基于可解释AI的印度伤口愈合分级数据库构建与跨数据集分类研究

针对慢性伤口患者频繁就诊带来的经济与心理负担，印度Amrita大学团队开发了基于智能手机图像的轻量化深度学习分类系统Amrita_wound。研究采用MobileViT X S等10种边缘计算模型，结合Grad-CAM可解释技术，实现伤口愈合三阶段分级（可愈合/需维护/不可愈合），跨数据集测试F1-score达68%-90%，为远程伤口管理提供可靠AI工具。

　　

慢性伤口治疗正成为全球医疗系统的沉重负担。随着人口老龄化和糖尿病患病率上升，难愈合伤口导致的长期住院不仅加剧医疗资源紧张，更给患者带来巨大的经济压力和心理困扰。传统依赖医生肉眼评估的方法存在主观性强、效率低下等问题，而红外、MRI等高级检测手段又面临成本高、操作复杂等局限。在这一背景下，印度阿姆瑞塔人工智能学院（Amrita School of Artificial Intelligence, Amrita Vishwa Vidyapeetham）的研究团队在《Computer Methods and Programs in Biomedicine》发表了一项突破性研究，开发出基于智能手机的轻量化伤口智能分级系统。

研究团队创新性地采用三大技术路线：首先构建印度首个伤口分级数据库Amrita_wound，联合AZH和Medetec数据集形成超万张标注样本；其次筛选MobileViT X S等10种适合移动端部署的轻量化模型进行迁移学习；最后引入Grad-CAM可解释性模块增强临床可信度。通过特征扰动增强和跨数据集验证，系统在保持模型轻量化的同时实现精准分级。

【背景与目标】
研究指出全球约1-2%人口受慢性伤口困扰，其中糖尿病足溃疡患者五年死亡率高达30%。现行Wound bed preparation 2024框架将伤口分为可愈合（Grade 1）、需维护（Grade 2）和不可愈合（Grade 3）三类，但人工评估存在40%以上的误判率。

【方法】
采用YOLOv8实现伤口区域自动检测，通过专家标注构建含3,856张图像的Amrita_wound数据集。创新性地在MobileViT等模型中引入特征扰动层，结合K-fold交叉验证评估模型鲁棒性。

【结果】
MobileViT X S在Amrita_wound测试集达到90%敏感度，跨数据集测试中对Grade 3伤口识别率达77%。Grad-CAM热图显示模型能准确聚焦肉芽组织等关键病理特征。

【结论】
该研究首次实现从患者视角的伤口智能分级，使轻症患者可居家管理，重症获得优先救治。模型仅17MB大小，可在智能手机实时运行，配合Grad-CAM可视化显著提升医患信任度。这项工作为资源匮乏地区的远程伤口管理提供了切实可行的AI解决方案，相关技术路线对其它医学图像分析领域具有重要借鉴意义。