借助深度学习分析伤口图像，推动切口手术部位感染的早期识别

重点摘要

• 开发了一种卷积神经网络（Convolutional Neural Network，CNN），可通过伤口照片高准确度识别手术部位感染（Surgical Site Infections，SSIs）。
• 模型基于一个大型、多中心、多专科的回顾性伤口图像数据集进行训练（4978张图像），并在来自大型学术中心的95例患者的407张图像上进行了严格的外部验证。
• 模型表现优良：内部验证曲线下面积（Area Under the Curve，AUC）为0.91，外部验证AUC为0.82，显示出较强的区分能力和临床实用性。
• 该模型有望整合进远程医疗流程，用于支持自动分诊和早期诊断，从而减少术后SSIs检测的延迟和差异性。

研究背景

手术部位感染（Surgical Site Infections，SSIs）是全球各类外科手术后导致发病的重要原因之一，可增加患者不适、再入院率以及医疗费用。及时发现SSIs对于减少不良结局至关重要，但在现代医疗环境中，由于术后快速出院和加速康复流程的广泛应用，临床诊断往往在患者出院数天后才得以完成。门诊随访困难以及对伤口进行即时评估的可及性有限，进一步加重了这一延迟。远程医疗结合远程伤口图像监测，为弥合这一诊断空白提供了潜在解决方案；然而，临床医生人工阅片耗时较长，且易受观察者间差异影响，也容易漏掉早期细微征象。

人工智能（Artificial Intelligence，AI）和深度学习技术已改变医学领域的图像识别任务。将这些技术应用于术后伤口图像，可能实现对疑似SSIs伤口的自动、快速且可靠识别，有助于临床决策，并通过更早干预潜在改善患者结局。

研究设计

本诊断/预后研究旨在开发并进行外部验证一种深度学习模型，以从照片中识别疑似SSIs的伤口。研究样本包括既往收集的、来自多个外科专科的回顾性伤口图像，这些图像汇集于现有数据库中，用于模型开发和内部评估。来自大型学术医学中心、多个专科前瞻性收集的图像构成外部验证数据集。

图像由多名医师进行精细标注，并依据临床共识赋予二分类标签：提示SSIs或不提示SSIs，以确保标签有效性。深度学习模型采用基于InceptionV3的卷积神经网络架构，并结合迁移学习技术，以增强对相对较小医学图像数据集的特征提取能力。回顾性数据集被划分为训练集（70%）、验证集（15%）和内部测试集（15%），以避免过拟合并优化模型调参。

模型输出通过受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUC）、校准曲线（用于评估概率估计准确性）以及决策曲线分析（用于判断临床净获益）进行评估。采用梯度加权类激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）生成热图，以突出模型在伤口图像上的关注区域，从而提供有助于临床应用的可解释性。

主要结果

该CNN模型基于4978张由专家临床医生标注的伤口图像进行训练。在内部验证中，模型AUC为0.91（95% CI，0.88–0.93），显示出对提示感染与不提示感染伤口之间具有优异的区分能力。校准分析提示，预测概率与实际观察结局高度一致，支持其在临床风险估计中的可靠性。

在来自95名不同患者的407张图像上进行外部验证时，模型仍保持较强表现，AUC为0.82（95% CI，0.75–0.90），证实其泛化能力不局限于开发队列。决策曲线分析显示，在一系列阈值概率范围内该模型均可带来净临床获益，提示与常规复查或症状触发复查等替代策略相比，该模型可能改善进一步临床评估或干预的患者筛选。

Grad-CAM可视化能够可靠定位最影响模型分类的伤口区域，通常突出炎症、红斑或渗出区域，与SSIs的临床征象一致。此类透明性有助于增强临床医生信任，并支持其在远程医疗平台中的整合应用。

专家点评

本研究有力回应了门诊环境下及时识别SSIs这一关键临床挑战，并充分利用了AI图像分析技术的进展。其优势包括大型多专科图像数据集、严格的外部验证，以及通过热图解释强调模型可解释性。各项性能指标表明，该模型更适合作为决策支持工具，而非完全替代临床判断，这也与当前AI融入医学实践的最佳做法相符。

其局限性包括伤口图像采集条件天然异质、摄影质量和角度存在差异，以及尽管有多名医师审核，主观标注过程仍可能引入偏倚。未来研究应关注前瞻性临床部署、与电子病历系统整合、实时患者监测系统构建、成本效益分析，以及在不同医疗场景（包括社区医院和门诊诊所）中的模型性能评估。

现行临床指南强调对术后伤口进行严密监测；AI辅助图像分析有望强化这些流程，并促进个体化患者照护路径的建立。该方法也与COVID-19疫情后加速发展的远程医疗在外科随访中的作用扩展相一致。

结论

基于CNN架构开发并进行外部验证的深度学习模型，显示出通过伤口照片自动检测切口手术部位感染（incisional surgical site infections）的良好准确性和临床实用性。将此类AI工具应用于远程医疗，可支持SSIs的早期发现与管理，减轻临床工作负担，减少诊断延误，并有望改善术后结局。为充分发挥该技术在提升外科医疗服务中的潜力，仍需持续开展研究并推进临床整合。

资助与试验注册

本刊物未明确提供资助来源及临床试验注册信息。更多细节可通过所引用的已发表文章获取。

参考文献

1. Bontekoning N, Huisman H, Segura Cabrera PJ, et al. Detecting Incisional Surgical Site Infections on Wound Images Through Deep Learning. JAMA Surg. 2026 Aug 26. PMID: 42647036.

2. Smith RL, Bohl JK, McElearney ST, et al. Wound Infection Following Elective Colorectal Resection: Is It Preventable? J Gastrointest Surg. 2004;8(5):517–523.

3. Mangram AJ, Horan TC, Pearson ML, Silver LC, Jarvis WR; The Hospital Infection Control Practices Advisory Committee. Guideline for Prevention of Surgical Site Infection, 1999. Infect Control Hosp Epidemiol. 1999;20(4):250-78.

4. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118.

5. Wang CJ, Huang YJ, Wang SH, et al. Artificial intelligence for detecting wound infections: a pilot study and systematic review. Int Wound J. 2022;19(2):326-338.