基于多源数据融合与深度学习算法的皮肤烧伤分级及植皮决策系统研究

针对皮肤烧伤临床分级缺乏标准化AI工具的问题，本研究通过整合多源数据集（含埃及本土肤色样本），采用级联分类器架构和改良ResNet50模型，实现烧伤三度分类（准确率63.23%）与植皮决策（准确率94.03%），为跨人群泛化的烧伤智能评估系统建立新范式。

　　

烧伤是全球范围内重要的公共卫生问题，其治疗的关键在于准确评估损伤深度。传统烧伤分级依赖临床经验，将损伤分为I度（仅表皮）、IIa度（浅层真皮）、IIb度（深层真皮）和III度（皮下组织）。其中IIb与III度烧伤常需植皮（grafting）治疗，但即使是专科医生也存在20-30%的误判率。现有AI辅助系统面临三大挑战：数据集偏倚（如高加索人种数据主导）、缺乏标准化标注体系、模型泛化性不足。例如Abubakar团队开发的ResNet50模型虽在特定数据集达到99.3%准确率，但未验证跨临床中心性能；而Yadav的注意力CNN模型将II度烧伤简单归为非植皮类，忽略了IIb度的临床复杂性。

开罗大学Kasr Al-Ainy医院联合团队在《Computers in Biology and Medicine》发表的研究，创新性地构建了包含埃及肤色样本的多源烧伤图像库，通过级联分类器（cascading classifier）和改良卷积神经网络（CNN）架构，首次实现临床可解释的烧伤智能分级-植皮决策一体化系统。研究整合了公开数据集（如Skin Burn Dataset、PB images）与本地医院采集的专家标注数据，采用区域兴趣（ROI）提取、数据增强等技术优化样本质量。模型训练涵盖ResNet50、DenseNet等5种架构，通过两阶段分类策略：先区分I度与其他度烧伤，再判别II度与III度。

主要技术方法包括：1）多中心数据采集（含El-Kasr El-Aini医院本地数据）；2）专家标注的四级分类体系（I/IIa/IIb/III）；3）级联分类器架构设计；4）迁移学习结合模型微调；5）交叉验证评估指标（准确率、F1值）。

研究结果显示：

1. 模型性能：改良ResNet50在植皮决策任务中达到94.03%准确率（F1=0.94），较现有技术提升5%；烧伤分级任务准确率63.23%（F1=0.63），其中IIb度识别是关键难点。
2. 数据贡献：埃及肤色样本使模型对深色皮肤烧伤的特异性提升12%，验证了多源数据对减少算法偏倚的价值。
3. 临床适配性：级联分类器设计显著降低IIb度误判率，避免不必要植皮手术。

讨论部分指出，该研究的突破性在于：1）建立首个包含北非人群的烧伤标准数据集；2）创新性采用级联决策流程模拟临床思维；3）证实区域兴趣提取可提升模型聚焦关键病理特征的能力。局限在于III度烧伤样本量不足影响统计效能，未来需扩大国际合作数据共享。

结论强调，该AI系统为烧伤诊疗提供了可解释的决策支持工具，其多源数据整合框架为其他医学影像分类任务树立了新标准。特别是针对资源有限地区，该系统可降低对专科医生的依赖，使烧伤分级准确率从传统方法的50%提升至63%，植皮决策准确率接近专科医生水平（94% vs 96%）。研究成果为WHO倡导的全民烧伤护理覆盖目标提供了关键技术支撑。