基于机器学习管道实现婴儿猪吞咽造影图像中食团自动分割与面积测量的意义探索

为解决手动测量食团面积耗时且存在高评分者间差异的问题，研究人员开展利用 ilastik 构建机器学习（ML）管道自动测量吞咽时食团面积的研究。结果显示该管道节省 97% 时间，模型性能强，两种方法测量的食团面积高度相关。其意义在于提供可靠高效的测量方法，加速分析并提高可重复性。

　　喂养效率和安全性常常受食团体积的影响，食团体积是评估吞咽表现最常见的临床指标之一。然而，手动测量食团面积既耗时，又存在较高的评分者间差异。本研究提出一种利用 ilastik（一种易用的生物图像分析工具）构建的机器学习（ML）管道，用于自动测量吞咽过程中的食团面积。该管道在 8 只婴儿猪奶瓶喂养的 336 次吞咽的荧光透视记录上进行了测试。8 名经过训练的评分者在 ImageJ 中手动测量食团面积，并使用 ilastik 的自动上下文像素级标记和对象分类工具训练 ML 模型，以实现食团的自动分割和面积计算。ML 管道训练耗时 1 小时 42 分钟，处理数据集仅需 2 分钟 48 秒，相比手动方法节省了 97% 的时间。该模型表现出色，获得了较高的 Dice 相似系数（0.84）、交并比（0.76）和评分者间可靠性（组内相关系数 = 0.79）。两种方法测量的食团面积高度相关（总体 R² = 0.74，无气泡时 R² = 0.78，有气泡时 R² = 0.67），且两种方法测量的食团面积无显著差异。这种无需 ML 专业知识的 ML 管道，为自动测量食团面积提供了可靠且高效的方法。虽然人工确认仍有价值，但与手动方法相比，该管道加快了分析速度，提高了可重复性。未来进一步优化有望提升精度，并拓宽其在吞咽困难研究中的应用。