编辑推荐：
婴儿血管瘤（IH）早期诊断和治疗意义重大，但传统诊断依赖临床医生经验和昂贵设备，现有计算机辅助诊断（CAD）方法无法直接决策。研究人员开发 DeepIH 系统，检测病变区域准确率达 95.8%，治疗推荐前 3 准确率 84.9%，有望改善医疗现状。
在婴幼儿的成长过程中，有一种常见的状况常常让家长们忧心忡忡，那就是婴儿血管瘤（Infantile Hemangiomas，IH）。它是婴幼儿时期皮肤和软组织中最常见的良性肿瘤，发病率高达 4.5%。这些肿瘤通常在宝宝出生几周后就会冒头，随后几个月里逐渐长大。它们大多长在宝宝的头、颈、脸等部位，虽然大部分 IH 会在几个月或几年内自行消退，但仍有不少让人担心的情况。大约 25% - 69% 未经治疗的病变可能会留下萎缩、色素改变、皮肤松弛等后遗症，10% - 15% 的病例甚至可能引发危及生命的状况，像心力衰竭，或者造成功能性损伤，比如长在眼眶、鼻腔、耳部附近的血管瘤，还可能导致面部大面积血管瘤影响容貌。所以，早期诊断和治疗对于 IH 来说至关重要。
然而，目前在 IH 的诊断和治疗上存在诸多难题。传统的诊断方式主要依靠医生的身体检查，像观察和听诊，对于长在深部组织的血管瘤，还得借助超声、核磁共振成像（MRI）这些昂贵的医疗成像技术，甚至需要进行组织活检和血液检查等病理检查。这就导致诊断的准确性和治疗方案的制定很大程度上依赖临床医生的个人专业水平以及医院的设备条件。在医疗资源有限的地区，尤其是低收入和中等收入国家，这个问题更为突出，很容易出现误诊或者治疗方案不佳的情况。
为了解决这些问题，来自国内的研究人员开展了一项关于婴儿血管瘤治疗推荐系统的研究，其成果发表在《Biomedical Signal Processing and Control》上。他们构建了首个包含注释治疗方法的 IH 数据集，并开发了 DeepIH，这是一种基于深度学习的近患者系统，能够为婴儿血管瘤提供治疗推荐。这一研究成果意义非凡，它验证了近患者诊断 IH 的可行性，让患者可以通过智能手机、笔记本电脑这些日常设备获取治疗建议，为改善全球范围内婴儿血管瘤的治疗现状带来了新的希望。
研究人员在开展这项研究时，用到了几个关键技术方法。首先是构建数据集，他们收集并标注了包含六种常见治疗方法的大规模 IH 数据集。在系统架构方面，DeepIH 采用了两阶段框架。第一阶段利用 CenterNet 作为检测器，从拍摄的 RGB 图像中识别病变区域；第二阶段，为了应对注释中的不确定性，研究人员提出了距离感知掩码来约束模型的类激活映射（CAM），以此模拟视觉不确定性，同时通过预测概率和不确定性来模拟临床不确定性，最终提升了系统性能。
实验方法
研究人员在实验过程中进行了多方面的测试。首先是与基线方法进行对比，以此来凸显 DeepIH 的优势。接着，他们深入探究了 DeepIH 的稳健性，还对所使用的视觉骨干网络进行了消融研究。为了模拟实际应用中可能出现的情况，研究人员手动通过泊松噪声降低图像质量，测试 DeepIH 在不同图像质量下的表现。
实验结果
通过一系列实验，DeepIH 展现出了出色的性能。在检测病变区域方面，DeepIH 的准确率达到了令人瞩目的 95.8%。在治疗推荐上，其前 3 准确率为 84.9%，这个成绩甚至比经过微调的基础模型还要高出 1.7%。在应对图像质量下降的情况时，DeepIH 也表现出了一定的稳健性，证明它在实际应用场景中具有较好的适应性。
研究结论和讨论
在这项研究中，研究人员成功构建了首个大规模的婴儿血管瘤数据集，并标注了六种人类专家常用的高频治疗方法。基于这个数据集，他们开发的 DeepIH 系统利用拍摄的图像为婴儿血管瘤推荐治疗方案，实验结果充分验证了 DeepIH 的有效性。值得一提的是，虽然 DeepIH 是基于从健康记录中收集的粗略注释进行训练的，但依然取得了优异的成绩。这一研究成果首次验证了利用相机拍摄的 RGB 图像诊断和推荐婴儿血管瘤治疗方案的可行性，为未来在这一领域的进一步研究奠定了坚实基础，也为改善全球婴儿血管瘤的诊断和治疗提供了新的思路和方法，有望在临床应用中发挥重要作用，尤其是在医疗资源有限的地区，DeepIH 这种近患者系统能够让更多患者受益，推动婴儿血管瘤治疗领域的发展。
