一种用于压疮分期的高精度深度学习框架，具备校准过的置信度以及自动化的临床文档生成功能

《Intensive and Critical Care Nursing》：A selective deep learning framework for pressure injury staging with calibrated confidence and automated clinical documentation

　　

杰克·洛特|大卫·麦克香农|尼古拉斯·迪特里希

摘要

研究目标

压疮是一种常见的慢性伤口，需要准确的分期以便进行有效治疗。深度学习在通过临床照片自动分期方面展现出潜力，但大多数现有研究仅报告了分类准确率，未考虑预测的不确定性。我们开发并评估了一种选择性深度学习框架，该框架能够校准预测置信度，将低置信度的病例交由临床医生审核，并生成结构化的临床记录。

研究方法

我们在763张经过标注的图像上训练了ConvNeXt-V2-Tiny分类器，这些图像涵盖了国家压疮咨询小组规定的四个压疮分期。为改善概率校准，我们采用了事后温度缩放技术。该选择性预测框架会将低置信度的病例转交临床医生审核。此外，大型语言模型根据NPIAP指南中的分期定义，生成了结构化的伤口记录。我们在另一个包含159张压疮图像的独立数据集上进行了外部验证。

研究结果

该分类器的整体准确率为74.4%，平衡准确率为73.7%，宏观AUC-ROC值为0.929。温度缩放技术将测试时的预期校准误差从0.101降低到了0.063。在85%的置信度阈值下，保留的预测结果的分类准确率为90.8%，而通过该框架筛选出的病例覆盖了83.3%的所有基础错误。文档生成模块为所有测试图像都创建了结构化的伤口记录。外部验证的宏观AUC-ROC值为0.809，宏观F1值为0.590。在相同的85%阈值下，保留预测结果的准确率为72.7%。

研究结论

通过校准置信度并采用选择性深度学习方法，可以在延迟不确定预测的同时生成结构化的伤口记录，从而提升压疮自动分期的可靠性。未来的研究应着眼于在实际临床环境中的应用，以进一步评估其通用性及与现有工作流程的融合程度。

对临床实践的启示

这种能够报告置信度并筛选不确定病例的选择性深度学习系统，可在保持人类监督的前提下辅助临床医生进行压疮分期。此外，自动生成的结构化伤口记录还有助于规范报告流程，减轻医生在记录方面的负担。