[论文解读] Image Based Artificial Intelligence in Wound Assessment: A Systematic Review

DM Anisuzzaman, Chuanbo Wang+4 more|arXiv (Cornell University)|Sep 15, 2020

Wound Healing and Treatments参考文献 109被引用 114

一句话总结

本篇系统性综述评估了基于图像的人工智能（AI）在伤口评估中的应用，重点关注深度学习技术在伤口分割、分类和测量方面的应用。该综述整合了115项关于AI驱动的伤口系统的研究，凸显了移动应用和多模态成像方面的进展，并指出了在标准化、数据质量以及临床整合方面面临的关键挑战，以改善伤口护理结果。

ABSTRACT

Efficient and effective assessment of acute and chronic wounds can help wound care teams in clinical practice to greatly improve wound diagnosis, optimize treatment plans, ease the workload and achieve health related quality of life to the patient population. While artificial intelligence (AI) has found wide applications in health-related sciences and technology, AI-based systems remain to be developed clinically and computationally for high-quality wound care. To this end, we have carried out a systematic review of intelligent image-based data analysis and system developments for wound assessment. Specifically, we provide an extensive review of research methods on wound measurement (segmentation) and wound diagnosis (classification). We also reviewed recent work on wound assessment systems (including hardware, software, and mobile apps). More than 250 articles were retrieved from various publication databases and online resources, and 115 of them were carefully selected to cover the breadth and depth of most recent and relevant work to convey the current review to its fulfillment.

研究动机与目标

• 系统回顾基于计算和人工智能的图像分析方法在伤口评估中的应用。
• 评估AI驱动的伤口测量（分割）和诊断（分类）的最新技术水平。
• 分析现有伤口评估系统的设计、功能和临床适用性，包括移动应用和硬件设备。
• 识别在数据标准化、多模态整合以及AI伤口系统在真实临床环境中的部署方面存在的空白。

提出的方法

• 在1994年至2020年期间，对Scopus、Web of Science、PubMed、IEEE Xplore、ScienceDirect和ERIC等数据库进行了系统性文献检索。
• 筛选了超过250篇文献，并根据与基于图像的AI在伤口评估中的相关性，最终选定115篇进行深入分析。
• 根据方法学对研究进行分类：基于规则的方法、传统机器学习（如支持向量机SVM、随机森林）以及深度学习（如卷积神经网络CNNs、U-Net变体）。
• 回顾了基于2D RGB图像、3D表面模型和热成像的伤口测量技术。
• 评估了用于伤口图像采集、分割、尺寸估算和组织颜色分类的移动应用程序。
• 评估了整合2D/3D图像、热成像、高光谱成像及生理传感器的多模态系统，以实现全面的伤口分析。

实验结果

研究问题

• RQ1 在使用医学图像进行AI驱动的伤口分割和分类方面，当前的趋势和局限性是什么？
• RQ2 现有的移动应用和基于软件的伤口评估系统在临床和真实世界环境中的表现如何？
• RQ3 多模态数据（如RGB、3D、热成像、电子健康记录EHR）在改善伤口诊断和预后方面发挥什么作用？
• RQ4 在部署AI赋能的伤口护理系统方面，面临哪些关键技术与临床挑战？
• RQ5 如何通过公开、高质量标注的多模态伤口数据集支持未来在伤口护理领域的人工智能发展？

主要发现

• 深度学习模型，特别是U-Net及其变体，在伤口分割准确性方面优于传统机器学习和基于规则的方法。
• 移动应用如MOWA和FootSnap提高了伤口图像采集的标准化程度，并实现了尺寸和组织颜色等基础测量。
• 整合RGB、3D、热成像和生理数据的多模态系统在实现全面伤口评估方面展现出潜力，但在临床上仍处于开发初期。
• 尽管已有进展，但在光照变化、背景噪声和图像质量方面仍存在显著挑战，影响AI性能。
• 目前尚无系统能完全整合所有模态（图像、3D、文本、EHR），且公开的、大规模的、高质量标注的数据集仍然缺乏。
• 本综述指出，迫切需要标准化的、公开可获取的数据集以及临床验证，以推动人工智能在伤口护理领域的进一步发展。