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

doi:10.12114/j.issn.1007-9572.2024.0168

中国全科医学 ›› 2024, Vol. 27 ›› Issue (36): 4582-4590.DOI: 10.12114/j.issn.1007-9572.2024.0168

所属专题：数智医疗最新文章合辑

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

王珍妮¹, 须月萍², 夏开建³, 徐晓丹¹^,^*(), 顾丽华²^,^*()

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

收稿日期:2024-05-27 修回日期:2024-07-12 出版日期:2024-12-20 发布日期:2024-09-19
通讯作者: 徐晓丹, 顾丽华
作者贡献：
王珍妮、须月萍进行文章的构思与设计；须月萍、夏开建进行数据收集及数据整理并进行统计学处理与代码报错解决；王珍妮、徐晓丹撰写论文并进行论文的修订；顾丽华对文章整体负责，监督管理。
基金资助:
苏州市护理学会科研项目(SZHL-B-202407); 常熟市医学人工智能与大数据重点实验室能力提升项目(CYZ202301); 苏州市第二十三批科技发展计划项目(SLT2023006)

Construction of an Artificial Intelligence-assisted System for Automatic Detection of Pressure Injury Based on the YOLO Neural Network

WANG Zhenni¹, XU Yueping², XIA Kaijian³, XU Xiaodan¹^,^*(), GU Lihua²^,^*()

1. Gastroenterology Department, Changshu No.1 People's Hospital, Changshu 215500, China
2. Nursing Department, Changshu No.1 People's Hospital, Changshu 215500, China
3. Key Laboratory of Medical Artificial Intelligence and Big Data, Changshu No.1 People's Hospital, Changshu 215500, China

Received:2024-05-27 Revised:2024-07-12 Published:2024-12-20 Online:2024-09-19
Contact: XU Xiaodan, GU Lihua

分享到

摘要/Abstract

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

Abstract:

Background

With the aging population, the incidence of pressure injury (PI) is gradually increasing. This not only severely impacts the quality of life for patients but also increases healthcare expenditures. However, the early detection and accurate staging of PI heavily depend on specialized training.

Objective

To construct and validate an artificial intelligence model for the automatic detection and staging of PI aimed at enhancing the real-time nature, accuracy, and objectivity of PI diagnostics.

Methods

A total of 693 PI images from the electronic management system of pressure ulcers at Changshu No.1 People's Hospital were selected from January 2021 to February 2024, the images were randomly divided into a training set (551 images) and a test set (142 images), and categorized into six stages according to National Pressure Ulcer Advisory Panel (NPUAP) guidelines: StageⅠ (154 images), StageⅡ (188 images), StageⅢ (160 images), StageⅣ (82 images), deep tissue injury (57 images), and unstageable (52 images). A deep learning object detection model for PI was established using five different versions of the YOLOv8 [nano (n), small (s), medium (m), large (l) and extra large (x) ] neural network and transfer learning. The model evaluation metrics included accuracy, sensitivity, specificity, false positive rate, and detection speed. Finally, the model was deployed to a mobile application via the Ultralytics Hub platform, facilitating the application of the AI model in clinical practice.

Results

During the evaluation of a test set containing 142 PI images, the YOLOv8l version demonstrated high accuracy (0.827) and fast inference speed (68.49 fps), achieving the best balance between precision and speed among the YOLO versions. Specifically, it achieved an overall accuracy of 93.18% across all categories, a sensitivity of 76.52%, a specificity of 96.29%, and a false positive rate of 3.72%. Among the six stages of PI, the model achieved the highest accuracy for StageⅠat 95.97%. The accuracies for StageⅡ, StageⅢ, StageⅣ, deep tissue injury, and unstageable were 91.28%, 91.28%, 91.95%, 95.30%, and 93.29%, respectively. In terms of processing speed, YOLOv8l took a total of 2.07 seconds to process 142 images, averaging 68.49 PI images per second.

Conclusion

The AI model based on the YOLOv8l network can quickly and accurately detect and stage PI. Deploying this model to a mobile app allows for portable use in clinical practice, demonstrating significant potential for clinical application.

Key words: Pressure injury, Artificial intelligence, Deep learning, YOLO, Object detection, Neural network models, App

中图分类号:

R 473.75 TP181

王珍妮,须月萍,夏开建,等. 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[J]. 中国全科医学, 2024, 27(36): 4582-4590. DOI: 10.12114/j.issn.1007-9572.2024.0168.
WANG Zhenni,XU Yueping,XIA Kaijian, et al. Construction of an Artificial Intelligence-assisted System for Automatic Detection of Pressure Injury Based on the YOLO Neural Network[J]. Chinese General Practice, 2024, 27(36): 4582-4590. DOI: 10.12114/j.issn.1007-9572.2024.0168.

图/表 13

图1 数据集中具有代表性的图像和数量分布注：Ⅰ期压力性损伤（PI），不变白的红斑，皮肤完整，局部区域有不变白的红斑，通常在骨隆突处；完整深色皮肤上的不可消褪性红斑：深色皮肤可能没有明显的变白，其颜色可能与周围区域不同。Ⅱ期PI，部分皮层损伤，表现为表浅的开放性溃疡，伤口床呈粉红色，无腐肉；也可表现为完整或破损的浆液性水疱。Ⅲ期PI，全层组织缺损，可见皮下脂肪，但未见骨骼、肌腱或肌肉；组织损伤的深度因解剖位置而异；脂肪丰富的区域可发展成较深伤口。Ⅳ期PI，全层组织缺失，暴露骨骼、肌腱或肌肉；特点是可见腐肉和/或焦痂、翻卷（卷边）经常出现、深度因解剖位置而异。深部组织PI，由于压力和/或剪切力造成的皮下组织损伤，局部完整的皮肤出现紫色或褐红色改变或充血性水疱。不可分期PI，全层组织缺失，溃疡基底部被腐肉（黄色、褐色、灰色、绿色或棕色）和/或焦痂（褐色、棕色或黑色）覆盖。

Figure 1 Representative images and distribution of quantities in the dataset

图2 研究流程图

Figure 2 Research flowchart

图3 图像标注流程注：A为第一阶段，院内各科的临床护士发现并拍摄PI图像；B为第二阶段，邀请2位PI小组成员使用矩形框对6个分期的PI图像进行注释标注，同时进行交叉检查；C为第三阶段，1位具有国际伤口造口师证的资深PI小组成员检查标注并对注释做出最终决定。

Figure 3 Image annotation process

图4 图像标注情况展示注：A为所有标注框的集中展示；B、C分别展示标注框的中心点位置分布和宽、高分布，颜色越深表示数量越多。

Figure 4 Image annotation display

图5 用于PI自动检测和分期的目标检测系统

Figure 5 Target detection system for automatic detection and staging of PI

图6 PI各期图像数量分布

Figure 6 Distribution of images for each stage of PI

图7 YOLOv8l模型训练过程中损失函数和性能指标变化情况注：A为损失函数的变化情况；B为边界框定位性能指标变化情况；mAP50=在0.5交并比（IoU）阈值下的平均精确度，mAP50-95=在0.50~0.95 IoU阈值（间隔0.05）下的平均精确度。

Figure 7 Changes in loss function and performance metrics during YOLOv8l model training

图8 不同版本YOLOv8模型性能

Figure 8 Performance of different versions of the YOLOv8 model

表1 不同版本YOLO模型边界框定位性能

Table 1 Performance of bounding box localization across different YOLO model versions

YOLO版本	精确度	召回率	mAP⁵⁰	mAP^50-95	速度（ms/img）
YOLOv8n	0.816	0.696	0.781	0.538	4.1
YOLOv8s	0.786	0.670	0.795	0.554	5.4
YOLOv8m	0.786	0.752	0.797	0.547	8.1
YOLOv8l	0.827	0.749	0.824	0.575	14.6
YOLOv8x	0.818	0.747	0.815	0.556	17.1

表2 YOLOv8l模型在测试集上的分类预测性能（%）

Table 2 Classification prediction performance of the YOLOv8l model on the test set

分期	准确率	灵敏度	特异度	假阳性率
Ⅰ期	95.97	92.59	96.72	3.28
Ⅱ期	91.28	69.70	97.41	2.59
Ⅲ期	91.28	76.47	95.65	4.35
Ⅳ期	91.95	72.73	95.28	4.72
深度组织损伤期	95.30	83.33	96.35	3.65
不可分期	93.29	64.29	96.30	3.70
总体（宏观平均值）	93.18	76.52	96.29	3.72

图9 AI模型在精确度、召回率、F1分数与置信度之间的关系注：A为精确度-置信度曲线，B为召回率-置信度曲线，C为F1分数-置信度曲线。

Figure 9 Relationship between precision，recall，F1 score，and confidence in AI models

图10 AI模型检测到的代表性图像注：AI检测到的病变以矩形框标出，并显示置信度；示例图像中检测到的病变类别包括Ⅰ期（Stage I）、Ⅱ期（Stage II）、Ⅲ期（Stage Ⅲ）、Ⅳ期（Stage Ⅳ）、不可分期（Unstageable）、深部组织损伤期（Deep Tissue Injury）。

Figure 10 Representative images detected by the AI model

表3 使用载有AI模型的手机对PI病变的实时检测演示

Table 3 Real-time detection of PI using a smartphone AI model

	视频地址
在线播放地址	视频1：https://pan.baidu.com/s/16xYo7aQq8K9Ki6G8i32SGw?pwd=9c9x
在线播放地址	视频2：https://pan.baidu.com/s/1Ns0qBJ_zsci9wQzq0oPvKQ?pwd=uca4
微信扫一扫在线看视频
微信扫一扫在线看视频	AI预测视频1	AI预测视频2

参考文献 28

[1]	MERVIS J S, PHILLIPS T J. Pressure ulcers：Pathophysiology，epidemiology，risk factors，and presentation[J]. J Am Acad Dermatol，2019，81(4):881-890. DOI：10.1016/j.jaad.2018.12.069.
[2]	HEADLAM J, ILLSLEY A. Pressure ulcers：an overview[J]. Br J Hosp Med：Lond，2020，81(12):1-9. DOI：10.12968/hmed.2020.0074.
[3]	李清，苏强，林英，等. 基于机器学习的住院患者压力性损伤分析与预测[J]. 同济大学学报（自然科学版），2020，48(10):1530-1536. DOI：10.11908/j.issn.0253-374x.20096.
[4]	SAWYER LEE R, DUNNMON J A, HE A, et al. Comparison of segmentation-free and segmentation-dependent computer-aided diagnosis of breast masses on a public mammography dataset[J]. J Biomed Inform，2021，113:103656. DOI：10.1016/j.jbi.2020.103656.
[5]	AGNES S A, ANITHA J, PANDIAN S I A, et al. Classification of mammogram images using multiscale all convolutional neural network（MA-CNN）[J]. J Med Syst，2019，44(1):30. DOI：10.1007/s10916-019-1494-z.
[6]	LI F, CHEN H, LIU Z, et al. Fully automated detection of retinal disorders by image-based deep learning[J]. Graefe's Arch Clin Exp Ophthalmol，2019，257(3):495-505. DOI：10.1007/s00417-018-04224-8.
[7]	TING D S W, PENG L, VARADARAJAN A V, et al. Deep learning in ophthalmology：the technical and clinical considerations[J]. Prog Retin Eye Res，2019，72:100759. DOI：10.1016/j.preteyeres.2019.04.003.
[8]	TERVEN J, CÓRDOVA-ESPARZA D M, ROMERO-GONZÁLEZ J A. A comprehensive review of YOLO architectures in computer vision：from YOLOv1 to YOLOv8 and YOLO-NAS[J]. Mach Learn Knowl Extr，2023，5(4):1680-1716. DOI：10.3390/make5040083.
[9]	LOU H T, DUAN X H, GUO J M, et al. DC-YOLOv8：small-size object detection algorithm based on camera sensor[J]. Electronics，2023，12(10):2323. DOI：10.3390/electronics12102323.
[10]	KOTTNER J, CUDDIGAN J, CARVILLE K, et al. Prevention and treatment of pressure ulcers/injuries：the protocol for the second update of the international clinical practice guideline 2019[J]. J Tissue Viability，2019，28(2):51-58. DOI：10.1016/j.jtv.2019.01.001.
[11]	陈丽娟，孙林利，刘丽红，等. 2019版《压疮/压力性损伤的预防和治疗：临床实践指南》解读[J]. 护理学杂志，2020，35(13):41-43,51. DOI：10.3870/j.issn.1001-4152.2020.13.041.
[12]	ATHALYE C, ARNAOUT R. Domain-guided data augmentation for deep learning on medical imaging[J]. PLoS One，2023，18(3):e0282532. DOI：10.1371/journal.pone.0282532.
[13]	KANG L W, WANG I S, CHOU K L, et al. Image-based real-time fire detection using deep learning with data augmentation for vision-based surveillance applications[C]//2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）. Taipei，China. IEEE，2019：1-4. DOI：10.1109/AVSS.2019.8909899.
[14]	QIU Z R, RONG S Y, YE L K. YOLF-ShipPnet：improved RetinaNet with pyramid vision transformer[J]. Int J Comput Intell Syst，2023，16(1):58. DOI：10.1007/s44196-023-00235-4.
[15]	SHIN H C, ROTH H R, GAO M C, et al. Deep convolutional neural networks for computer-aided detection：CNN architectures，dataset characteristics and transfer learning[J]. IEEE Trans Med Imaging，2016，35(5):1285-1298. DOI：10.1109/TMI.2016.2528162.
[16]	JOCHER G, CHAURASIA A, QIU J. Ultralytics YOLOv8[EB/OL]. [2024-03-20].
[17]	HAJHOSSEINI B, LONGAKER M T, GURTNER G C. Pressure injury[J]. Ann Surg，2020，271(4):671-679. DOI：10.1097/SLA.0000000000003567.
[18]	侯学峰，张慧玲，牛瑞红，等. 山西省某三甲综合医院住院患者压疮现状调查分析[J]. 中国药物与临床，2019，19(14):2365-2367. DOI：10.11655/zgywylc2019.14.012.
[19]	王悦，郑晨，宋辉. 手术患者压力性损伤预防管理的研究进展[J]. 护士进修杂志，2022，37(21):1948-1952. DOI：10.16821/j.cnki.hsjx.2022.21.006.
[20]	SUN X F, NI P W, WU M J, et al. A clinicoepidemiological profile of chronic wounds in wound healing department in Shanghai[J]. Int J Low Extrem Wounds，2017，16(1):36-44. DOI：10.1177/1534734617696730.
[21]	HAESLER E, PITTMAN J, CUDDIGAN J, et al. An exploration of the perspectives of individuals and their caregivers on pressure ulcer/injury prevention and management to inform the development of a clinical guideline[J]. J Tissue Viability，2022，31(1):1-10. DOI：10.1016/j.jtv.2021.10.008.
[22]	HAAVISTO E, STOLT M, PUUKKA P, et al. Consistent practices in pressure ulcer prevention based on international care guidelines：a cross-sectional study[J]. Int Wound J，2022，19(5):1141-1157. DOI：10.1111/iwj.13710.
[23]	LEBLANC K, WOO K, BASSETT K, et al. Professionals' knowledge，attitudes，and practices related to pressure injuries in Canada[J]. Adv Skin Wound Care，2019，32(5):228-233. DOI：10.1097/01.ASW.0000554444.52120.f6.
[24]	BATES-JENSEN B M, MCCREATH H E, HARPUTLU D, et al. Reliability of the Bates-Jensen wound assessment tool for pressure injury assessment：the pressure ulcer detection study[J]. Wound Repair Regen，2019，27(4):386-395. DOI：10.1111/wrr.12714.
[25]	BOYKO T V, LONGAKER M T, YANG G P. Review of the current management of pressure ulcers[J]. Adv Wound Care，2018，7(2):57-67. DOI：10.1089/wound.2016.0697.
[26]	ŠÍN P, HOKYNKOVÁ A, MARIE N, et al. Machine learning-based pressure ulcer prediction in modular critical care data[J]. Diagnostics，2022，12(4):850. DOI：10.3390/diagnostics12040850.
[27]	LIU H, HU J, ZHOU J Y, et al. Application of deep learning to pressure injury staging[J]. J Wound Care，2024，33(5):368-378. DOI：10.12968/jowc.2024.33.5.368.
[28]	ALDUGHAYFIQ B, ASHFAQ F, JHANJHI N Z, et al. YOLO-based deep learning model for pressure ulcer detection and classification[J]. Healthcare，2023，11(9):1222. DOI：10.3390/healthcare11091222.

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

Construction of an Artificial Intelligence-assisted System for Automatic Detection of Pressure Injury Based on the YOLO Neural Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 28

相关文章 15

编辑推荐

Metrics

留言

[1]	周伊恒, 杨梓钰, 吕垚, 刘力滴, 沈灿, 廖晓阳, 贾禹. 《人工智能在心血管疾病中的应用科学声明》解读[J]. 中国全科医学, 2024, 27(35): 4353-4357.
[2]	邵建文, 刘欢, 张玥, 郑爱明, 陈松宇, 王锦帆. 基于人工智能的医患沟通共情语言教学与评价系统的开发与应用研究[J]. 中国全科医学, 2024, 27(34): 4315-4321.
[3]	杨辉. 《全科医学服务中的人工智能：务实的、谨慎的、乐观的观点》摘译[J]. 中国全科医学, 2024, 27(32): 0-B.
[4]	刘环, 朱世飞, 陈法余, 王静华. 人工智能在基层全科医生实践中的应用：基于皮肤病诊断与病程管理的视角[J]. 中国全科医学, 2024, 27(31): 3884-3889.
[5]	刘沈馨雨, 高敏, 王洁, 鲍志鹏, 于甜栖, 汤志杰, 孙姝怡, 孙国珍. 心力衰竭患者居家康复APP服务质量评价体系的构建[J]. 中国全科医学, 2024, 27(30): 3758-3762.
[6]	刘珏, 梁万年. 科技创新应对健康挑战[J]. 中国全科医学, 2024, 27(28): 0-C4.
[7]	余如霞, 姜婧, 王湫澄, 王越, 赵小月. 人工智能在阿尔茨海默病临床诊疗中的研究热点及前沿趋势分析[J]. 中国全科医学, 2024, 27(26): 3218-3226.
[8]	郭彩琴, 王峻峰, 杨岚, 石锦平, 唐叶, 赵頔, 吴晓. 人工智能辅助染色体核型分析技术在产前诊断中的应用研究[J]. 中国全科医学, 2024, 27(23): 2883-2887.
[9]	雷芳, 杜亮, 董敏, 刘雪梅. 基于人工智能的临床决策支持系统早期临床评估的透明化报告[J]. 中国全科医学, 2024, 27(10): 1267-1270.
[10]	董娜, 崔婷, 王露露, 师荣慧, 冯洁, 黄晓俊. 人工智能在胃癌诊治中的研究趋势：20年的文献计量学分析[J]. 中国全科医学, 2024, 27(04): 493-501.
[11]	高景宏, 王言研, 蒋帅, 付航, 段彦然, 王素凡, 王成增. Haddon模型视角下大数据和人工智能在COVID-19疫情防控中的应用分析[J]. 中国全科医学, 2024, 27(01): 111-117.
[12]	杨宇轩, 张晗, 杜娟, 王玲玲, 谢玉磊, 尹开明, 张波. 眼动追踪的动态任务评估脑卒中后单侧空间忽略的价值研究[J]. 中国全科医学, 2023, 26(32): 4020-4025.
[13]	张娟, 李海芬, 李小曼, 姚苗, 马惠珍, 马强. 糖尿病足溃疡复发风险预测模型的构建：基于Logistic回归和支持向量机及BP神经网络模型[J]. 中国全科医学, 2023, 26(32): 4013-4019.
[14]	陈龙, 曾凯, 李莎, 陶璐, 梁玮, 王皓岑, 杨如美. 人工智能算法偏见与健康不公平的成因与对策分析[J]. 中国全科医学, 2023, 26(19): 2423-2427.
[15]	郭天赐, 陈继鑫, 余伟杰, 刘爱峰. 人工智能在骨关节炎诊疗中的应用进展[J]. 中国全科医学, 2023, 26(19): 2428-2433.