应用机器学习(Machine Learning)与深度学习(Deep Learning)方法识别头颈部修复重建皮瓣静脉回流障碍(Venous Insufficiency)

《Head & Neck》：Identifying Venous Insufficiency in Head and Neck Reconstruction Flaps Using Machine Learning and Deep Learning Methods

　　

摘要 背景：静脉回流障碍(Venous Insufficiency)是头颈部修复重建皮瓣失败的主要原因之一，人工智能(Artificial Intelligence, AI)可为早期检测提供可靠、便捷的解决方案。 方法：回顾性收集本中心2018–2024年头颈部肿瘤患者的临床资料及术后皮瓣照片，分为正常组与静脉回流障碍组。构建8种机器学习(Machine Learning, ML)分类器及3种深度学习(Deep Learning, DL)模型（ResNet、GoogleNet、DenseNet），采用SHAP(SHapley Additive exPlanations)及Grad-CAM(Gradient-weighted Class Activation Mapping)进行特征分析与模型验证。 结果：共分析576例患者的2575张皮瓣图像（正常2010张，静脉回流障碍565张）。机器学习中随机森林(Random Forest, RF)表现最优（准确率90.25%，AUC 0.759），SHAP分析确定色调均值(Hue_mean)与绿色通道中位数(Green_median)为核心特征；深度学习中ResNet表现最佳（准确率95.23%，灵敏度84.81%，特异度97.27%，AUC 0.940）。 结论：深度学习模型在识别皮瓣静脉回流障碍方面具有良好的应用价值，可作为术后监测的辅助工具。

《Head & Neck》刊载的本研究针对头颈部肿瘤切除后游离或带蒂皮瓣(flap)移植修复中静脉回流障碍(venous insufficiency, VI)——占皮瓣失败原因之首且发生率约为动脉并发症3～4倍——现有临床目测评估主观性强、先进仪器侵入或昂贵的问题，探讨利用人工智能(Artificial Intelligence, AI)分析术后皮瓣数码照片以实现非侵入、低成本早期识别的可行性。研究人员回顾性纳入北京同仁医院2018–2024年576例接受头颈部缺损修复患者的2575张皮瓣图像（正常2010张，静脉回流障碍565张，来自64例患者），经手动勾画感兴趣区(Region of Interest, ROI)、提取CIELAB/RGB/HSV九通道共936项颜色与纹理特征(radiomic features)、LASSO(Least Absolute Shrinkage and Selection Operator)回归筛选显著特征后，分别构建并比对8种传统机器学习算法与3种卷积神经网络(Convolutional Neural Network, CNN)——ResNet、GoogleNet、DenseNet——的诊断效能，辅以SHAP解释机器学习关键特征、Grad-CAM可视化深度学习关注区域。结果显示随机森林(Random Forest)为最佳机器学习模型（测试集准确率90.25%，AUC 0.759），ResNet为最佳深度学习模型（测试集准确率95.23%，灵敏度84.81%，特异度97.27%，AUC 0.940），关键颜色特征Hue_mean与Green_median符合静脉淤血组织颜色改变病理生理。研究表明基于术后皮瓣图像的AI模型尤其深度学习可有效辅助临床早期发现静脉危象，降低漏诊并优化围术期管理，未来需多中心大样本验证泛化能力。

研究人员采用的主要关键技术方法如下：回顾性收集单中心2018–2024年头颈部修复重建患者术后皮瓣智能手机拍摄照片，按血流灌注状态分为正常皮瓣(Normal Flap, NF)组与静脉回流障碍皮瓣(Venous Insufficient Flap, VIF)组，按皮瓣ID水平随机分层划分训练/验证/测试集(6:2:2)；手动标注ROI后用FIJI分解RGB/HSV/CIELAB九通道色彩空间，Radiomics包提取每通道104项纹理特征共936维，经LASSO回归及独立样本t检验筛选显著差异特征(p<0.05)用于建模；并行以ROI原始图像输入ResNet、GoogleNet、DenseNet进行端到端深度学习训练（学习率0.0001，批次256，50轮）；机器学习模型采用SHAP分析特征重要性，深度学习模型采用Grad-CAM热力图可视化判别区域；性能评价指标含准确率(accuracy)、灵敏度(sensitivity)、特异度(specificity)及受试者工作特征曲线下面积(Area Under the Curve, AUC)。

3.1 患者队列(Patient Cohort)

研究最终纳入576例患者（男457例，女119例；中位年龄57岁），其中441例行带蒂皮瓣修复（最常见胸大肌皮瓣132例、颏下皮瓣109例），135例行游离皮瓣修复（最常见股前外侧皮瓣72例）；静脉回流障碍组65张图像来自64例患者（32.8%灌注异常区≥70%，67.2%局部异常＜30%），正常组2010张图像。

3.2 特征选择(Feature Selection)

每幅图像提取936个放射组学(radiomic)特征，经LASSO回归初筛出147个非零系数特征，再经独立样本t检验保留61个组间差异显著的特征(p<0.05)进入机器学习建模。

3.3 机器学习算法模型预测效能(Predictive Performance of Machine Learning Algorithm Models)

八种机器学习模型中随机森林(Random Forest)、线性判别分析(Linear Discriminant Analysis, LDA)、AdaBoost及XGBoost表现较好（准确率＞85%，AUC＞0.75）；随机森林综合最优（准确率90.25%，灵敏度54.43%，特异度97.27%，AUC 0.759）。SHAP分析显示色调均值(Hue_mean)平均影响最大（≈0.04），绿色通道中位数(Green_median)次之（≈0.02），二者为区分静脉淤血与正常皮瓣的关键颜色特征。

3.4 深度学习算法模型预测效能(Predictive Performance of Deep Learning Algorithm Models)

三种CNN中ResNet与GoogleNet的AUC＞0.9，ResNet表现最佳（准确率95.23%，灵敏度84.81%，特异度97.27%，AUC 0.940），优于机器学习模型；Grad-CAM热力图证实ResNet正确聚焦于皮瓣静脉充血区域进行判断，提升模型可解释性。

讨论部分总结

研究人员指出静脉回流障碍早期体征隐匿易被术后炎性水肿掩盖，传统高频人工观察依赖经验且易延误。本研究较既往同类研究扩大了样本量（近600例、7年2575张图像）并融合九通道颜色空间纹理特征与多算法比对，随机森林AUC达0.759（关键特征Hue_mean与Green_median契合静脉淤血所致组织色度及血氧光谱改变），ResNet AUC达0.940且经Grad-CAM验证关注区域合理。机器学习灵敏度偏低可能与VIF组样本量少致类别不平衡有关，未来拟通过过采样或生成对抗网络(Generative Adversarial Network, GAN)平衡数据。研究局限含回顾性质、单中心、未整合皮温等多模态参数，黏膜/颞肌皮瓣表面伪膜及拍摄条件差异可致误判，需多中心前瞻性验证。日常临床多设备、多变光照条件下模型仍具一定泛化能力，标准化摄片有望进一步提升效能。未来智能监测系统若整合影像与温度测量可逐步替代部分人工监测。

结论(Conclusion)部分原文翻译

本研究成功建立了可有效预测皮瓣静脉回流障碍的人工智能模型。结果表明深度学习模型优于传统机器学习方法，显示出作为头颈部缺损修复术后皮瓣静脉回流障碍检测辅助监测工具的潜力。此类AI模型可协助医护人员早期识别潜在静脉危象，从而支持临床决策并优化围术期管理。但尚需进一步的多中心临床研究来验证模型在不同患者人群及临床环境中的准确性与泛化能力。