基于视觉-语言基础模型的高效识别技术以及手术切口在家庭环境中的管理

《International Journal of Surgery》：Vision-language foundation model-driven efficient recognition and home-based management of surgical incisions

自动识别术后切口状态的视觉语言模型研究。通过构建基于VLFM的DeepIncision系统，成功识别7类切口异常（红肿/化脓/裂开等），在验证集和外部测试集的AP分别达68.5%和57.85%，较非专业人员提升64.7%AP，较非专科人员提升27.5%AP。

　　

摘要通俗语言总结

---

目的：

准确评估手术切口的恢复情况对于患者的居家护理和康复至关重要。本研究旨在开发并评估一种基于视觉-语言基础模型（VLFM）的新型手术切口识别方法，以提高切口识别精度并优化居家护理管理。

方法：

主要研究队列包括2022年5月至2023年8月期间来自中心1的865名术后患者的1,008张手术切口图像；时间验证队列包括2023年9月至2023年12月期间来自中心1的199名患者的252张手术切口图像；独立外部验证队列包括2023年10月至2023年12月期间来自中心2的130名患者的183张手术切口图像。伤口护理专家使用图像处理软件对手术切口进行了七类分类和标注。我们的手术切口识别系统（名为DeepIncision）是基于Grounded Language-Image预训练的VLFM开发的。我们将DeepIncision的性能与五种传统的目标检测深度学习方法以及非医疗人员进行比较。切口识别性能通过平均精度（AP）、平均召回率（AR）、F1分数和接收者操作特征曲线下面积来评估。

结果：

DeepIncision能够高效识别七类手术切口：无异常、发红、化脓、结痂、张力性水泡、切口周围淤血和切口裂开。时间验证队列的平均精度为68.50%，外部验证队列的平均精度为57.85%，两者均显著优于其他深度学习方法和非专家手动识别（P<0.01）。与非医疗人员（平均精度=3.80%，平均召回率=15.30%）和非伤口专业医疗人员（平均精度=41.00%，平均召回率=52.50%）相比，DeepIncision的平均精度分别提高了64.7%和27.5%，平均召回率分别提高了81.61%和44.41%。

结论：

DeepIncision能够自动且准确地检测和识别手术切口，帮助患者进行居家切口管理，并提供实时的切口反馈，从而增强患者的自我管理能力，促进手术切口的有效居家护理和康复。

通俗语言总结：本研究介绍了一种名为DeepIncision的新方法，该方法利用视觉-语言基础模型准确识别手术切口，有助于居家护理。研究人员在1,400多张术后患者的图像上测试了DeepIncision的性能，并将其与传统深度学习方法和非专家评估进行了比较。DeepIncision成功识别了七种类型的切口状况，如发红和切口裂开，其准确率显著高于其他方法。在时间验证中的平均精度为68.50%，在外部验证中的平均精度为57.85%，优于非医疗人员和非专业医疗人员。这一工具增强了患者的自我管理能力，并支持有效的居家康复。

文本由机器生成，可能包含不准确之处。常见问题解答