Обоснование. Инфекции области хирургического вмешательства - это распространённые послеоперационные осложнения, которые нередко развиваются после выписки пациента из стационара. Своевременная диагностика и выбор оптимальной тактики лечения - залог клинического успеха и экономической эффективности лечения инфекций области хирургического вмешательства. Методы компьютерного зрения и искусственного интеллекта продемонстрировали свою эффективность в отношении анализа хронических ран, однако их применимость для оценки послеоперационных ран остаётся малоизученной. Цель исследования. Сравнительный анализ различных моделей машинного обучения при решении задачи классификации изображений хирургических ран на наличие или отсутствие инфекции области хирургического вмешательства у пациентов травматолого-ортопедического профиля. Методы. В исследование включали пациентов в возрасте ≥18 лет, госпитализированных в два клинических центра для выполнения эндопротезирования суставов, металлоостеосинтеза, декомпрессивно-стабилизирующих операций на позвоночнике и других вмешательств либо для лечения инфекции области хирургического вмешательства после указанных операций. Для распознавания инфекции использованы модели, созданные с применением методов машинного обучения: метод опорных векторов (SVM), логистическая регрессия (LR), «случайный лес» (RF), свёрточная нейронная сеть на основе архитектуры VGG-16 (VGG-16 + CNN), а также модель с механизмом внимания (YOLO 11s-cls). Результаты. Основную группу составили 183 пациента с инфекцией области хирургического вмешательства, контрольную - 115 пациентов без неё. В исследование включено 512 изображений хирургических ран (292 с инфекцией области хирургического вмешательства и 220 без неё), полученных от 298 пациентов. После аугментации обучающая выборка составила около 2500 изображений. Лучшие метрики на тестовой выборке имела модель YOLO 11s-cls: чувствительность, точность и F1-score составили 91,2, 91 и 89% соответственно, однако по показателям чувствительности, специфичности и точности различия между данной моделью и нейросетью VGG-16 + CNN были статистически незначимы. Для остальных моделей чувствительность варьировала от 69,6 (RF) до 87% (VGG-16 + CNN), точность - от 68 (RF) до 85% (VGG-16 + CNN), F1-score - от 66 (RF) до 83% (VGG-16 + CNN). Заключение. Подтверждена перспективность использования методов машинного обучения для дистанционного мониторинга состояния хирургических ран у пациентов травматолого-ортопедического профиля. Разработанные модели могут быть использованы для создания мультимодальной системы оценки и мониторинга раневой инфекции после хирургических вмешательств.
DOI: 10.17816/DD693591
Скачать статью (PDF) или читать онлайн на сайте издательства: https://journals.eco-vector.com/DD/article/view/693591
Скачать журнал целиком (PDF) на сайте издательства: https://journals.eco-vector.com/DD/issue/viewIssue/14657/9720
Скачать статью (PDF) с eLibrary (требуется регистрация): https://elibrary.ru/item.asp?id=89350203
Назаренко А. Г., Клеймёнова Е. Б., Молодченков А. И., Горбатюк Д. С., Еникеев А. Д., Кисляков В. А., Яшина Л. П. Сравнение методов машинного обучения для распознавания инфекции области хирургического вмешательства у пациентов травматолого-ортопедического профиля: одномоментное исследование // Digital Diagnostics. — 2026. — Т. 7. — №1. — C. 39–54. doi: 10.17816/DD693591