用于支气管镜诊断烧伤吸入损伤的深度学习框架

《Burns》：Deep Learning Framework for Bronchoscopic Diagnosis of Burn Inhalation Injury

Vision Transformer模型结合迁移学习和数据增强技术，在支气管镜图像中准确识别烧伤吸入性损伤（BII）的严重程度和是否存在损伤，测试集准确率达98.17%。

　　烧伤吸入性损伤（Burn Inhalation Injury, BII）是烧伤患者中常见且严重的并发症之一，其发生率约为三分之一的严重烧伤病例，但与约90%的烧伤相关死亡率密切相关。BII通常由吸入高温、化学刺激物或颗粒物引起，导致气道黏膜炎症、水肿和阻塞，进而引发如气管支气管炎、肺水肿、呼吸窘迫综合征和急性肺损伤等危及生命的临床问题。因此，对BII严重程度进行及时和准确的分级对于指导临床决策至关重要，包括气道管理、通气支持等，这些决策直接关系到患者的生存率和康复效果。

目前，支气管镜检查被认为是诊断BII并评估其严重程度的“金标准”。然而，现有的临床分级系统，如简化的损伤评分（Abbreviated Injury Score, AIS），主要依赖于人工对气道黏膜变化的视觉评估。这种主观判断方式存在明显的局限性，包括不同观察者之间的分类不一致、可靠性不足以及准确性有限等问题。因此，开发一种更加客观、标准化的自动化分级系统具有重要的临床价值。

本研究提出了一种基于监督深度学习技术的自动分级方法，利用预训练的视觉Transformer模型（Vision Transformer, ViT），通过图像数据增强和迁移学习等技术手段，对来自伦敦烧伤中心的36名患者的支气管镜检查记录进行分析。所有图像数据均经过质量控制，最终获得1,089张高质量图像，这些图像涵盖了正常、轻度、中度和重度四种BII分类。通过将这些图像分为训练集（70%）、验证集（20%）和测试集（10%），研究人员对模型的性能进行了全面评估，包括准确率、精确率、F1分数和召回率等指标。

研究结果显示，经过迁移学习和数据增强优化的ViT模型在测试集上表现优异，达到了98.17%的准确率、98.15%的F1分数、98.29%的精确率和98.17%的召回率。这表明，该模型在预测不同等级的BII严重程度方面具有很高的可靠性。而在二分类任务中，即判断是否存在BII，该模型同样表现出色，准确率达到了98.17%，F1分数为98.21%，精确率为98.36%，召回率为98.17%。这些指标均显著优于传统的基于视觉评估的评分系统，以及之前基于深度学习的其他研究。

通过进一步分析，研究人员发现，仅使用ViT模型的基准版本在测试集中表现相对较低，准确率为84.40%，而引入数据增强后，准确率提升至93.58%，迁移学习的引入进一步将准确率提高至95.41%，而结合两者的方法则达到了最佳性能，准确率高达98.17%。这表明，数据增强和迁移学习的结合显著提升了模型的泛化能力和分类精度。此外，通过混淆矩阵的分析，研究人员还发现模型在某些分类边界（如重度与中度之间的区分）仍存在一定的误判，但整体误判率已大幅降低。

在二分类任务中，模型的表现同样令人满意。基准ViT模型在测试集中产生了8个假阳性（误判为BII的正常图像）和3个假阴性（误判为正常的BII图像），而数据增强和迁移学习的结合则将假阳性降至0，假阴性也仅剩2个。这说明，该模型在识别BII存在与否方面具有高度的敏感性和特异性，特别是在识别轻微异常图像时，其表现优于其他模型。

与其他深度学习模型相比，本研究提出的ViT模型在多项指标上均表现出色。例如，在四分类任务中，该模型的准确率、F1分数、精确率和召回率均高于之前使用GBM或GoogLeNet模型的研究。而在二分类任务中，其准确率和F1分数同样优于这些模型。这表明，ViT模型在BII的自动分级任务中具有更强的分类能力。

尽管本研究取得了显著成果，但仍存在一些局限性。首先，研究样本量相对较小，且数据来源于单一的英国烧伤中心，可能无法代表全球范围内的烧伤患者群体。其次，由于隐私保护的考虑，研究中仅收集了支气管镜图像，而未包括相关的临床和人口统计数据，这限制了对潜在偏倚因素的分析。此外，本研究使用的是修改后的评分系统，而非传统的AIS系统，未来的研究需要在更大的、标注完整的数据集基础上，探索不同评分系统的应用。

未来的研究方向包括扩展当前的模型框架，以考虑气道不同部位的损伤严重程度，从而更准确地评估整体损伤情况。同时，建立一个包含位置标注和严重程度分级的图像数据库，将有助于提高模型的内部有效性与泛化能力。此外，结合患者的临床记录和其他多模态数据，可能进一步增强模型的诊断能力。例如，Sirisha Rambhatla等人开发的DL4Burn IOS应用，就通过多模态深度学习模型对烧伤患者的皮肤状况进行了评估，这种技术思路也可以借鉴到BII的诊断中。

综上所述，本研究提出了一种基于监督深度学习的自动化分级方法，利用ViT模型结合迁移学习和数据增强技术，显著提高了对BII严重程度的预测能力。这一方法不仅减少了传统主观评分带来的误差，还为未来深度学习在烧伤吸入性损伤检测领域的应用提供了新的思路和平台。然而，为了进一步推广该模型的临床应用，还需要在更大规模、更多样化的数据集上进行外部验证，并探索其与其他临床数据的整合，以提升模型的全面性和实用性。