《International Wound Journal》：AI-Based Wound Measurement in a Telemedicine-Style Workflow: Agreement With In-Person Reference Measurements Compared With Individual Physicians and Expert Consensus
编辑推荐：
专业术语翻译
准确的伤口尺寸测量对于监测愈合至关重要，然而视觉估计存在变异性——尤其在远程医疗式评估中。本研究旨在比较基于人工智能（AI）的伤口尺寸估计与基于图像的医生估计，并以现场测量作为金标准（GT）。在一项前瞻性床旁伤口照片数据集（2024年12月至20
专业术语翻译
准确的伤口尺寸测量对于监测愈合至关重要，然而视觉估计存在变异性——尤其在远程医疗式评估中。本研究旨在比较基于人工智能（AI）的伤口尺寸估计与基于图像的医生估计，并以现场测量作为金标准（GT）。在一项前瞻性床旁伤口照片数据集（2024年12月至2025年4月）中，由两名经验丰富的评估人员使用校准直尺现场测量GT高度和宽度。一组放置在伤口旁同一皮肤水平的ArUco标记物使得能够从图像中检索真实世界尺寸信息。五名医师在远程医疗式工作流程中从图像估计高度和宽度。两种深度学习分割架构（TransNeXt-Tiny [TransNeXt] 和 VWFormerConvNeXtS [VW-Conv]）生成自动化尺寸估计。使用ICC(2,1)、Pearson相关系数r、平均绝对误差（MAE）、偏倚以及Bland-Altman一致性界限量化一致性和误差。此外，针对专家标注的参考掩膜，使用交并比（IoU）、Dice系数、精确率和召回率对两种模型的像素级分割性能进行量化，结果分别以宏平均（逐图像）和微平均（像素汇总）报告。AI在高度测量上达到了极好的一致性（TransNeXt ICC=0.96, MAE=0.82 cm；VW-Conv ICC=0.95, MAE=0.68 cm），偏倚极小。对于宽度，AI显示出中等至较强的一致性，并伴有低估趋势（TransNeXt ICC=0.86, MAE=0.69 cm, 偏倚=?0.42 cm；VW-Conv ICC=0.77, MAE=0.74 cm, 偏倚=?0.64 cm）。单个医师的表现具有异质性，而人类共识则改善了一致性（高度 ICC=0.94, MAE=0.82 cm；宽度 ICC=0.91, MAE=0.65 cm）。在像素级别，TransNeXt达到宏平均Dice系数0.886（IoU 0.805），VW-Conv达到宏平均Dice系数0.818（IoU 0.733），其中TransNeXt展现出更一致的逐图像性能。基于AI的伤口测量比单一医师估计更为一致，并且达到了与专家共识相当（但未超越）的一致性水平。在这项单中心验证研究的约束条件下，这些发现支持AI辅助测量作为远程医疗和临床研究中标准化伤口监测的一种客观辅助手段；需要在更大规模、多中心和前瞻性招募的队列中进行确认。
论文解读文章
一、研究背景与问题
准确的伤口尺寸测量是伤口护理的基石，为监测愈合过程、指导治疗决策和评估疗效提供客观依据。传统上，伤口尺寸通过直接测量或手工描记获得，但在许多临床场景中，医护人员常因时间限制而仅依赖视觉估计。然而，人类评估容易产生偏倚和显著的观察者间及观察者内变异，尤其当伤口形状不规则、位于曲面体表或在欠佳条件下成像时。尽管人工智能（AI）和计算机视觉领域的进展为自动化伤口评估开辟了新可能，但现有研究较少将AI预测结果与人类估计在同一数据集上进行系统性头对头比较，且多数技术验证停留在像素级分割指标（如Dice系数、交并比IoU）层面，缺乏与床旁厘米级测量值的直接关联。因此，本研究旨在创建并验证一种可解释的AI伤口尺寸估计工具，直接比较AI预测与人类预测的伤口尺寸，以手动标注的现场测量值作为金标准（GT），评估两者间的一致性、偏倚和变异性，并量化人类评估者间的差异。
二、研究方法概述
研究人员开展了一项前瞻性分析，收集某大学医院2024年12月至2025年4月期间的伤口图像，最终纳入20张符合标准的图像。金标准（GT）伤口尺寸由两名经验≥5年的独立评估人员在图像采集时使用校准直尺现场测量最大长度（高度）和最大宽度确定，若出现分歧则经协商达成共识。图像中包含带有四个ArUco标记物的参考物体，用于后续图像分析中的尺寸换算。五名医师（四名认证皮肤科医生和一名内科专家）使用定制Python软件进行基于图像的远程医疗式伤口尺寸评估。AI方面，研究人员采用两种深度学习分割架构：TransNeXt-Tiny（TransNeXt）和VWFormerConvNeXtS（VW-Conv），这两种模型均在公开足部溃疡照片数据集（n=2887）上训练，并通过五折交叉验证和独立外部数据集（n=343）评估其鲁棒性。每种架构包含五个独立训练的子模型，通过像素级多数投票生成集成预测掩膜，再根据标准临床测量规则从中提取高度和宽度物理尺寸。像素级分割性能还针对专家标注的参考掩膜进行了评估。
三、研究结果
3.1 数据集与伤口特征
金标准（GT）伤口面积中位数为18.2 cm2（四分位距IQR 4.1–29.0 cm2；范围1.1–105.0 cm2）。其中9处（45.0%）小于10 cm2，6处（30.0%）介于10–30 cm2之间，5处（25.0%）大于30 cm2。
3.2 像素级分割性能
在20张图像上，TransNeXt达到宏平均IoU 0.805和Dice系数0.886（精确率0.894，召回率0.901），微平均IoU 0.822和Dice系数0.902（精确率0.932，召回率0.874）。VW-Conv达到宏平均IoU 0.733和Dice系数0.818（精确率0.879，召回率0.847），微平均IoU 0.724和Dice系数0.840（精确率0.921，召回率0.773）。TransNeXt的逐图像表现更为一致（Dice系数均值0.886±0.089），而VW-Conv因两个离群图像导致均值降低（Dice系数均值0.818±0.213）。两种模型均呈现汇总精确率高于汇总召回率的模式，表明较大伤口中存在净欠分割现象，这为宽度负偏倚提供了机制解释。
3.3 AI性能与金标准对比
TransNeXt与GT的高度一致性为ICC=0.96（r=0.96，MAE=0.82 cm，偏倚=+0.02 cm，一致性界限LoA ?2.06至+2.11 cm），宽度一致性为ICC=0.86（r=0.93，MAE=0.69 cm，偏倚=?0.42 cm，LoA ?2.43至+1.51 cm）。VW-Conv与GT的高度一致性为ICC=0.95（r=0.95，MAE=0.68 cm，偏倚=?0.16 cm，LoA ?2.50至+2.19 cm），宽度一致性为ICC=0.77（r=0.86，MAE=0.74 cm，偏倚=?0.64 cm，LoA ?3.10至+1.81 cm）。
3.4 人类基于图像的评估与金标准对比
各评估者的高度一致性范围为ICC 0.80–0.96，MAE 0.80–1.34 cm，偏倚?1.07至+0.23 cm。宽度一致性更具异质性（ICC 0.62–0.92），MAE 0.66–1.12 cm，偏倚?0.66至+0.06 cm。采用平均评估者方法时，高度与GT的一致性为ICC=0.90（MAE=1.01 cm），宽度为ICC=0.84（MAE=0.90 cm）。采用人类共识（各图像评估者均值）后，一致性进一步提高：高度ICC=0.94（MAE=0.82 cm），宽度ICC=0.91（MAE=0.65 cm）。
3.5 AI与人类表现的直接比较
在高度测量上，两种AI模型均达到极好一致性（ICC 0.95–0.96），与人类共识（ICC=0.94）相当或略优。在宽度测量上，人类共识表现最佳（ICC=0.91，MAE=0.65 cm），而两种AI模型表现出更强的负偏倚（更大的低估程度）和较低的ICC（0.77–0.86）。Bland-Altman图进一步展示了这一差异。
3.6 可解释性分析
梯度加权类激活映射（Grad-CAM）可视化显示，即使面对深部/不规则溃疡、红斑边缘、腹部位置和纹身区域等挑战性病例，两种模型均能将注意力集中于伤口核心区域及其边缘，表明模型依赖于临床合理的图像区域做出判断。
四、讨论与结论
本研究表明，在采用现场直尺测量作为金标准的远程医疗式验证中，基于AI的伤口测量比单一医师估计更一致，并接近专家共识水平。AI的像素级分割精度处于已报道的真实临床伤口成像算法范围内。宽度测量的系统性低估源于分割边界保守化导致的净欠分割，尤其在较大伤口中更为明显，这为后续模型优化指明了方向。可解释性分析证实了模型关注区域的临床合理性。研究局限性包括：单中心小样本量（20张图像）、金标准自身变异无法量化、像素级参考掩膜仅由单一专家标注、未与醋酸描记或数字平面测量法等更精细的手工方法比较、未评估伤口深度和组织成分。在此约束下，研究结果支持AI辅助测量作为常规护理、远程监测和临床研究中标准化伤口监测的一种有前景的客观辅助手段，而非替代专家评估。研究结论强调：在单中心验证条件下，AI辅助测量可作为标准化伤口监测的客观辅助工具，但需在更大规模、多中心的前瞻性队列中进一步确认。
