《Frontiers in Medicine》：Comparative examination of YOLO models for classification and utilization in nipple injuries
编辑推荐：
引言：乳头损伤是影响全球母乳喂养率的重要健康问题。早期诊断对于成功预防乳头损伤和提高母乳喂养率至关重要。当前检测乳头损伤的方法主要依赖医疗保健人员的主观评估。该方法存在明显主观性、效率有限和诊断一致性不足等缺点。本项目旨在创建一种客观且有效的自动诊断技术。研究
引言：乳头损伤是影响全球母乳喂养率的重要健康问题。早期诊断对于成功预防乳头损伤和提高母乳喂养率至关重要。当前检测乳头损伤的方法主要依赖医疗保健人员的主观评估。该方法存在明显主观性、效率有限和诊断一致性不足等缺点。本项目旨在创建一种客观且有效的自动诊断技术。研究人员以YOLO（You Only Look Once，单阶段目标检测算法）为基础，开发用于检测和分类乳头损伤的自动化方法。方法：初步数据集包括2024年3月至2025年7月从吉林大学第一医院产科哺乳母亲收集的613张乳头损伤图像。通过数据增强技术将总数增加到2452张照片。利用该数据集，研究人员对六种不同的YOLO模型迭代版本进行训练和评估：YOLOX、PICOdet、YOLOv5、RTDETR、YOLOv8和YOLOv11。结果与讨论：性能研究表明，YOLOv11对乳头损伤的检测准确率为0.85，明显高于其他模型（PICOdet：0.78；YOLOv5：0.75；RTDETR：0.68；YOLOv8：0.72；YOLOX：0.74）。此外，YOLOv11在关键指标上表现出优势，包括精确率（Precision，P：0.85）和召回率（Recall，R：0.82）。为增强比较完整性，进一步纳入代表性两阶段检测器（two-stage detector；Faster R-CNN和Cascade R-CNN）作为基线，在统一的COCO风格IoU（Intersection over Union，交并比）评估协议下，YOLOv11仍保持优势。
研究背景：母乳喂养是全球公共卫生的重要议题。世界卫生组织与UNICEF倡导前6个月纯母乳喂养，并继续母乳喂养至2岁或以上；中国儿童发展纲要（2021—2030）提出0～6月龄婴儿纯母乳喂养率达到50%的目标。乳头创伤是影响母乳喂养可行性的主要因素，常表现为乳头顶端和乳晕皮肤损伤，包括裂隙、皮损、溃疡、红斑、水肿或水疱。Page T et al.报告约34%～96%的哺乳母亲遭遇不同程度乳头损伤。忽视乳头损伤可导致疼痛加重、乳头出血、母乳喂养不足以及乳腺炎和乳房脓肿等并发症，也是哺乳母亲停止母乳喂养的主要原因之一，其重要性仅次于乳汁不足。传统乳头损伤识别主要依赖医护人员主观临床经验，按分级量表分为0期、I期、II期、III期和IV期，但存在高主观性、低重复性、效率限制、标准化不足和早期检测能力受限等问题。因此，研究人员开展基于深度学习的客观自动检测研究。研究人员收集并增强乳头损伤图像，训练评估六种YOLO模型及两阶段基线，开发移动临床小程序。结果显示YOLOv11在比较检测器中总体性能最优，可将主观临床评估转化为客观、定量、可重复的分析流程，为实时辅助诊断、疗效监测和移动健康自我评估提供技术基础。
关键技术方法（不超过250字）：研究队列来源于吉林大学第一医院产科住院分娩并出现乳头损伤的哺乳期妇女；摘要报告收集时间为2024年3月至2025年7月，方法部分报告为2025年3月至7月。采用标准化设备采集图像，按乳头损伤分级量表由两名产科注册护士（RNC-OB）评估、第三方仲裁，使用Roboflow进行边界框标注并由资深护士复核。数据增强包括几何、颜色和噪声增强，以及病灶保留裁剪、限制对比度自适应直方图均衡化（CLAHE）和类别感知采样。比较YOLOX、PICOdet、YOLOv5、RTDETR、YOLOv8、YOLOv11及Faster R-CNN、Cascade R-CNN等，统一COCO式IoU评价；单阶段模型训练200轮、批16、640×640、随机梯度下降（SGD），两阶段基线12轮；并完成移动端部署。
4 模型训练结果：六种单阶段模型比较显示，YOLOv11最优，精确率（P）0.85、召回率（R）0.82、F1分数0.83、平均精度均值（mAP）0.84；PICOdet次之（P 0.78、R 0.75、F1 0.76、mAP 0.77）；YOLOv5、YOLOX和YOLOv8居中；RTDETR最低（P 0.68、R 0.65、mAP 0.67）。在统一COCO式IoU协议下，Faster R-CNN和Cascade R-CNN的mAP@0.5分别为0.621和0.470，ATSS为0.578、FCOS为0.508、CenterNet为0.472、Libra R-CNN为0.438；YOLOv11的mAP@0.5为0.84，仍优于上述比较基线。mAP50曲线显示YOLOv11初始上升快，约100轮后稳定于高水平并持续领先。召回率和精确率曲线显示YOLOv11多数训练阶段召回率高于0.85、部分接近0.9，精确率多数高于0.85、最高达0.9。F1-置信度曲线呈低置信度快速上升、中等置信度稳定、高置信度骤降趋势，基准F1=0.83曲线表现最优。YOLOv11训练验证曲线中，分布焦点损失（DFL）、边界框损失和分类损失持续下降并稳定，验证损失小幅波动但总体下降，P、R、mAP50和mAP50-95在100轮后进入稳定高值。推理结果显示模型以边界框标注0～IV期及置信度0.8～1.0，IV期置信度达1.0。
5 消融研究：数据增强方面，无增强mAP@0.5为0.71，标准几何/颜色增强为0.79，阶段感知临床增强为0.84，并提高早期病变召回；输入分辨率416×416、640×640、800×800比较中，640×640取得最佳精度—效率平衡（0.84），416×416降低小病灶召回，800×800仅边际增益且计算成本高；损失配置方面，去掉DFL降至0.80，破坏框—分类损失平衡降至0.78，提示复合损失配置必要；禁用多尺度检测降至0.80，mAP@0.5下降约0.03～0.04，对I～II期病变更明显。消融表明YOLOv11优势来自架构能力、阶段感知数据增强、合适输入分辨率和多尺度检测的共同作用。
讨论总结：乳头创伤是哺乳妇女提前停止母乳喂养的关键因素，早期识别和精确分级对临床干预重要。传统视觉评估主观、一致性低、效率受限。尽管Nakamura et al.已初步探索深度学习应用，但缺乏多种YOLO版本的全面比较。本研究首次系统比较六种YOLO模型及两阶段基线，YOLOv11在关键指标上优；消融提示阶段感知增强和多尺度检测有贡献。标准化采集和增强提高泛化能力；全流程验证涵盖数据构建、训练、比较和移动部署，区别于Sen等基于提取伤口斑块分类和Chattree等基于模型轮廓检测与伤口面积/尺寸分析且依赖人工特征提取或单模型测试的研究。混淆矩阵显示正常0期识别率0.96，III期识别率0.87；I期与IV期误分类可能因静态图像中“红区”视觉相似，未来可通过增加阶段特异对比样本、纹理特征或多模态信息增强判别。精确分期结合疗效数据有助于评估治疗—分期关系并促进个体化治疗；移动应用可提供即时客观分期，辅助医务人员并支持哺乳妇女自我监测和预警。
研究结论翻译：本研究系统分析评估了六种单阶段目标检测模型——YOLOX、PICOdet、YOLOv5、RTDETR、YOLOv8和YOLOv11——以及代表性两阶段基线（Faster R-CNN和Cascade R-CNN）用于乳头病变诊断。结果表明，YOLOv11在本研究比较的检测器中总体性能最优。结果显示，YOLOv11在该任务中总体性能增强，准确率、召回率和平均精度均值（mAP）分别为0.85、0.82和0.84，并表现出更快收敛和更好训练稳定性。模型能区分正常（0期）与任一创伤期；混淆矩阵分析显示III期病变（特征明显）检测率最高。本研究是首次全面实验比较，确定YOLOv11在用于乳头病变自动检测和分级的单阶段与两阶段检测器中性能最强，为该领域提供经严格验证的先进模型方案和性能基准。自动检测工具将主观临床评估转化为客观、定量、可重复的分析流程，为医护人员提供实时一致诊断辅助，降低漏诊风险并提高临床效率；该工具可作为标准化评估方法精确监测和评估不同治疗疗效，也具有整合到移动健康平台的潜力，使母乳喂养妇女自我评估损伤并启动早期预防治疗。研究局限包括：数据来自单中心，图像在受控环境采集，与真实自拍情境不同；模型仅依赖视觉信息，未整合母乳喂养频率和疼痛评分等多模态临床数据；研究聚焦技术性能验证，未开展前瞻性临床研究确定其对母乳喂养结局的实际影响。未来可聚焦多中心数据验证、多模态临床信息整合和前瞻性疗效评估，以增强工具在实际临床环境中的广泛应用。
