《Nursing Research and Practice》：Identification of Peristomal Skin Alterations Using Convolutional Artificial Neural Networks
编辑推荐：
**摘要**
**引言** 造口周围皮肤并发症(PSCs)在造口患者中非常常见，显著影响其生活质量和医疗成本。尽管卷积神经网络(CNNs)为自动诊断提供了可能性，但针对PSCs治疗的特定人工智能(AI)应用尚不成熟。
**目的** 开发并验证基于CNN
**摘要**
**引言** 造口周围皮肤并发症(PSCs)在造口患者中非常常见，显著影响其生活质量和医疗成本。尽管卷积神经网络(CNNs)为自动诊断提供了可能性，但针对PSCs治疗的特定人工智能(AI)应用尚不成熟。
**目的** 开发并验证基于CNNs的初步模型，用于造口周围皮肤的二元分类，以区分健康组织和皮肤病变的存在，从而为自动诊断系统奠定基础。
**设计** 前瞻性研究。
**方法** 数据与图像由来自17家参与医院的24名造口护士收集。研究人员采用最先进的预训练CNNs对造口周围皮肤图像进行分类。使用准确率(accuracy)、F1分数(F1-score)和ROC曲线下面积(AUC)评估分类模型。最后，将Grad-Cam可解释性算法应用于最佳模型。
**结果** 共收集1165张图像，测试了多种模型。数据采用标准10折交叉验证进行划分。进行了双重实验：首先采用标准数据划分，最佳模型的准确率为0.889，F1分数为0.890，ROC曲线下面积为0.924；其次，数据划分确保同一患者的图像不会分布在训练集和测试集中，从而防止数据泄露，该实验的最佳结果分别为0.778、0.868和0.653。
**结论** 通过用人工智能处理造口周围皮肤图像，研究人员开发出稳健、可靠的初步模型，用于检测造口周围皮肤改变。这些模型能够自动检测任何造口周围皮肤受累情况。利用照片自动检测造口周围皮肤改变，可实现远程护理并加速治疗。
**临床相关性** 基于卷积人工神经网络开发的模型在检测造口周围皮肤改变方面稳健可靠，代表了所有造口患者造口周围皮肤护理的重要进展，可实现早期检测、预防并发症并节省治疗成本。
**论文解读文章**
**1. 研究背景与问题**
造口（stoma）是为治疗消化道及泌尿生殖道疾病而创建的手术开口，术后造口周围皮肤并发症（Peristomal Skin Complications, PSCs）发生率高达30%–73.4%，是影响患者生活质量的主要因素，并显著增加医疗成本（如延长住院时间、提高再入院率）。PSCs的病因复杂，以刺激性接触性皮炎最为常见，但感染、原有皮肤病加重、造口装置问题等也参与其中。然而，临床医护人员对PSCs的认知常不足，尤其是作为患者首要接触点的护士缺乏标准化诊断工具。传统人工评估依赖视觉检查，存在主观性强、耗时且受制于面对面就诊等问题。尽管深度学习（Deep Learning, DL）技术在医学图像分析中已取得突出成效，但针对造口周围皮肤评估的AI应用仍极为匮乏。在此背景下，开展此项研究旨在利用卷积神经网络（Convolutional Neural Networks, CNNs）构建初步的自动诊断模型，实现对造口周围健康皮肤与病变皮肤的二分类，为后续远程监测与快速干预奠定基础。该论文发表于《Nursing Research and Practice》。
**2. 研究方法概述**
研究人员采用前瞻性设计，数据及图像由24名造口护士在17家参与医院采集，样本来源于189名造口患者（包括结肠造口、回肠造口和尿路造口）。关键方法包括：（1）图像预处理：将原始图像统一缩放为232×232像素，并采用Z-score标准化；对少数类（完整皮肤）图像应用数据增强（随机旋转、裁剪缩放、对比度/亮度/饱和度调整）以缓解类别不平衡（不平衡比4.22）；（2）图像分割：定义三种滤网分别聚焦造口周围区域、紧邻皮肤及造口本身，应用于部分训练图像；（3）预测模型：采用三种预训练CNN架构（ResNet50、DenseNet121、InceptionV3），通过迁移学习和微调进行二分类训练；（4）验证框架：实施双重实验，FR1为标准分层10折交叉验证，FR2确保同一患者图像不跨训练/测试集，以防止数据泄露；评估指标为准确率、F1分数和ROC曲线下面积（AUC）。样本队列来源：西班牙安达卢西亚地区17家医院。
**3. 研究结果（保留各小标题及结论）**
**3.1 第一实验框架（FR1）**
采用ResNet50模型（30个epoch，批量大小32，早停策略），在三种分割场景（0%、20%、80%图像应用分割）下评估。最佳配置为20%图像分割，准确率达0.889，F1分数0.890，AUC为0.924（95%置信区间F1: 0.8696–0.91，AUC: 0.9025–0.9452）。误差分析显示平均错误率13.1%，其中假阴性（FN）占8.8%，假阳性（FP）占30.3%。模型均表现出高准确度且无显著偏差。
**3.2 第二实验框架（FR2）**
通过强制分离患者图像（确保同一患者图像全部在训练或测试集），训练三种CNN模型（100个epoch，调整损失函数为BinaryMCC）。InceptionV3表现最佳：准确率0.778 ± 0.058，F1分数0.868 ± 0.038，AUC为0.653 ± 0.120。准确率和AUC明显低于FR1，但F1分数接近，表明数据集较小且不平衡时，跨患者数据泄露会高估模型真实性能。AUC的置信区间（0.5669–0.7387）显示较高变异。
**4. 总结与讨论**
研究人员指出，本研究发现造口患者样本特征（男性略多、年龄60–70岁、结肠造口占多数）与近期文献一致，且造口周围皮肤损伤比例（73.5%）与既往报道（73%）吻合。模型检测准确率（>0.8）优于先前同类研究（0.61），并与基于CNN的肤色变化检测模型（准确率95%）及渗出检测模型（98.8%）结果接近。通过Grad-CAM可解释性分析，研究人员确认模型正确分类时聚焦于造口周围皮肤区域，而错误分类（假阳性）常因图像中存在异物（如纱布、阴影）或造口未居中；假阴性则源于图像质量低（背景杂乱、拍摄角度不当）。模型的高F1分数提示能有效减少误判。研究还强调，当前模型基于纯CNN架构（如ResNet50）而非混合CNN-Transformer，适用于该领域的早期阶段，以确保计算效率和可靠性。未来方向包括：扩展多分类（区分不同病变类型）、利用生成模型合成样本以改善不平衡、优化模型以部署到移动设备。需结合患者报告结局与临床背景（如结构化人口统计学和临床数据）进一步提升模型敏感度和特异度。最终，研究人员翻译了结论部分：“通过用人工智能处理造口周围皮肤图像，研究人员开发出稳健、可靠的初步模型，用于检测造口周围皮肤改变，从而能够高置信度地预测造口周围改变的程度。该模型自动检测造口周围皮肤改变，避免了面对面就诊，促进了及时护理，对早期发现和预防并发症、提升患者健康相关生活质量具有重要潜力。”
