基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型.pdfVIP

·4582·E-mail:zgqkyx@December2024，Vol.27No.36ChineseGeneralPractice

·论著·

基于YOLO神经网络构建压力性损伤自动检测

和分期的人工智能模型

扫描二维码

1231*2*查看原文

王珍妮，须月萍，夏开建，徐晓丹，顾丽华

1.215500江苏省常熟市第一人民医院消化内科

2.215500江苏省常熟市第一人民医院护理部

3.215500江苏省常熟市第一人民医院医学人工智能与大数据重点实验室

*通信作者：徐晓丹，主任医师；E-mail：xxddocter@

顾丽华，主任护师；E-mail：xixi42490@

【摘要】 背景随着人口老龄化，压力性损伤（PI）的发病率逐渐增加，这不仅严重影响了患者的生存质量，

还增加了医保支出。然而，PI的早期发现和准确分期极大地依赖于专业培训。目的构建并测试一个用于PI自动检

测和分期的人工智能模型，以提高PI诊断的实时性、准确性和客观性。方法选取常熟市第一人民医院压疮电子化

管理系统中2021年1月—2024年2月的693张PI图像，将图像随机划分为训练集（551张）和测试集（142张），

并按照2019 年美国压疮咨询委员会（NPUAP）制订的PI预防和治疗指南分为6期，包括：Ⅰ期154张、Ⅱ期188张、

Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8［nano（n）、

small（s）、medium（m）、large（l）和extra large（x）］神经网络和迁移学习，建立针对PI的深度学习目标检测模

型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后，通过Ultralytics Hub平台将模型部署

到手机应用程序（App）中，实现AI模型在临床工作中的应用。结果在对包含142张PI图像的测试集进行评估时，

YOLOv8l版本在确保高精确度（0.827）的同时，也展现了较快的推理速度（68.49 帧/s），与其他YOLO版本相比，

在精确度与速度之间取得了最佳的平衡。具体而言，其在所有类别上的整体准确率为93.18%，灵敏度为76.52%，特

异度为96.29%，假阳性率为3.72%。在6个PI分期中，模型预测Ⅰ期的准确率最高，达到95.97%；预测Ⅱ期、Ⅲ期、

Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言，

YOLOv8l处理142张图像的总耗时为2.07 s，平均每秒可处理68.49张PI图像。结论基于YOLOv8l网络的AI模型

能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中，能够在临床实践中便携使用，具有很大的临

床应用潜力。

【关键词】 压力性损伤；人工智能；深度学习；YOLO；目标检测；神经网络模型；App

【中图分类号】 R 473.75 【文献标识码】 A DOI：10.12114/j.issn.1007-9572.2024.0168

ConstructionofanArtificialIntelligence-assistedSystemforAutomaticDetectionofPressure

InjuryBasedontheYOLONeuralNetwork

1231*