儿科BurnNet:在真实世界成像条件下强大的多类细分和严重性识别
Xiang Li1, Zhen Liu1, Lei Liu1
1Department of Burns and Plastic Surgery, National Center for Children's Health, Beijing Children's Hospital, Capital Medical University, China.
SAGE open medicine
|July 29, 2025
概括
一个深度学习模型准确地对儿科烧伤进行细分,并从各种图像中评分深度. 这项技术有助于资源有限的临床医生更好地进行烧伤护理和治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科烧伤护理 儿科烧伤护理
背景情况:
- 准确的烧伤伤口评估对于有效治疗至关重要.
- 目前用于燃烧深度分级的方法可能是主观的,耗时的.
- 在各种临床环境中,对客观,快速评估工具的需求正在增加.
研究的目的:
- 开发和验证一个深度学习模型,同时对儿科烧伤伤进行细分和深度分级.
- 为了确保模型在复杂的,现实世界的成像条件下准确地执行.
- 评估该模型在临床使用的移动设备上部署的潜力.
主要方法:
- 在5年内回顾收集了4785张儿童烧伤的智能手机/摄像头图像.
- 在三个深度类别 (表面二度,深二度,三度) 中,14355个燃烧区域的注释.
- 开发了一个注意力增强的DeepLabv3-ResNet101模型 (Dfusion),具有特定的架构改进和加权交叉损失,使用十倍交叉验证进行验证.
主要成果:
- 对于细分,Dfusion模型实现了0.8766的平均子系数和0.8052的交叉对联系数.
- 分类准确度达到97.65%,燃烧深度分级的F1得分为85.33%.
- 在Dice和IoU指标中,Dfusion显著优于基线模型 (例如DeepLabv3,U-Net-ResNet101),其推断速度快,适合移动部署.
结论:
- 在不受控制的环境中,Dfusion模型提供了精确的端到端细分和儿科烧伤伤的深度分级.
- 它的性能和计算效率支持移动设备的部署,提供快速,客观的临床协助.
- 这项技术可以提高儿科烧伤护理中的分拣和治疗计划,特别是在资源有限的环境中.
