《Scientific Reports》：Deep learning-based ordinal classification overcomes subjective assessment limitations in intraoral free flap monitoring
编辑推荐：
本研究针对口腔内游离皮瓣监测缺乏标准化、依赖主观评估的临床难题，开发了一种基于动态三元组边际损失（dynamic triplet margin loss）的AI序贯分类系统。该模型利用1,862张临床图像实现了对皮瓣状态"正常/可疑/受损"的三级分类，准确率达95.71%，尤其对罕见受损病例的召回率达80%。这项研究为游离皮瓣术后监测提供了可量化的客观标准，显著提升了临床决策的时效性和准确性。
在头颈肿瘤外科领域，游离皮瓣重建术犹如一位精妙的"修复师"，能够用患者自身组织修复因肿瘤切除或创伤造成的口腔内大面积缺损，重拾患者咀嚼、吞咽等基本功能与面部轮廓。然而，这位"修复师"的作品能否成功"存活"，术后的监护至关重要。目前，临床医生大多依赖肉眼观察皮瓣的颜色、肿胀度等主观指标，或使用多普勒超声等设备进行辅助判断。这些方法缺乏统一标准，不同经验水平的医生可能得出迥异的结论，就像"雾里看花"，难以精准捕捉皮瓣血运变化的细微征兆。更棘手的是，皮瓣的恶化并非一蹴而就，而是一个渐进的过程，存在一个关键的"可疑"过渡期。若能在这一时期及时发现并干预，抢救成功率将大幅提升；一旦延误至皮瓣完全坏死，则回天乏术。因此，开发一种能够客观、量化且精准识别皮瓣渐进性变化的监测工具，成为口腔颌面外科亟待突破的瓶颈。
为了攻克这一难题，一项发表于《Scientific Reports》的最新研究带来了曙光。由Hyounmin Kim、Dongwook Kim和Juho Bai领衔的研究团队，独辟蹊径地将人工智能（AI）中的序贯分类（Ordinal Classification）理念引入口腔内游离皮瓣监测。他们开发了一种基于动态三元组边际损失（Dynamic Triplet Margin Loss）的深度学习模型，能够像经验丰富的专家一样，将皮瓣状态精细划分为"正常"（Normal）、"可疑"（Suspicious）和"受损"（Compromised）三个有内在顺序的等级，从而实现了对皮瓣血运状态的连续、量化评估。
研究人员为这项研究构建了一个颇具规模的临床图像数据库。他们回顾性分析了来自131名患者的1,862张口腔内游离皮瓣术后临床照片。这些图像由住院医师使用多种智能手机（如iPhone 13 mini、Galaxy S21等）在真实临床环境中拍摄，涵盖了术后关键监测期（最初48小时内每2-3小时，第3天每6小时，第4天起每日）的不同时间点，充分反映了临床实践中图像角度、光照条件不一致的挑战。所有图像均由一位专家根据预先制定的评分标准（涵盖颜色、边缘可见度、肿胀度）进行标注，并归入上述三个类别。值得注意的是，"可疑"类别的界定尤为严谨，它不仅包括确实存在早期血运障碍迹象的皮瓣，也包含了因唾液、血液污染或视野限制导致边缘无法看清、从而无法做出明确判断的情况，这高度贴合临床决策中的不确定性。为了确保模型的泛化能力，研究采用了患者级别的数据划分，即同一患者的所有图像只会出现在训练集或测试集之一，有效避免了数据泄露。
在技术方法上，该研究的核心创新在于其独特的模型架构和损失函数设计。研究团队采用了基于视觉Transformer（Vision Transformer, ViT）的连体网络（Siamese Network）架构，该架构共享权重，高效处理锚点（Anchor）、正样本（Positive）、负样本（Negative）图像三元组。损失函数是关键，它结合了用于分类的标准交叉熵损失（Cross-Entropy Loss）和专门设计的动态三元组边际损失。后者能动态调整不同类别样本在特征空间中的距离：对于状态相差越远的样本（如"正常"与"受损"），模型会强制拉大它们之间的距离；而对于相邻状态的样本（如"正常"与"可疑"），则允许相对较小的间距。这种设计巧妙地融入了皮瓣状态变化的"序贯性"先验知识，使模型不仅能区分不同类别，更能理解类别间的渐进关系。同时，针对数据集中"受损"类样本极少（仅占2.7%）的类别不平衡问题，这种动态边际机制能优先学习罕见但至关重要的"受损"案例，提升模型对危重情况的识别能力。研究还采用了包括随机翻转、旋转、色彩抖动等在内的数据增强技术，以提升模型对拍摄条件变化的鲁棒性。
模型性能
研究结果显示，所提出的模型在测试集（373张图像）上表现卓越，总体准确率高达95.71%，显著优于仅使用交叉熵损失的基线模型（88.47%）。更为细致地看，模型对于"正常"类的识别能力极强（F1分数0.98），对于临床意义重大的"受损"类，尽管样本量极少，仍取得了0.73的F1分数和80%的召回率，意味着测试集中5个受损皮瓣有4个被成功识别。基线模型则暴露出明显短板，它将大量"可疑"类皮瓣误判为"正常"（52个中有37个），这种错误在临床上可能导致干预延迟。模型的判别能力通过接收者操作特征曲线（ROC曲线）下的面积（AUC）进一步得到证实，所有类别的AUC值均超过0.97，显示出极高的区分度。
交叉验证分析
为了评估模型的稳定性和泛化性能，研究进行了患者级别的分层5折交叉验证。结果显示，模型在不同数据子集上均保持了高性能，平均准确率为97.04%，且波动很小（标准差±0.01111）。特别值得注意的是，模型对"受损"类的平均召回率高达87.27%，再次证明了其捕捉危重病例的可靠性。然而，模型在"可疑"类上的表现相对较弱（平均F1分数0.6919），这恰恰反映了临床实践中界定"过渡状态"或"诊断不确定"病例的内在挑战，即便是专家也常在此类边缘案例上存在分歧。
讨论
本研究成功开发并验证了一个专门用于口腔内游离皮瓣监测的AI序贯分类模型。该模型的核心优势在于，它首次将皮瓣状态的渐进性变化通过序贯分类框架进行量化，提供了远超传统二元（正常/异常）分类的临床信息粒度。通过创新的动态三元组损失函数，模型不仅学会了分类，更学会了理解状态间的"距离"，这在嵌入空间的可视化（如UMAP图）中清晰可见： proposed model的数据点按类别有序聚集，而基线模型则混杂不清。尽管存在一些局限性，如依赖单专家标注可能引入的偏差、图像采集条件不一致、以及研究对象主要为亚洲人群等，但这项工作的开创性意义不容忽视。它证明了仅利用常规智能手机拍摄的照片，即可实现对口腔内这一复杂环境中皮瓣状态的快速、客观、定量评估。模型界面能直观展示每个类别的概率，并在数秒内完成分析，极具临床转化潜力。
综上所述，这项研究为游离皮瓣术后监测领域注入了新的活力。它巧妙地利用深度学习技术，特别是序贯分类策略，克服了长期困扰临床的主观评估局限和难以捕捉渐进性变化的难题。该模型不仅准确率高，更重要的是，其输出结果与临床决策逻辑高度契合，能够为医生提供关于皮瓣血运状态的连续、可解释的信息，有助于把握最佳的干预时机，最终有望提升皮瓣存活率，改善患者预后。这项工作为开发下一代智能、精准的外科术后监护系统奠定了坚实的基础，展现了人工智能在解决实际临床挑战中的巨大价值。
