《JPRAS Open》：Artificial Intelligence–Assisted Smartphone Thermal Imaging for Pedicled Facial and Head–Neck Flaps: An Exploratory Feasibility Study Using ΔT-Based Proxy Perfusion Grading
编辑推荐：
目的：本先导研究评估人工智能（artificial intelligence, AI）辅助分析智能手机热成像（smartphone-based thermal imaging, SBTI）用于带蒂面部、头颈部皮瓣灌注评估的可行性。由于SBTI仅提供伪彩色、非辐
目的：本先导研究评估人工智能（artificial intelligence, AI）辅助分析智能手机热成像（smartphone-based thermal imaging, SBTI）用于带蒂面部、头颈部皮瓣灌注评估的可行性。由于SBTI仅提供伪彩色、非辐射测量热图，基于ΔT（温度差）的分级依赖主观人工判读。因此，本研究探讨AI衍生灌注概率图与这一人工生成的替代参考之间的关系。方法：26例接受带蒂皮瓣重建的患者在四个围术期时间点接受SBTI检查。研究人员从FLIR色标中视觉提取预设皮瓣区的ΔT值，并将其转换为五级灌注评分。微调ResNet-50模型生成图像级概率分类输出，涉及与标记为灌注良好和灌注不良模式的热学相似性及不确定性指标。分析聚焦于T3（手术结束时）。结果：热学模式随皮瓣类型、厚度和解剖区域显著变化。随机模式眉间、鼻和鼻翼皮瓣显示生理性较低表面温度及相应降低的ΔT和AI衍生预测概率，尽管愈合无殊。AI衍生灌注概率与人工ΔT分级之间未观察到统计学显著相关。结论：AI辅助SBTI在技术上可行，但在这一小型探索性队列中未显示与人工ΔT分级有意义的定量一致性。研究结果主要凸显伪彩色热图解释的方法学局限，以及需要辐射测量成像、经验证的灌注参考和更大的解剖分层数据集。
研究背景方面，带蒂面部与头颈部皮瓣重建中，皮瓣灌注的可靠评估是决定手术成功的关键因素之一。临床上对灌注受损的早期识别仍主要依赖颜色、毛细血管再充盈和组织温度等主观参数，这些参数受操作者影响，可能无法识别早期缺血。热成像（thermal imaging, TI）可显示皮肤温度模式并间接反映血流，SBTI因低成本、便携、非接触而拓展了术中与术后评估场景；既往基于ΔT的结构化算法显示与临床灌注评估相关，但ΔT分级本身仍是人工判读的间接替代指标。AI及卷积神经网络（convolutional neural network, CNN）可自动化图像处理和预测，可能提高诊断一致性。由此，本研究在SBTI仅提供伪彩色、非辐射测量热图且缺乏验证性灌注金标准的条件下，探索AI衍生分类概率与人工ΔT分级之间是否存在系统性分布关系，而非验证AI灌注评估本身。
研究人员开展了一项前瞻性探索性先导研究，纳入26例接受带蒂皮瓣重建的面部、头颈部患者，在四个围术期时间点行SBTI，并重点分析T3。研究将手动从FLIR色标提取的FZ1、FZ2、FZ3区ΔT转换为五级评分，同时以微调ResNet-50生成图像级灌注概率，采用Spearman相关和描述性比较分析二者关系。结果显示，AI辅助SBTI技术流程可行，但AI衍生灌注概率与人工ΔT分级无统计学显著相关，也未显示有意义的定量一致性。其重要意义在于：当前发现不能解释为AI灌注评估的验证，而主要揭示伪彩色热图解释、皮瓣类型与解剖区域异质性、小样本和类不平衡等方法学限制；未来需辐射测量热成像、客观多模态灌注参考、解剖分层队列和更大数据集。
关键技术方法方面，研究在三级医院耳鼻咽喉/头颈与整形外科于2023年11月至2025年6月前瞻纳入26例带蒂皮瓣患者（伦理批准：University of Heidelberg，Votum S-630/2023）。SBTI在T1–T4四个时间点采集，因设备不提供像素级辐射温度数据，研究人员依据FLIR伪彩色图视觉估计FZ1、FZ2、FZ3的ΔT并形成五级参考评分。AI部分使用68张RGB热图，按患者层面60-20-20划分训练、验证和测试集，基于ImageNet预训练ResNet-50仅重训最终分类层，加入dropout层和线性输出层进行二分类，采用平衡类权重交叉熵损失、批大小32、Adam优化器、学习率0.001、最多25个epoch；并进行随机水平翻转、旋转和颜色变化等增强。分析以T3的Spearman相关和分布比较为主；Flask网站前端及主动学习启发式反馈仅为原型层面，未系统评价。
结果部分：
患者队列与皮瓣类型（Patient Cohort and Flap Types）：基于26例前瞻队列，患者年龄42至93岁，皮瓣大小1×1 cm至11×8 cm，包括bilobed皮瓣6例、Rieger/Hatchet皮瓣6例、nasolabial/Nelaton皮瓣5例、frontotemporal或glabella推进皮瓣3例、cervicofacial/SCAI皮瓣4例及其他旋转推进设计2例；所有皮瓣术中均显示临床灌注，术后1/26例（3.8%）发生并发症并需修手术。
不同皮瓣设计的热特征（Thermal Characteristics Across Flap Designs）：通过分析不同皮瓣类型的热分布和ΔT模式，发现随机模式眉间和鼻背皮瓣（如Rieger和glabella皮瓣）常见较低FZ1温度，AI灌注概率约33–42%，但均愈合无殊；鼻翼区因固有温度梯度常更冷，Nelaton皮瓣患者72T4503 × 2的AI概率约32–38%但临床灌注良好；额部和颈面部大旋转或推进皮瓣热异质性明显，AI概率32–36%更多反映热弥散而非缺血，术后结局均完整。
AI衍生灌注概率与ΔT关系（AI-Derived Perfusion Probabilities and ΔT Relationship）：通过T2和T3的Spearman及Pearson分析，ΔT（FZ1–FZ3）与AI灌注概率无统计学显著相关（Spearman ρ=0.14，p=0.47；Pearson r=0.13，p=0.51）；因无确定性灌注金标准，未计算准确度或敏感度，模型熵和边际等不确定性指标亦未显示与较高ΔT或临床结局的稳定关联。
临床结局及与热学指标的一致性（Clinical Outcomes and Alignment with Thermal Metrics）：通过随访26例，25例愈合无殊；1例患者75T103 × 2以3×2 cm Nelaton皮瓣重建鼻翼后出现周边裂开并需手术修，该皮瓣未显示极端ΔT值或最低AI灌注概率，AI不确定性处于中段且非警示水平；Nelaton鼻翼皮瓣本身易快速冷却，降低热学模式的预测价值。
讨论部分总结：本先导研究显示将CNN应用于SBTI皮瓣评估在技术上可行，但AI衍生分类概率与人工ΔT参考类别之间无统计学显著定量关联，因此不能视为AI灌注评估的验证，只能视为在方法学限制下的工作流程可行性探索。皮瓣类型和解剖区域异质性显著限制跨病例可比性，眉间、鼻背和鼻翼等皮瓣因薄皮下层、随机模式血供或肢端面部区域生理性低温而系统性地显示较低温度和较低AI概率，却无临床灌注损害，说明低表面温度不必然提示灌注受损，绝对ΔT阈值不能脱离解剖背景应用。AI模型对热学较冷皮瓣给出较低概率，但未转向“非灌注”预测或可解释风险信号，其概率输出不应视为绝对灌注估计。唯一需修的并发症既无极端ΔT也无显著AI信号，原文认为更可能与机械因素或皮瓣边缘局部应力有关；手动ΔT和AI分析更适合识别整体灌注异常而非局部结构或机械风险。训练样本类不平衡使模型未充分学习术后并发症特征，未来需考虑并发症误分类的更高代价及尊重热生理的患者层面增强策略。核心限制包括缺乏客观生理灌注金标准（如indocyanine green angiography、Doppler flowmetry或定量辐射测量热成像）、SBTI仅有伪彩色可视化而无原始辐射温度值、样本小且高度不平衡、临床异质性大、CNN为图像级概率分类而非像素级灌注分割，以及主动学习启发式反馈未系统评价。
结论部分翻译：本探索性先导研究证明，AI辅助解读智能手机热成像在带蒂面部和头颈部皮瓣中具有技术可行性。然而，未观察到与人工衍生ΔT参考分级之间有意义的定量一致性。鉴于缺乏经验证的灌注金标准、数据集小且不平衡以及明显的解剖异质性，当前发现仅应解释为初步的工作流程可行性。未来研究需要辐射测量热成像、客观多模态灌注参考、解剖分层队列和显著更大的数据集，才能建立具有临床意义的AI衍生灌注评估。
