工具.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 伤口护理技术 伤口护理技术
背景情况:
- 压力损伤 (PIs) 带来了重大的健康挑战和经济负担.
- 精确的PI分期对于有效的治疗至关重要,但由于不同的临床表现和缺乏客观诊断,仍然很困难.
- 深度学习,特别是卷积神经网络 (CNN),在复杂的医疗成像中提高分类准确性,包括伤口评估.
研究的目的:
- 评估各种CNN模型 (AlexNet,VGGNet16,ResNet18,DenseNet121) 对于压力损伤的自动分期的有效性.
- 开发一个智能工具,以帮助医疗保健专业人员准确和有效地分期PIs.
主要方法:
- 在六个阶段收集了853张原始压力损伤图像 (I,II,III,IV,不可分阶段,可疑深层组织损伤).
- 通过剪切和翻转,增加了数据集的9倍,结果有7677张图像.
- 在增强数据集上训练了AlexNet,VGGNet16,ResNet18和DenseNet121模型,分为训练,验证和测试集 (8:1:1比).
主要成果:
- 在PI分期方面,DenseNet121获得了93.71%的最高整体精度.
- 在ResNet18,AlexNet和VGGNet16的总体准确率分别为92.42%,87.74%和82.42%.
- 该研究证实了CNN模型在压力损伤图像上的强烈分类表现.
结论:
- 基于CNN的模型显示出开发高效和智能PI分期系统的巨大潜力.
- 这些人工智能工具可以帮助标准化PI评估,并可能改善患者的治疗结果.
- 未来的研究应该将这些模型与临床专业知识进行比较,例如具有不同经验水平的护士,以验证现实世界的临床实用性.
