04-基于图像的外科伤口感染识别的机器学习方法_1_10_translate

评审基于图像的外科伤口感染识别的机器学习方法：范围回顾<table><tr><td></td></tr><tr><td>胡安巴勃罗塔布贾博尔特西1，HBSc；乔纳森·拉尼索1、MASc、双迪1,2，理学硕士；迈克尔·麦吉伦3，博士；劳拉·罗塞拉2，博士；阿利斯泰尔约翰逊4，DPhil；PJ德韦罗3，博士；杰里米·佩奇1,3,5,6学士，硕士，博士</td></tr><tr><td>1数据科学和数字健康中心，汉密尔顿健康科学，汉密尔顿，加拿大2多伦多大学达拉·拉娜公共卫生学院，多伦多，加拿大3人口健康研究所，汉密尔顿，加拿大4患病儿童研究所，多伦多，加拿大5加拿大多伦多大学卫生政策、管理和评估研究所6麦克马斯特大学心脏病科，汉密尔顿，加拿大通信作者杰里米·佩奇，文学学士，文学硕士，文学博士数据科学和数字健康中心汉密尔顿健康科学公司，朗伍德路南175号，207室汉密尔顿，在，L8P 0A1加拿大<a href="mailto:petchj@hhsc.ca">电话： 1 9055212100电子邮件： petchj@hhsc.ca</a>摘要</td></tr><tr><td>背景：手术部位感染（ssi）经常发生，并影响患者和卫生保健系统。目前，由于临床医生需要人工评估，手术伤口的远程监测。基于机器学习（ML）的方法最近已被用于解决术后伤口愈合过程的各个方面，并可用于提高远程手术伤口评估的可扩展性和成本效益。目的：本文综述的目的是概述从图像中识别手术伤口感染的ML方法。方法：我们采用JBI（Joanna Briggs研究所）的方法，对ssi的视觉检测的ML方法进行了范围回顾。报告参与者在任何术后背景下集中于手术伤口感染的识别。没有涉及SSI识别、手术伤口或未使用图像或视频数据的研究被排除。我们在2022年11月搜索了地中海、Embase、CINAHL、中央、网络科学网核心集合、IEEEXplore、比较、和arXiv进行相关研究。检索到的记录都经过了双重筛选。使用数据提取工具绘制相关数据图表，进行叙述描述并使用表格呈现。使用TRIPOD（个体预后或诊断的多变量预测模型透明报告）指南，并使用先证者（预测模型偏倚风险评估工具）评估偏倚风险（RoB）。结果：在筛选的715条独特记录中，总共有10条符合资格标准。在这些研究中，临床背景和外科手术过程是不同的。所有的论文都开发了诊断模型，尽管没有一篇论文进行了外部验证。传统的ML和深度学习方法都用于从大多数彩色图像中识别ssi，使用的图像体积在50张以下到数千张不等。此外，至少有4项研究报告了10个三脚架项目，但在少于4项研究中报告了15个项目。先证者评估导致9项研究被确定为总体高RoB，其中1项研究总体RoB不清楚。结论：使用ML基于图像识别手术伤口感染的研究仍然是新的，需要标准化的报告。未来应该解决与图像捕获、模型构建和数据源的可变性相关的限制。(J MedInternet Res 2024;26:e52880) doi: 10.2196/52880</td></tr></table><a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880 J医学互联网Res 2024 | vol. 26 | e52880 | p。</a>1<img src="/media/202408//1724856370.356365.png" />（页码不供引用）<a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>关键字手术部位感染；机器学习、术后监测、伤口影像；移动电话介绍<img src="/media/202408//1724856370.377558.png" />. 术后并发症与[1,2]的发病率和死亡率相关。术后的伤口相关问题仍然很常见，这对患者和卫生保健系统[3,4]来说是一个相当大的成本。手术部位感染（ssi）的全球发生率——包括发生在切口部位的浅表或深部感染以及与手术[5]相关的器官空间感染——据估计为11%的[6]。许多这些事件发生在出院后，强调了远程出院后监测的必要性。早期研究表明，远程术后的伤口随访与高患者满意度和降低成本[7,8]相关。人工智能工具已应用于医疗保健的各个方面，并有助于向精准医疗[9-11]的转变。具体来说，机器学习（ML）技术可以利用健康数据和开发预测模型来帮助临床决策[12]，并可以与计算机视觉一起使用。一项重要的医疗任务是对各种物体的分类和检测，从皮肤损伤到细胞核[13]。最近，支持ml的计算机视觉方法已被用于伤口分割[14,15]的自动化、术后结果的评估[16,17]和伤口评估实践[18,19]的改进，往往优于现有的方法。伤口护理包括清洁和敷料，监测愈合，处理可能的感染，以及其他伤口类型的措施[20]。目前基于图像的伤口管理实践，通常涉及由护士进行的手工伤口摄影和评估，是时间和劳动密集型的[21]。相比之下，使用ml方法增强的护理模型可以自动[22,23]。这些方法的可移植性也可用于远程[24]进行此类评估，减少患者的旅行负担，并在农村地区[25,26]改善获得伤口护理的机会。最近的一项临床试验（术后远程自动监测虚拟护理-1）发现，包括伤口评估在内的远程监测虚拟护理在改善患者预后和优化卫生系统功能[27]方面有希望。这些结果突出了数字护理方法的实用性，它可以与自动化的ML系统集成，以增加可扩展性。基于ml的伤口监测方法的研究前景正在迅速发展。一些综述已经从不同的角度探讨了ML在伤口护理的各个方面的使用。一项范围综述集中于绘制ML在各种类型的慢性伤口（如视觉评估和预测进化）[28]的管理中的用例。另一篇综述从技术角度探讨了基于图像的慢性伤口评估，描述了现有的基于规则和伤口特征提取和分类的ML方法，以及伤口成像[29]系统。然而，慢性和急性的伤口是不同的<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880</a><a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>与慢性伤口感染相关的临床体征如[30]感染往往不易识别，有必要建立关于如何将基于ml的工具用于术后伤口的科学状况。一项系统综述明确描述了使用文本或结构化数据来检测和预测SSIs [31]的ML算法的有效性，尽管尚未对基于图像的方法进行调查。同样，其他系统综述发现，基于ml的预测模型研究的报告通常较差，且大多数研究的偏倚风险较高（RoB）[32,33]。考虑到这些结果，对RoB的评估和报告指南的使用——这没有包括在以前基于图像的伤口护理的回顾中——可以进一步为了解该领域的研究现状提供见解。本综述的范围和目的是提供一个使用可视化数据来识别ssi的ML方法的深入概述。具体来说，本综述描述了在这种情况下使用的方法的性质，它们已经被验证的方式，这些研究的报告在多大程度上遵循了指南的建议，以及它们的RoB。方法<img src="/media/202408//1724856370.4578931.png" />审查方法该范围审查是根据适当的JBI（乔安娜·布里格斯研究所）方法[34]进行的。PRISMA-ScR（系统评审的首选报告项目和范围评审的元分析扩展）检查表用于指导本综述[35]的撰写。我们选择了一种范围审查方法，因为我们试图分析在该领域进行研究中使用的方法，这是一种范围审查[36]的指示，而不是综合模型性能。搜索策略与学习选择根据我们的方案[37]，考虑任何年龄（或其他人口统计学变量）接受任何类型手术的参与者。正在讨论的主要概念是使用基于ml的计算机视觉在基于图像的识别手术伤口感染。只包括直接是手术结果的伤口。其他类型的伤口，如压疮，也被排除在外。我们纳入了描述此类伤口感染检测的研究（由研究作者定义）。只关注识别以外的任务（如分割）和使用图像或视频以外的来源进行预测的研究没有被考虑。包括在任何术后背景下进行的研究，包括出院后的环境。本综述包括了开发或验证一个或多个预测模型的研究，包括那些从实验、准实验和观察性研究（如随机对照试验、前瞻性和回顾性研究）中收集数据的研究。仅主要来源J医学互联网Res 2024 |卷26 | e52880 | p。2（页码不供引用）被认为是。选择的灰色文献来源，如会议论文集和预印本，也被考虑在内。动物研究被排除在外。对热线（Ovid）和CINAHL（EBSCO）进行了有限搜索，以确定相关论文。在检索到的记录的标题和摘要中使用的文本词，以及用于描述它们的索引术语，被用来开发完整的搜索策略（多媒体附录1），它适用于每个数据库。我们搜索的数据库包括医疗数据库（奥维德）、中心数据库（奥维德）、Embase（奥维德）、CINAHL（EBSCO）、Web科学核心集合、IEEE Xplore和比较数据库。我们还搜索了arXiv中的相关预印本。所有数据库从创建到2022年11月24日。同样在所有包含记录的参考列表中搜索其他记录。我们只考虑了英语语言的记录。搜索完成后，删除重复的引文，并将所有确定的引文上传到Rayyan [38]，由2名独立审稿人进行标题、摘要和全文筛选。一个抽象的筛选工具被用于辅助筛选过程（多媒体附录2）。可能相关记录的文本被全面检索，并以同样的方式进行评估。分歧通过讨论或与另一名审查人协商得到解决。评估报告指南和RoB的使用情况我们使用了一种数据提取工具（多媒体附录3），由2名独立评审员试用了20%（2/10）的纳入报告，以提取相关数据。在试用该工具之后，单个审阅者从剩余的源中提取数据，并由其他审阅者进行验证。数据采用表格进行汇总，并进行叙述。<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880</a><a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>我们使用三脚架依从性评估[39]确定纳入报告的三脚架（个体预后或诊断多变量预测模型透明报告）指南的程度，并使用先证者（预测模型偏差风险评估工具）进行批判性评估[40]。此外，2名审查员对纳入报告的20%（2/10）的报告指南和RoB进行了评估；其余评估由1名审查员执行（还有一名审查员可供验证）。在开发了多种模型的研究中，我们只评估了那些基于图像的模型的报告和RoB。为了便于比较TRIPOD项目的报告水平，我们选择了任意的阈值来表示高（≥70%）、中等（40%-69%）和低（1%-39%）的依从性。为了本审查的目的，对三脚架粘附表格和先证者进行了修改。正如在其他综述中提到的[33,41-43]，在使用图像进行预测的深度学习（DL）模型中，很难评估RoB，因为图像特征是由算法自动选择的。尽管如此，我们还是认为图像捕获的考虑很重要（例如，图像是否被系统地捕获了），并相应地改变了相关的三脚架和概率项目。完整的修改列表可以在多媒体附录4中找到。结果<img src="/media/202408//1724856370.6735418.png" />研究纳入搜索检索了796条记录，或删除重复记录后的699条记录（图1）。我们在初步筛选过程中排除了684条记录，并通过全文筛选了15份报告。我们确定了10份符合资格标准的报告。这些报告的参考文献列表有另外16个潜在相关的记录，尽管没有一个符合资格标准。J医学互联网Res 2024 |卷26 | e52880 | p。3（页码不供引用）<img src="/media/202408//1724856370.772555.jpeg" />医学互联网研究杂志图1。PRISMA流程图显示了研究的选择过程。ML：机器学习；PRISMA：系统回顾和荟萃分析的首选报告项目；SSI：手术部位感染。<img src="/media/202408//1724856370.908876.jpeg" /><a id="bookmark46"></a>审查结果纳入的研究在不同的环境中进行，跨越了广泛的队列规模（表1）。重要的研究报告特征有时不清楚或没有报道。完整的数据提取表可以在多媒体附录5中找到。<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880 J医学互联网Res 2024 |卷第26卷| e52880 |第4页</a><img src="/media/202408//1724856370.9691882.png" />（页码不供引用）<a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a><table><tr><td colspan="3">医学互联网研究期刊表1。<a id="bookmark47"></a>研究特点。</td><td></td><td>Tabja博尔特西等人</td></tr><tr><td>作者</td><td>目的：</td><td>设置</td><td>队列</td><td>事件</td></tr><tr><td>弗莱彻等人[44]</td><td>建立一个预测模型-</td><td>接受剖腹产手术的女性</td><td>共有530名参与者</td><td>共有30名参与者</td></tr><tr><td></td><td>ing SSIa在用智能手机拍摄的热图像造成的剖腹产伤口中</td><td>2019年9月至卢旺达基加利的一家特殊医院2020年2月，在术后第1天进行了前瞻性登记</td><td></td><td>感染伤口</td></tr><tr><td>弗莱彻等人[45]</td><td>建立一个预测模型-</td><td>年龄在&gt;，18岁以下的女性</td><td>共有572名参与者</td><td>共有62名参与者</td></tr><tr><td></td><td>剖腹产伤口</td><td>去了某一家医院做剖腹产</td><td>（729个中）返回</td><td>感染伤口</td></tr><tr><td></td><td>从用移动设备拍摄的彩色图像中提取的图像</td><td>2017年3月至10月，在卢旺达基加利，出院前入学</td><td>用于后续</td><td></td></tr><tr><td>Wu等人[46]</td><td>开发一种自动手机</td><td>前瞻性收集的伤口</td><td>共有480人受伤</td><td>总共有136张图片</td></tr><tr><td></td><td>基于智能手机图像的手术伤口驾驶工具</td><td>在亚洲学术中心接受过剖腹手术、微创手术或疝气修补术的患者的数据库</td><td>100名患者的年龄</td><td>感染性伤口</td></tr><tr><td>弗莱彻等人[47]</td><td>开发预测模型</td><td>18岁，+岁以下的女性</td><td>共有572名参与者</td><td>共有62名参与者</td></tr><tr><td></td><td>剖腹产伤口</td><td>去了某一家医院做剖腹产</td><td>（729个中）返回</td><td>感染伤口</td></tr><tr><td></td><td>从问卷和图像</td><td>在卢旺达的基加利</td><td>用于后续工作；图像</td><td></td></tr><tr><td></td><td>数据</td><td>和2017年10月在出院前登记</td><td>可用于568例患者</td><td></td></tr><tr><td>Hsu等[48]</td><td>开发一个自动</td><td>胸部，腹部，背部，</td><td>共有293人受伤</td><td>在训练集中，有27例感染</td></tr><tr><td></td><td>伤口解释应用程序</td><td>手，和足病的伤口收集</td><td>年龄</td><td>图像总数</td></tr><tr><td></td><td>自动伤口监测</td><td>来自国立台湾大学医院的外科和内科</td><td></td><td>易懂的</td></tr><tr><td rowspan="3">卢内堡等[49]</td><td rowspan="3">探索MLb远程LVAD的方法c使用图像监测患者</td><td>LVAD动力传动系统出口位置的图像</td><td>总共有745张图片来自美国</td><td>共计212张图片</td></tr><tr><td>从舒克特曼获得</td><td>61名患者，尽管只是</td><td>轻度感染，感染37例</td></tr><tr><td>席勒医学院和汉诺威医学院</td><td>732是标记</td><td>严重感染年龄</td></tr><tr><td>Shenoy等[50]</td><td>来开发一个模型，使它可以</td><td>图像收集主要来自pa-</td><td>总共有1335张图片</td><td>总共有355张图片</td></tr><tr><td></td><td>从智能手机的图像中识别伤口疾病的发作</td><td>帕洛阿尔托退伍军人事务医院和华盛顿大学医学院的雇员和外科医生中心</td><td></td><td>fection</td></tr><tr><td>Hsu等[51]</td><td>开发recog模型</td><td>从该部门收集的图像</td><td>共42张图片</td><td>总共有30张被感染的图片</td></tr><tr><td></td><td>nizing SSI</td><td>国立台湾大学医院的外科医生</td><td></td><td>tion</td></tr><tr><td>Zenget al [52]</td><td>开发一个自动驾驶系统</td><td>未报告</td><td>总不清楚，6张图片</td><td>不清楚</td></tr><tr><td></td><td>眼部伤口检测和</td><td></td><td>用于测试</td><td></td></tr><tr><td></td><td>随后的感染检测</td><td></td><td></td><td></td></tr><tr><td>Wang等人[53]</td><td>要开发一个集成的系统-</td><td>从纽约收集的图像</td><td>总共有3400张图片</td><td>总共有155张图片</td></tr><tr><td></td><td>该技术用于伤口的自动分割和分析</td><td>大学伤口数据库</td><td></td><td>fection</td></tr><tr><td></td><td>从伤口图像中显示的伤口状况</td><td></td><td></td><td></td></tr></table>aSSI：手术部位感染。b机器学习。cLVAD：左心室辅助装置。最早的纳入论文发表于2015年[53]，2017-2019年[47-52]发表6篇，2020-2022年11月发表3篇，[44-46]。纳入研究的目的通常是建立从图像中识别手术伤口感染的模型。在某些情况下，目的更广泛；2项研究试图确定各种伤口属性（如肉芽化）[46,50]的存在，4项研究开发了模型<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880</a><a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>自动伤口分割[48,49,51,53]。其他目标包括愈合进展预测[53]、表面积估计[53]和伤口检测[52]。患者、手术程序和图像捕获所研究的患者类型和外科手术程序各不相同。总共有3篇论文关注卢旺达[44,45,47]农村地区的剖腹产患者，而另一项研究检查了德国[49]地区植入左心室辅助装置的患者。进一步J医学互联网Res 2024 |卷26 | e52880 | p。5（页码不供引用）<table><tr><td colspan="3">医学互联网研究杂志</td><td colspan="4">Tabja博尔特西等人</td></tr><tr><td colspan="3">在亚洲进行的2项研究描述了外科手术过程</td><td colspan="4">图像捕获的上下文也同样不同（表2）。最</td></tr><tr><td colspan="3">更广泛的；例如，有一篇论文包括了患有</td><td colspan="4">研究只是说，图像是从一个或</td></tr><tr><td colspan="3">接受了剖腹手术，微创手术，或疝气</td><td colspan="4">更多的网站或数据集[48-51,53]，没有更多的细节</td></tr><tr><td colspan="3">修复[46]，而另一个包括胸部的手术伤口，</td><td colspan="4">图像是如何选择的；虽然还有另外一项研究</td></tr><tr><td colspan="3">腹部，背部，手，和脚[48]。在4篇论文中，这</td><td colspan="4">表明这些数据是“前瞻性收集的”，[46]和</td></tr><tr><td colspan="3"><a id="bookmark59"></a>信息没有被指定为[50-53]。</td><td colspan="4">在卢旺达进行的研究最详细地描述了他们的队列，[44,45,47]。</td></tr><tr><td colspan="3">表2。研究数据收集和MLa一套方法</td><td colspan="4"></td></tr><tr><td colspan="3">图像捕获成像方式的作者时间</td><td colspan="2">结果确定</td><td>建模方法</td><td>为最佳性能模型的性能指标</td></tr><tr><td>弗莱彻等人[44]</td><td>术后大约10天</td><td colspan="2">由社区卫生工作者用热成像相机模块连接到智能手机拍摄的热图像，可以产生JPG热图像独立的二维温度阵列</td><td>由全科医生进行的体检</td><td>中心体b</td><td>中位AUCc: 0.90</td></tr><tr><td>弗莱彻等人[45]</td><td>术后大约10天</td><td colspan="2">社区卫生工作者用安机器人药片拍摄的彩色图像</td><td>由全科医生进行的体检</td><td>中心体</td><td>中位AUC：0.655</td></tr><tr><td>Wu等人[46]</td><td>手术后不久，住院期间，和门诊随访</td><td colspan="2">由外科医生用智能手机拍摄的彩色图像</td><td>外科医生对正常年龄进行的异常伤口特征的注释</td><td>CNN，支持者d,射频e, GBf</td><td>中位AUC：0.833</td></tr><tr><td>弗莱彻等人[47]</td><td>术后大约10天</td><td colspan="2">社区卫生工作者用安机器人药片拍摄的彩色图像</td><td>由全科医生进行的体检</td><td>不清楚；可能的SVM和逻辑回归</td><td>中位AUC：1.0</td></tr><tr><td>Hsu等[48]</td><td>未报告</td><td colspan="2">用智能手机拍摄的彩色图像</td><td>不清楚，但可能是由3名医生提供的图像注释</td><td>SVM</td><td>总体精度：0.8358</td></tr><tr><td>卢内堡等[49]</td><td>未报告</td><td colspan="2">彩色图像；设备未报告</td><td>不清楚，但可能根据医生进行的体格检查</td><td>中心体</td><td>总体精度：0.670</td></tr><tr><td>Shenoy等[50]</td><td>未报告</td><td colspan="2">由患者和外科医生用智能手机拍摄的彩色图像</td><td>未报告</td><td>中心体</td><td>AUC: 0.82</td></tr><tr><td>Hsu等[51]</td><td>未报告</td><td colspan="2">彩色图像；设备未报告</td><td>未报告</td><td>SVM</td><td>总体精度：0.9523</td></tr><tr><td>Zenget al [52]</td><td>未报告</td><td colspan="2">彩色图像；设备未报告</td><td>未报告</td><td>SVM</td><td>auc取决于感染相关的伤口属性，但是范围为0.7682到0.9145。</td></tr><tr><td>Wang等人[53]</td><td>未报告</td><td colspan="2">彩色图像；设备未报告</td><td>未报告</td><td>SVM使用CNN功能</td><td>AUC: 0.847</td></tr></table>a机器学习。bCNN：卷积神经网络。cAUC：曲线下面积。dSVM：支持向量机。eRF：随机森林。fGB：梯度增强。在对剖腹产患者进行的研究中，术后约10天拍摄伤口，并在[44,45,47]的同一天进行感染评估。另一项研究收集了多个时间点的图像：手术后立即、住院期间和之后随访时，虽然术后天数不提示[46]。然而，在6个记录[48-53]中没有报道图像拍摄相对于手术的时间和感染评估相对于图像捕获的时间。<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880 J医学互联网Res 2024 |卷第26卷| e52880 |第6页</a><img src="/media/202408//1724856371.2563431.png" />（页码不供引用）<a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>就图像本身而言，9项研究使用了彩色图像[45-53]，1项研究使用了热图像[44]。此外，有6项研究使用移动设备（智能手机或平板电脑）来捕捉图像[44-48,50]，而其他研究没有报告使用该设备[49,51-53]。在报告负责拍摄图像的人的研究中，社区卫生工作者通常负责[44,45,47]；1项研究使用了外科医生[46]拍摄的图像；另一项研究使用了由患者和外科医生[50]收集的图像。手术伤口感染的评估建立了模型的地面真相，主要通过面对面体检[44,45,47,49]，通过人工标注伤口图像[46,48,51]，或未报道[50,52,53]。ML方法所有纳入的记录都是模型开发研究（即没有外部验证）。总共4篇论文使用卷积神经网络（神经网络）[44,45,49,50]，3使用支持向量机（支持向量机）开发使用手工特性[48,51,52]，1训练SVM分类器使用CNN衍生的特性[53]，1使用CNN，SVM，随机森林模型，梯度增强分类器[46]，和1论文的方法并不完全清楚，但可能涉及逻辑回归和支持向量机[47]。更多的技术细节请见多媒体附录6。用于开发感染检测模型的图像数量仅从42 [51]到3400 [53]不等。同样，感染伤口的图像比例从4.6%（155/3400）[53]到71.4%（30/42）[51]不等。在某些病例中，每个患者[44,45,47]有1个图像，而在其他病例中，每个患者[46,49]有多个图像或未报道患者数量的图像[48,50-53]。在5篇论文中，分类任务是二进制的[44-47,53]，而在其他大多数的论文中，分类任务是多类的。在1篇论文中，多类分类需要区分轻度、重度和无感染[49]，而在其他3篇论文中，该模型区分了各种感染相关的伤口属性，如肉芽和肿胀[48,51,52]。相比之下，有一篇论文提出了一个多标记任务，该模型根据每个图像[50]识别了伤口、感染、肉芽和引流的存在。所有的研究都报告了模型的性能。总共有7项研究报告了受试者工作特征曲线值下的面积，其中表现最佳的模型的面积范围为0.655 [45]到1.0 [47]。其余的研究报告了总体准确性，从表现最好的模型的0.670 [49]到0.952 [51]，以及其他性能指标(如F1-分数）。使用报告指南有一些三脚架项目被高度使用（即，在10个研究中至少有7个使用）。例如，所有的论文都报告了他们的目标，大多数报告的背景信息，对研究结果的总体解释，以及描述是否采取行动来标准化图像捕获或以其他方式系统地从图像中识别伤口。此外，6个三脚架项目有适度的就业（由4-6项研究使用）；即数据来源和研究设置的报告、模型构建程序的描述、参与者或图像的数量（以及显示感染的数量）、研究的局限性，以及模型的潜在临床应用和未来的研究方向。就业8三脚架项目很低（受雇于1和3项研究），包括项目相关的报告参与者选择方法，描述如何和何时拍摄图像，样本大小的理由，参与者的流，解释如何使用模型，和资金细节。大多数研究在结果评估方面并没有完全使用这些指南，因为通常没有指示用于诊断手术伤口感染的标准，或手术和评估之间的时间间隔不清楚。另外7个三脚架项目没有在任何纳入的研究中被报道。标题和摘要没有采用报告指南，参与者的人口统计数据也没有被报告。同样，也没有对模型校准进行讨论，而且在不完全使用DL方法进行感染检测的研究中[46-48,51-53]，特征建模细节的报告不符合三脚架指南。关于RoBRoB评估导致9项研究被确定为总体高RoB，而其余研究被确定为总体不清楚高RoB（表3）。由于关于数据来源和招募方法的报道不多，因此关于RoB的信息很少[46,48-53]。关于卢旺达剖腹产患者的3篇论文在这一领域的RoB较低，因为这些工作的性质是横断面的，队列是明确的[44,45,47]。在预测因子方面，我们确定了5篇论文处于高RoB状态，因为图像捕获条件存在可变性，但后来没有考虑这种可变性[45-47,50,53]。相比之下，其他论文在该领域的RoB较低，因为他们在感染检测[48,49,51]之前分割了伤口，或者在图像捕获[44]之前在伤口周围放置了一个帧，提高了模型训练处理图像的均匀性。同样地，大多数研究被评为在结果领域有不明确的RoB，主要是因为用于评估手术伤口感染的存在的具体标准没有被报道。在其他病例中，结果域被确定为击败高RoB，因为感染的存在仅通过图像来确定，而不是通过面对面的检查。在8项研究中，分析领域被评估为处于高RoB水平，原因有很多[45,47-53]，包括在模型开发中遗漏了参与者，缺乏区分和校准措施，以及未能适当地解释过拟合。<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880 J医学互联网Res 2024 |卷第26卷| e52880 |第7页</a><img src="/media/202408//1724856371.430772.png" />（页码不供引用）<a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a><a id="bookmark61"></a>表3.鉴定a罗伯b对这10份报告的评估也包括在内。<table><tr><td>研究</td><td>罗伯参与者</td><td>预测因素</td><td>结果</td><td>分析</td><td>全面的</td></tr><tr><td>弗莱彻等人[44]</td><td>+c</td><td>+</td><td>?d</td><td>?</td><td>?</td></tr><tr><td>弗莱彻等人[45]</td><td>+</td><td>e−</td><td>?</td><td>−</td><td>−</td></tr><tr><td>Wu等人[46]</td><td>?</td><td>−</td><td>−</td><td>?</td><td>−</td></tr><tr><td>弗莱彻等人[47]</td><td>+</td><td>−</td><td>?</td><td>−</td><td>−</td></tr><tr><td>Hsu等[48]</td><td>?</td><td>+</td><td>−</td><td>−</td><td>−</td></tr><tr><td>卢内堡等[49]</td><td>?</td><td>+</td><td>?</td><td>−</td><td>−</td></tr><tr><td>Shenoy等[50]</td><td>?</td><td>−</td><td>?</td><td>−</td><td>−</td></tr><tr><td>Hsu等[51]</td><td>?</td><td>+</td><td>−</td><td>−</td><td>−</td></tr><tr><td>Zenget al [52]</td><td>?</td><td>?</td><td>?</td><td>−</td><td>−</td></tr><tr><td>Wang等人[53]</td><td>?</td><td>−</td><td>?</td><td>−</td><td>−</td></tr></table>a预测对象：偏差模型预测风险评估工具。bRoB：偏倚风险。c+表示低RoB。d?表示RoB不清楚。e−表示RoB高。讨论<img src="/media/202408//1724856371.458315.png" />主要发现本范围综述旨在描述现有的研究ML方法的图像识别手术伤口感染。这种研究很重要，因为它可以与远程患者监测相结合，从而改善卫生保健决策和管理，并增加其他好处，如减少旅行负担。初步研究表明，基于图像的远程伤口监测是可行的，并与更高的患者满意度[54-56]相关，并且至少在感染诊断[57]的时间方面可与常规的现场护理相媲美。基于图像的远程患者监测针对的伤口评估的其他方面包括识别裂开、表面积和温度测量[58,59]，尽管还没有许多自动化或基于ml的。尽管在其他专业[60,61]中使用了大量基于ML的工作，但从数字图像识别手术伤口感染的ML研究很少。我们只确定了10篇这样的论文，其中7篇是会议论文，这限制了报告的空间，很可能导致了三脚架项目的低报告。相比之下，最近一项关于ML用于SSI检测的综述确定了32篇使用结构化电子健康记录、自由文本或管理数据来预测[31]的论文，这表明基于ML的SSI检测研究大多使用这些更容易获得的数据源。虽然基于这类住院数据的模型在住院患者SSI检测中表现良好，但它们在临床护理中的实际应用可能受到限制，因为目视检查是识别感染的基本模式。在结合创新的成像技术方面，热成像技术最近已经实现了<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880</a><a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>成为一种潜在的有价值的工具，在管理手术伤口[62-64]。热成像可与移动设备[44,65]一起使用，便于其应用于放电后监测，并可更好地推广到不同的皮肤颜色。另一方面，电子健康记录或基于文本的模型在出院后监测中的效用可能不太清楚。目前出院后手术伤口监测很大程度上依赖于随访时的评估，这可能是罕见的和不及时的[66]，或患者自我评估，这不是可靠的[67,68]。ML用于基于图像的手术伤口感染的识别，提供了自动化这种做法的机会。报告数据收集的详细信息ML依赖于有效的数据收集，这在门诊或远程监测设置中可能具有挑战性；因此，这种类型的研究仍处于早期开发阶段。虽然虚拟护理作为一种医疗保健模式相对较新，但在数据收集技术[64,69]、没有ML [70-72]的类似远程医疗研究以及对其他伤口类型[73,74]的监测方面已经取得了进展。由于全球近四分之三的人拥有手机[75]，利用这项技术进行远程监控具有潜力。不过，值得注意的是，在某些地理区域和低收入群体中，手机拥有率和移动网络覆盖率较低。在这种情况下，其他方法，如在医院对社区卫生工作者[44]拍照进行随访，可能更合适。根据纳入研究中使用的数据，主要是在非西方环境中收集的，且没有公开的手术伤口感染图像数据集，这对该领域的可重复性和进一步发展提出了挑战。同样，缺乏关于图像元数据（如性别和年龄分布、接受的手术和手术并发症的发生）和合格标准的报告J医学互联网Res 2024 |卷26 | e52880 | p。8（页码不供引用）限制了对本研究可以推广到的人群的理解，并有助于RoB。报告这些细节需要改进该领域不同亚种群的不同原型的进展。. 模型开发中的透明度和标准化在纳入的研究中建立的模型的本质是诊断性的，而不是预后性的。同样，纳入的论文也没有进行样本外外部验证，突出了这一工作领域的新性和进一步成熟的机会。有趣的是，2017年至2019年期间发表的4篇论文并没有使用DL方法，这可能是因为开发此类模型所需的专业知识尚未被广泛获得。模型性能在报告中也没有很好地标准化，因为没有关于校准的论文报告，而且一些论文没有包括歧视措施，这导致了分析方法中的RoB。许多论文没有报告解决过拟合问题的措施，这就对所开发的模型的通用性提出了质疑。尽管有部分报道，但纳入的论文中模型的性能表明，基于图像的ML识别手术伤口感染有希望。为了更好地理解它们的通用性和可靠性，未来的研究应该从外部验证和校准已开发的模型，并报告曲线下的区域（而不是仅仅报告其他措施，如准确性），并提供透明的文档（如开放源代码），以促进再现性和协作。考虑到可解释性和可解释性支持临床医生信任[76]，研究人员可能同样希望在未来的工作中探索这些概念。报告指南和RoB的使用图像采集标准化三脚架指南的使用大多较低，RoB通常不清楚或较高。这部分是由于上面讨论的参与和分析相关的考虑；然而，也有人担心图像本身。在大多数研究中，图像的拍摄方式、环境条件、负责拍摄图像的人以及与手术相关的图像拍摄时间都没有被详细报道。尽管如此，图像捕获的条件往往存在差异，这可能归因于在这种特殊模式中与收集和标准化相关的独特挑战。与其他方式不同，手术伤口感染图像大部分是手工拍摄的，没有明确的训练或指导，这使得图像之间存在相当大的差异，并引入了模型预测器的RoBin术语。标准化图像捕获的努力通过减少感染和非感染伤口图像之间的系统差异，有助于减少RoB。最近的方法，如患者生成的手术伤口图像的说明[77]或自动颜色校准、缩放和旋转校正[78]，表明这些考虑正在受到关注。一些研究创建了分割算法，以更可靠地从非均匀图像中捕获伤口，这可能阻碍了感染检测模型的发展。分割和分类代表了不同的领域尽管许多研究开发了他们自己的分割模型，而不是使用或建立在现有的分割算法之上。在未来的工作中，应该提供详细的时间（相对于手术）、方法和条件的具体方向，以减少不必要的变化，并可以采取图像处理步骤，以进一步标准化。结果评估的透明度结果评估在大多数论文中也没有得到很好的报道。虽然SSI检测[79]没有普遍接受的客观金标准，但临床检查（包括直接观察伤口）经常作为[68,70,72,80,81]的参考标准。虽然一些研究确实进行了现场临床检查，但没有项研究报告用于衡量感染存在的具体标准。考虑到根据[82]使用的标准，报告的ssi的比率存在差异，指定这些标准对于更准确地评估结果评估中产生的RoB很重要。然而，值得注意的是，术后伤口评估存在一些挑战。手术伤口感染的进展不同，一些仅在术后30天监测基准[83,84]后明显。然而，延长的现场随访时间框架可能需要额外的管理资源。在实践中，SSI评估的标准通常同时考虑[79]的可行性和有效性。这可能需要在资源、时间限制和评估质量之间取得平衡，这可能会对手术伤口感染的综合评估构成挑战。在较小的规模内，使用既定标准进行现场SSI评估的评估者间信度可以是适度的[85,86]，而在农村地区，获得高质量的现场伤口护理的机会可能有限。在可行的情况下，确定地面真相应使用已确定的感染标准，并雇用多个独立的评估人员，以尽量减少RoB。限制这篇综述有一些局限性。例如，额外的搜索（例如，正向引文搜索）可能会导致更多的相关的报告被识别，也可能有搜索灰色文献来源，这将减少选择偏差。我们可能漏掉了其他相关的非英语论文，可能排除了有价值的研究。纳入的研究来自不同的地方（如卢旺达、德国和台湾），尽管这并不能完全弥补潜在的语言偏见。同样，数据提取、三脚架和先证者评估主要由1名审稿人完成，这在我们的研究结果中引入了一个潜在的偏差来源。对三脚架和先证者工具的修改可能会限制将我们的评估结果与其他评估结果进行比较的能力。这两种工具的面向人工智能的扩展正在开发中，并将有助于用于评估基于ml的研究。结论使用ML进行基于图像的手术伤口感染识别仍处于早期阶段，只有10项研究可用，需要报告标准化。未来<a href="https://www.jmir.org/2024/1/e52880">https://www.jmir.org/2024/1/e52880 J医学互联网Res 2024 |卷第26卷| e52880 |第9页</a><img src="/media/202408//1724856371.538811.png" />（页码不供引用）<a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>这种模型的开发和验证应仔细考虑图像变异变性、过拟合问题和确定感染的标准。这些考虑因素都很重要推进基于图像的伤口管理状态，这有潜力自动化传统劳动密集型的实践。<table><tr><td>确认信息这项研究是由汉密尔顿健康科学研究所颁发的一个奖项资助的。该基金不参与数据的收集、分析和解释；在本文的撰写过程中；并决定提交这篇论文发表。</td></tr><tr><td>利益冲突JP宣布了来自罗氏加拿大公司的研究资金支持。PJD获得了雅培诊断公司、加拿大西门子诊断公司和罗氏诊断公司的资助；获得雅培公司、利伯治疗公司、罗氏诊断公司和加拿大医疗公司的咨询费；收到CloudDX和飞利浦医疗公司的监测设备；参加拜耳公司的咨询委员会会议；他是新罕布什尔州胡椒（髋关节和膝关节置换后肺栓塞预防比较有效性）研究数据安全监测委员会的成员。其他作者没有任何利益冲突需要披露。</td></tr><tr><td><a id="bookmark37"></a><a id="bookmark39"></a>多媒体附录1搜索策略。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app1.docx&amp;filename=5ae3a05abded4a36199d17a42283e822.docx">[DOCX文件，22KB-多媒体附录 1]</a></td></tr><tr><td><a id="bookmark40"></a>多媒体附录2抽象筛选工具。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app2.docx&amp;filename=73baf4d7c127cef468783b921dc5f76f.docx">[DOCX文件， 14KB-多媒体附录2]</a></td></tr><tr><td><a id="bookmark45"></a>多媒体附录3数据提取工具。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app3.docx&amp;filename=05edbebea75801fc636da3e370137b82.docx">[DOCX文件， 14KB-多媒体附录3]</a></td></tr><tr><td><a id="bookmark48"></a>多媒体附录4三脚架和先证者改变或排除的项目。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app4.docx&amp;filename=ea141128a13531877279f81cd5e79fd7.docx">[DOCX文件， 17KB-多媒体附录4]</a></td></tr><tr><td><a id="bookmark60"></a>多媒体附录5完整的数据提取、三脚架使用评估和先证者评估的结果。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app5.docx&amp;filename=c45e1007ba3ceecbaba1e211a8a0e495.docx">[DOCX文件，70kB-多媒体附录 5]</a></td></tr><tr><td>多媒体附录6其他技术细节。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app6.docx&amp;filename=8296a9c6cde647ac799b0bd66988b60e.docx">[DOCX文件，28KB-多媒体附录 6]</a></td></tr><tr><td><a id="bookmark1"></a>多媒体附录7PRISMA-ScR检查表。<a href="https://jmir.org/api/download?alt_name=jmir_v26i1e52880_app7.pdf&amp;filename=8a267022c7686aa12ae34e8ac74cd85f.pdf">[PDF文件（Adobe PDF文件）， 101KB-多媒体附录7]</a></td></tr></table><a id="bookmark2"></a><a id="bookmark3"></a>6 | e52880 | p.15<img src="/media/202408//1724856371.649215.png" />（页码不供引用）<a href="http://www.w3.org/Style/XSL">XSL• FO</a><a href="http://www.renderx.com/">伦德克斯</a>