编辑推荐：
针对非沟通能力儿童疼痛评估数据集匮乏问题，复旦大学附属儿科医院团队构建危重症儿童疼痛面部表情数据集（PFECIC），含 53 例患儿的 119 段视频及 6951 张图像，经深度学习验证准确率达 88.3%。其在准确性与全面性上优于 COPE 数据集，为 AI 辅助疼痛评估奠定基础。
疼痛，作为一种与实际或潜在组织损伤相关的不愉快感觉和情感体验，正成为全球公共健康领域的重要挑战。据统计，全球约 20% 的患者饱受疼痛困扰，而危重症儿童因疾病状态和频繁医疗操作，更是疼痛的高危群体。在中国，一项覆盖 66 家医疗机构的调查显示，住院儿童疼痛管理现状不容乐观，尤其是危重症患儿的疼痛发生率较高。然而，对于无法或拒绝 verbal communication 的患儿，依赖面部表情和行为线索的观察性评估成为关键。但现有评估工具存在评估者间差异大、耗时等问题，且缺乏适用于全年龄段儿童的通用工具。
随着人工智能（AI）和计算机视觉技术的发展，基于面部图像分析的疼痛评估算法展现出潜力，但高质量数据集的匮乏严重制约了其发展。现有成人疼痛数据集（如 UNBC-McMaster Shoulder Pain Archive、BioVid Heat Pain Database）和新生儿疼痛数据集（如 FENP、COPE），或因年龄覆盖范围窄，或因样本量小、疼痛场景单一，难以满足危重症儿童复杂的临床需求。在此背景下，复旦大学附属儿科医院的研究团队开展了一项具有突破性的研究，相关成果发表在《Scientific Reports》。
为填补这一空白，复旦大学附属儿科医院联合复旦大学计算机科学技术学院等机构，构建了首个针对中国危重症儿童的疼痛面部表情数据集（Pain Facial Expression of Critically Ill Children, PFECIC）。研究团队从医院 PICU 和 CICU 招募 53 例患儿（年龄 28 天至 18 岁），采集了 7 种常见疼痛性医疗操作（如雾化吸痰、气管插管吸痰等）中的 119 段视频和 6951 张面部图像，并依据 COMFORT 行为量表的 “面部肌肉” 类别，将疼痛程度分为 5 级（1 分：面部肌肉完全放松；5 分：面部肌肉扭曲 grimacing）。所有数据经 3 名资深护士独立三重复核标注，确保标注一致性。
研究采用的关键技术方法包括：
- 数据采集：使用海康威视监控摄像头（1920×1080 分辨率），以垂直俯视角度（30 度视角限制）记录患儿操作前后各 2 分钟的面部视频，确保面部占据画面至少 50%。
- 标注流程：通过自定义软件工具对视频进行分段标注，采用最大变异抽样法选取样本，确保年龄、性别、通气状态等因素的多样性。
- 图像筛选：利用帧差法（frame difference method）自动过滤表情无显著变化的帧，保留有效图像。
- 模型验证：基于 Swin Transformer 架构，对比 PFECIC 与 COPE 数据集在疼痛分类中的表现，评估指标包括准确率、精确率、召回率、F1 值和假阳性率（FPR）。
研究结果
1. PFECIC 数据集特征
数据集涵盖 PICU（47.9%）和 CICU（52.1%）场景，男性患儿占比 72.3%，年龄分布广泛（≤1 岁占 16.0%，≥12 岁占 19.3%），包含机械通气（47.1%）与非通气患儿。疼痛图像按等级分布为：1 分 375 张、2 分 1887 张、3 分 1624 张、4 分 1499 张、5 分 1566 张，呈现较均衡的多等级分布。
2. 模型性能验证
在 PFECIC 数据集上，Swin Transformer 模型实现了 88.3% 的总体准确率，各等级准确率为 80.7%（4 分）至 95.2%（2 分），F1 值达 88.5%，FPR 为 3.0%。ROC 曲线显示，除 3 分（AUC=0.764）和 4 分（AUC=0.824）外，其余等级 AUC 均超过 0.93，表明模型对多数疼痛等级具有高区分度。
3. 与 COPE 数据集对比
COPE 数据集（26 例健康新生儿，204 张图像，仅分 “疼痛” 与 “非疼痛” 两类）因样本量小、类别不平衡，模型准确率仅 70.8%，疼痛类召回率仅 33.3%。而 PFECIC 在统一二分类标准（1 分为非疼痛，2-5 分为疼痛）下，准确率（95.9% vs 70.8%）、精确率（91.2% vs 72.5%）等指标均显著优于 COPE，且误预测主要集中在相邻等级，验证了标注体系的合理性。
4. 跨数据集泛化能力
使用 PFECIC 训练的模型在 COPE 数据集上测试，疼痛识别准确率（55.4%）虽低于原数据集，但显著高于 COPE 自身训练结果（33.3%），表明大数据量训练可提升模型泛化能力。
研究结论与意义
本研究构建的 PFECIC 数据集是首个针对危重症儿童的大规模多等级疼痛面部表情数据集，填补了现有儿童疼痛评估领域的空白。其优势体现在：
- 临床相关性：覆盖真实临床场景中的多种疼痛操作，包含带医疗管路患儿的数据，更贴近 ICU 实际需求。
- 方法学创新：标准化的数据采集流程与三重标注机制，确保了数据的可靠性和可重复性。
- 技术突破：通过深度学习验证，证实 PFECIC 可有效提升疼痛评估算法的准确性和泛化能力，为 AI 辅助临床疼痛管理提供了高质量数据基础。
尽管研究存在面部遮挡影响分析、单一模态局限性等不足，但为后续开发融合面部表情、体动和生理指标的多模态疼痛评估模型奠定了基础。PFECIC 的建立，不仅为儿童疼痛领域的人工智能研究提供了关键资源，更有望通过精准疼痛评估改善危重症患儿的镇痛管理，减少短期并发症（如谵妄、睡眠障碍）和长期健康影响，具有重要的临床转化价值和公共卫生意义。
