基于机器学习的口腔内游离皮瓣监测新方法：克服临床数据不平衡实现精准评估

本研究针对口腔内游离皮瓣术后监测中存在的定性判断困难和数据不平衡问题，开发了一种基于人工智能的定量监测模型。研究人员采用Vision Transformer（ViT）架构，结合类别加权和Focal Loss技术处理数据不平衡，在1877张临床图像上实现了0.9863的F1分数。该模型能够量化皮瓣血管危象概率，为临床医生提供及时准确的决策支持，是首个用于口腔内皮瓣监测的深度学习模型。

　　

在口腔颌面外科领域，游离皮瓣重建术是修复肿瘤切除或创伤所致大面积缺损的重要方法。虽然这种手术的成功率超过95%，但一旦发生血管危象导致皮瓣坏死，将引发复杂的医疗问题。传统的术后监测方法包括临床观察、多普勒系统、彩色双功超声和近红外光谱等技术，但这些方法都存在明显局限性：它们大多依赖医护人员的主观判断，产生的定性图像数据难以解读，且需要大型监测设备，无法实现频繁使用。

更令人担忧的是，当前所有监测方法都无法提供皮瓣变化的量化测量指标。对于位于口腔内部的皮瓣，监测难度更大——血液与唾液的覆盖、口腔复杂解剖结构造成的拍摄困难，都使得准确评估皮瓣状态变得极具挑战性。正是为了解决这些临床痛点，研究人员开展了这项开创性的研究。

研究团队收集了2021年6月至2024年3月期间131例患者的1877张临床图像，这些患者均因口腔内缺损接受了游离皮瓣重建术。由于血管受损的患者数量极少，研究采用了类别加权和Focal Loss技术来解决数据不平衡问题。所有图像都经过标准化预处理流程，包括调整尺寸、随机水平翻转、随机旋转、颜色抖动和归一化处理，以增强模型的鲁棒性。

研究结果显示，提出的模型在所有类别上达到了0.9867的整体准确度和0.9863的F1分数，表现出卓越的性能。特别值得注意的是，该模型对少数类别（血管危象）样本的精确度达到了0.95，显著优于未使用加权或简单交叉熵损失的模型。患者级别的5折交叉验证进一步证实了模型的临床适用性，加权Focal Loss模型获得了0.9379的平均准确度和0.9421的精确度。

在376张测试图像中，模型仅错误分类了5张图像。其中1例健康皮瓣被错误分类为坏死（假阴性），4例存在血管危象的皮瓣被错误分类为健康（假阳性）。这些错误主要源于数据集有限以及置信度阈值配置不够优化。

模型性能方面，研究比较了四种不同配置的模型性能。所有配置都使用Vision Transformer（ViT）大型模型作为共同架构，学习率设置为0.0001。提出的模型在所有类别中表现出极高的性能，其精确度-召回曲线在很宽的召回值范围内保持高精确度（接近1.0），仅在非常高的召回水平时才急剧下降。这表明模型能够以最小误差有效识别需要抢救手术的1类皮瓣。

患者级别交叉验证结果显示，加权Focal Loss模型表现出最优性能，平均准确度为0.9379±0.0173，精确度为0.9421±0.0152。相比之下，未加权的交叉熵损失模型准确度为0.9339±0.0197，而未加权的Focal Loss和加权的交叉熵损失模型表现较低，准确度分别为0.8956±0.0229和0.8634±0.0748。

该研究的重大意义在于推出了首个用于口腔内皮瓣监测的深度学习模型，展示了量化测量皮瓣变化的可能性。模型仅使用皮瓣的二维图像，消除了将大型探头插入口腔的不适感。尽管口腔的洞穴结构导致图像间存在显著的光照变化，但通过模型内部的随机调整克服了这一挑战，仅需智能手机闪光灯即可完成图像采集。

然而，研究也存在一些局限性。模型对1类的召回值相对较低（0.83），意味着模型有约17%的概率将实际血管危象错误分类为正常，这可能带来临床风险。这些错误主要源于代表血管危象的图像仅有几百张，以及确定血管危象的置信水平阈值配置不够优化。在临床部署前，需要根据疑似血流障碍的图像重新校准置信水平阈值。

此外，该研究在单一机构进行，患者均为亚洲种族。为了扩展模型的适用性，需要在更多样化的肤色上进行进一步训练。尽管存在这些限制，该模型作为血管危象的敏感检测器，具有辅助外科医生的潜力。它能够分析在不同条件和光照下拍摄的图像，提供全天候、位置无关的结果，支持术后外科医生的决策过程。

最终，该研究为口腔内游离皮瓣监测提供了全新的解决方案，通过人工智能技术实现了皮瓣状态的量化评估，为临床决策提供了可靠依据，标志着口腔颌面外科术后监测进入了智能量化新时代。