Machine learning methods for recognizing surgical site infection in trauma and orthopedic patients: a cross-sectional study

Full Text

ОБОСНОВАНИЕ

Инфекции области хирургического вмешательства (ИОХВ) являются одними из самых распространённых послеоперационных осложнений: 30-дневная частота развития в общей хирургии составляет 11% согласно метаанализу 57 исследований, включивших почти 500 тыс. пациентов [1]. По данным метаанализа H. Liu и соавт. [2], включившего 41 исследование и 1 572 160 пациентов, в травматологии и ортопедии в целом усреднённая частота ИОХВ ниже — 2,8%, однако для случаев переломов костей — достигает 10–17% [3, 4]. Проблема усугубляется ещё и тем, что значительная доля ИОХВ в травматологии и ортопедии связана с установкой имплантов, повышающих риск осложнения на 89% [2]; при этом высока доля глубоких/органных/полостных инфекций, например при тотальном эндопротезировании коленного сустава она составляет 80%, тазобедренного — 82% [5]. Развитие ИОХВ сопровождается увеличением продолжительности госпитализации и пребывания пациентов в отделениях реанимации и интенсивной терапии, необходимостью повторных хирургических вмешательств и госпитализаций, расширением объёма диагностических процедур, ростом затрат на антибиотикотерапию, удлинением сроков нетрудоспособности, а также повышением риска летального исхода [6, 7].

В настоящее время хирурги диагностируют ИОХВ в первую очередь при физикальном обследовании (ограниченная припухлость, локальная болезненность, местное повышение температуры тканей, гиперемия кожи). Внешний вид раны — это ценный источник информации для постановки данного диагноза, однако её правильная интерпретация требует значительного врачебного опыта [8]. Кроме того, увеличение доли амбулаторных операций [9] и тенденция к раннему переводу пациента на амбулаторное лечение [10] приводит к тому, что 60% ИОХВ выявляют на амбулаторном этапе [11]. В свою очередь, для травматолого-ортопедических пациентов доля ИОХВ, диагностированных после выписки из стационара, составляет 66–76% [12, 13]. В случае несвоевременного обращения пациента за медицинской помощью повышается риск осложнений и неблагоприятных исходов лечения [14].

Появление технологий компьютерного зрения для анализа медицинских изображений и мобильные медицинские технологии являются перспективным научным направлением для мониторинга состояния как хронических поражений кожи, так и хирургических ран. Автоматизированный анализ изображений с помощью методов искусственного интеллекта (ИИ) продемонстрировал свою эффективность [8]. Согласно систематическим обзорам последних лет, технологии ИИ применяют для сегментации (выделения зоны интереса) и определения размеров раны, классификации тканей раневой поверхности, определения стадии/типа раневой инфекции, оценки и прогноза процесса заживления [15, 16]. Так, для классификации тканей описано применение свёрточных нейросетей (Convolutional Neural Network, CNN) различной архитектуры и метода опорных векторов (Support Vector Machine, SVM), порогового метода на основе нечёткой дивергенции в сочетании со статистическими методами, такими как κ-статистика [17]. Для сегментации изображений изучено использование архитектуры U-net CNN, моделей глубокого обучения (например, Mask R-CNN) в сочетании с технологиями компьютерного зрения [15]. Для решения задачи классификации ран применяют архитектуру CNN ResNet (Res4Net, Res7Net), SVM, статистический метод анализа текстуры изображений GLCM (Gray-Level Co-occurrence Matrix) в сочетании с CNN, нейросети с полностью свёрточной архитектурой (Fully Convolutional Network, FCN), а также гибридные модели [15]. Модели трансферного обучения привлекают всё большее внимание исследователей для решения задач сегментации и классификации хронических ран, демонстрируя более высокую производительность, экономию времени и вычислительных ресурсов [18, 19]. Кроме того, для обнаружения, классификации и оценки размеров хронических ран в некоторых исследованиях описано применение моделей на основе архитектуры компьютерного зрения YOLO (You Only Look Once) различных версий, самостоятельно [20] или в сочетании с CNN [21].

Хирургические раны с точки зрения внешнего вида отличаются от трофических язв, ожогов или пролежней наличием шва, а у пациентов травматолого-ортопедического профиля — частой локализацией на конечностях и суставах, имеющих неровную, округлую поверхность и неоднородное окрашивание окружающих тканей, а также использованием аппаратов наружной фиксации. Кроме того, начальные стадии развития ИОХВ характеризуются отсутствием расхождения краёв раны. Всё это усложняет задачу автоматической классификации и распознавания инфекции по изображениям хирургических ран [22].

Использование технологий ИИ для диагностики ИОХВ, в отличие от хронических ран, малоизучено. В базе данных MEDLINE за последние 5 лет по запросу Surgical Site Infection + Machine Learning мы обнаружили 98 релевантных статей, из которых только шесть представляли оригинальные исследования по диагностике ИОХВ на основании изображений ран. Из них в двух работах использовали тепловизоры [23, 24], а в четырёх описано распознавание инфекции хирургических ран брюшной стенки по фотографиям, полученным с помощью смартфона [25–28]. Остальные исследования в основном посвящены применению методов машинного обучения для прогнозирования или определения факторов риска развития ИОХВ (65% публикаций) либо автоматического выявления случаев ИОХВ в медицинских и административных базах данных по текстовым и структурированным данным (17% публикаций).

Развитие телемедицины и распространение смартфонов с камерами, позволяющими получить изображения хорошего качества, способствовало появлению специализированных приложений, c помощью которых изображения раны отправляют в центр обработки данных, чтобы врач мог проконсультировать пациента [29]. Согласно обзору 10 мобильных приложений, предназначенных для отслеживания состояния хирургической раны на амбулаторном этапе, восемь приложений позволяют загрузить изображения раны, но измерение размеров раневого дефекта доступно только в трёх, отслеживание динамики состояния раны доступно в семи, функцию поддержки принятия решений имеют четыре приложения. При этом в рутинной клинической практике применяют всего 2 из 10 приложений [30].

Без поддержки ИИ чувствительность распознавания врачом ИОХВ по фотографии, согласно метаанализу 5 исследований, составляет 63,9% [95% доверительный интервал (ДИ) 30,4–87,8], тогда как специфичность — 92,6% (95% 89,9–94,5) [31]. Использование технологий ИИ может не только повысить точность распознавания раневой инфекции (по данным прямого сравнения — с 67,7% у неопытных и с 74,4% у опытных врачей до 92,7% у нейросети [8]), но и значительно снизить нагрузку на клиницистов (на 80% по результатам моделирования трудо-затрат [27]).

В отечественной литературе описаны только экспериментальные работы по измерению площади раневой поверхности с помощью иностранных программных продуктов [32–34], а также диагностика раневых инфекций с использованием тепловизоров в условиях стационара [35]. Например, мобильные приложения V2F, +WoundDesk® (digitalMedLab Ltd., Швейцария) и ImitoWound® (imito AG, Швейцария) обладают функцией измерения площади раневой поверхности по фотографии, однако, по мнению некоторых отечественных исследователей, большинство ран в клинической практике имеют сложную, изменяемую в процессе лечения конфигурацию, что ставит под сомнение целесообразность их использования как основного метода планиметрических исследований в медицине [33]. Кроме того, тестирование этих приложений на хирургических ранах у пациентов травматолого-ортопедического профиля не проводили.

Таким образом, разработка отечественного программного обеспечения на основе ИИ для поддержки постановки диагноза ИОХВ и количественной оценки динамики заживления хирургических ран у пациентов травматолого-ортопедического профиля является актуальной и остаётся нерешённой задачей.

ЦЕЛЬ

Сравнительный анализ различных моделей машинного обучения при решении задачи классификации изображений хирургических ран на наличие или отсутствие ИОХВ у пациентов травматолого-ортопедического профиля.

МЕТОДЫ

Дизайн исследования

Проведено одномоментное многоцентровое исследование.

Условия проведения исследования

В исследование включали пациентов, поступивших в Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр травматологии и ортопедии имени Н.Н. Приорова» Минздрава России и отделение гнойной хирургии Городской клинической больницы имени А.К. Ерамишанцева Департамента здравоохранения города Москвы с апреля по август 2025 г. включительно.

Критерии соответствия (отбора)

Критерии включения. В исследование включали пациентов в возрасте ≥18 лет с клиническими признаками и/или установленным диагнозом ИОХВ (основная группа) и прооперированных пациентов без ИОХВ (контрольная группа). В качестве «золотого стандарта» использовали постановку диагноза ИОХВ в соответствии с критериями Национальной ассоциации специалистов по контролю инфекций, связанных с оказанием медицинской помощи (НАСКИ) [36].

Критерии невключения: отсутствие согласия пациента на использование данных.

Критерии исключения: отсутствие хирургической раны.

Получение изображений

Область ИОХВ фотографировали в следующих временных точках:

• при поступлении пациента в стационар или на следующие сутки, но до проведения оперативного вмешательства по поводу ИОХВ;
• неоднократно с интервалом не более трёх дней в послеоперационном периоде;
• при выписке из стационара или в день, предшествовавший выписке.

Изображение хирургической раны у пациентов без ИОХВ получали при первой перевязке после операции и перед выпиской из стационара.

Для целей данного исследования (бинарной классификации) каждое изображение, полученное от одного пациента, оценивали независимо, поскольку оно отражало другой этап раневого процесса и имело отличающуюся от предыдущего снимка текстуру, размер, цвет и морфологию, а также потенциально другой класс (например, наличие инфекции на первом снимке и её отсутствие на последнем). Для 54% пациентов получено одно изображение раны, для 23% — два изображения (из них более чем в половине случаев на одном изображении была ИОХВ, на втором — нет), для 9% — три изображения, для 7% — четыре и для 7% — пять и более изображений одной раны.

Изображения ран получали с помощью смартфона при естественном и/или искусственном освещении палаты коечного отделения или перевязочного кабинета. Параметры фотосъёмки:

• разрешение основной камеры 8 мегапикселей;
• разрешение снимков 3264×2448 пикселей (точек);
• светосила f/2.0;
• выдержка 1/17 с.

Для формирования обучающей выборки изображений, максимально сопоставимой с фотографиями, которые в дальнейшем будут получать конечные пользователи с разным уровнем опыта для анализа моделью ИИ, специальные приёмы стандартизации не применяли. Смартфон располагали на расстоянии 20–30 см от раны под прямым или максимально близким к прямому углом, позволяющим получить достаточный обзор. Для определения и коррекции баланса цвета использовали одноразовые метки, распечатываемые на белой бумаге с известными цветовыми характеристиками и размещаемые в кадре вблизи раны (хирургического разреза) с учётом требований асептики и антисептики (рис. 1).

 

Рис. 1. Изображения хирургических ран у травматолого-ортопедических пациентов: a, b — раны с наличием инфекции области хирургического вмешательства; c, d — хирургические раны без признаков инфекции. Стрелками отмечены метки для коррекции баланса цвета.

 

Врачи-травматологи-ортопеды участвующих в исследовании отделений фотографировали раны. Все изображения перед включением в общую выборку обезличены.

Разметка изображений

Для разметки изображений использовали CVAT (Computer Vision Annotation Tool)¹ — бесплатный инструмент с открытым кодом, который поддерживает основные задачи машинного обучения с учителем:

• обнаружение объектов;
• классификацию;
• сегментацию изображений.

Разметку изображений проводили два врача-травматолога-ортопеда (далее — эксперты), имеющие не менее чем 3-летний опыт работы со случаями раневой инфекции, которые информированы о целях исследования и о наличии/отсутствии диагноза ИОХВ у пациента. Массив изображений разделён примерно поровну между экспертами. После выполнения самостоятельной разметки каждый из экспертов проводил перекрёстную проверку разметки, выполненной вторым экспертом. В случае расхождения мнений принимали согласованное решение. Для разметки экспертами установили следующие зоны:

• зона шва;
• зона гиперемии вокруг раны;
• зона некроза;
• зона грануляций;
• зона фибрина;
• зона металлоконструкций (погружных либо элементов аппаратов наружной фиксации);
• зона подкожной жировой клетчатки без грануляций (и иных видимых признаков заживления);
• зона дна раны без грануляций (и иных видимых признаков заживления);
• метка для расчёта размеров раны.

Для повышения точности распознавания в отдельных случаях использовали дополнительные зоны разметки, предназначенные для выделения и отграничения на изображении элементов и анатомических структур, не относящихся к перечисленным выше, но сходных с ними по цветовой гамме:

• зона вторичной пигментации кожи вокруг раны;
• зона сухожилия (соответствует участку сухожилия, наблюдаемому в дне или стенке раны);
• зона гнойного отделяемого (при его истечении; на фотографиях, полученных при поступлении до проведения санации раны);
• зону «глубин раны» использовали для глубоко лежащих и слабо освещённых отделов ран, на которых нельзя было сфокусировать фотокамеру без потери качества остальных участков изображения.

Пример разметки хирургической раны с аппаратом наружной фиксации представлен на рис. 2.

 

Рис. 2. Пример разметки изображения хирургической раны с аппаратом наружной фиксации у пациента после ортопедической операции с использованием приложения CVAT (Computer Vision Annotation Tool): включает участки самой раны и окружающие их области, важные для исследования. Границы зон обозначены цветом, их названия указаны справа.

 

Формирования выборки

Все изображения хирургических ран, включая изображения с ИОХВ и без неё, разбивали на тестовую и обучающую выборки с помощью функция train_test_split в библиотеке scikit-learn. Её алгоритм основан на случайном перемешивании исходных данных с последующим пропорциональным разделением на обучающую и тестовую выборки в соотношении 80:20 так, чтобы баланс классов был одинаковый в обеих выборках.

Для увеличения количества изображений в обучающей выборке к изображениям применили следующие методы аугментации:

• отражение по горизонтали (RandomHorizontalFlip) с вероятностью 0,5;
• поворот на 10° (RandomRotation);
• изменение некоторых параметров изображения (ColorJitter).

В частности, установлены следующие параметры:

• Brightness=0,2 (яркость изображения);
• Contrast=0,2 (контрастность изображения);
• Saturation=0,2 (насыщенность изображения);
• Hue=0,05 (оттенок изображения).

Использованные методы машинного обучения

Для извлечения гиперпараметров и векторизации изображений использовали сеть VGG-16 [37, 38], модель CNN, достигающая точности в 92,7% при решении задачи распознавания объектов на изображении на датасете ImageNet², включающем свыше 14 млн размеченных высококачественных изображений, разделённых на 21 841 категорию.

Изучали следующие методы машинного обучения:

• CNN: обучена собственная нейронная сеть с использованием механизма трансферного обучения (Transfer Learning) [39];
• линейные и нелинейные алгоритмы классификации: SVM [40], логистическая регрессия (Logistic Regression, LR) [41] и «случайный лес» (Random Forest, RF) [42];
• нейронная сеть с механизмом внимания YOLO 11s-cls³.

Механизм Transfer Learning заключается в том, что в качестве базовой модели использована нейросеть VGG-16, далее к ней добавлены полносвязный и выходной слои для бинарной классификации изображений. Собственная CNN имела следующую архитектуру: за несколькими блоками свёрточных слоёв следовали слои выравнивания и полносвязные слои для классификации. Входной слой определяет входной тензор для сети, принимает изображения размером 224×224 пикселей с 3 цветовыми каналами RGB (Red, Green, Blue). Сеть состоит из четырёх идентичных свёрточных блоков, каждый из которых отличается размером блоков, на которые делится изображение. Блоки выполняют следующие операции:

• два свёрточных слоя обеспечивают извлечение признаков из входного изображения, сохраняя размерность входных данных;
• пакетная нормализация применяется после каждого свёрточного слоя, улучшает стабильность обучения, ускоряет сходимость и позволяет использовать более высокие темпы обучения, нормализует выходы предыдущего слоя по каждой партии;
• активация ReLU (Rectified Linear Unit) применяется после пакетной нормализации, является функцией активации, которая вносит нелинейность в модель, позволяя ей изучать более сложные зависимости;
• слой MaxPooling2D сокращает пространственную размерность входных данных (высота и ширина) вдвое, уменьшая количество параметров и вычислительную нагрузку, а также увеличивая инвариантность к небольшим смещениям и искажениям;
• Dropout (0,25) случайным образом отключает 25% нейронов во время обучения. Помогает предотвратить переобучение, заставляя сеть изучать более надёжные признаки.

За свёрточными блоками следует слой, преобразующий выходные данные последних свёрточных слоёв в одномерный вектор для подачи данных в полносвязные слои. Далее сеть содержит два полносвязных слоя, после каждого из которых выполняется нормализация, активация ReLU и Dropout с вероятностью 0,5 (отключение 50% нейронов). Выходной полносвязный слой с одним нейроном и активацией Sigmoid используется для двоичной классификации. Функция Sigmoid выдаёт значение между 0 и 1, представляющее вероятность принадлежности к определённому классу.

Для классификации изображений с помощью моделей SVM, LR и RF все изображения сначала векторизованы с использованием VGG-16. Подбор гиперпараметров осуществляли с помощью перебора по сетке с максимизацией значения F1-score.

Для расширения спектра тестируемых моделей машинного обучения в качестве предобученной модели использована нейросеть YOLO 11s-cls, содержащая механизм внимания для улучшения качества обработки изображений, которую обучили на наборе данных ImageNet².

Обучение нейронных сетей проходило в 100 эпох.

Исходы исследования

Целевыми показателями исследования были характеристики диагностической точности моделей машинного обучения при решении задачи бинарной классификации изображений хирургических ран на наличие или отсутствие ИОХВ.

Методы регистрации исходов

Для оценки диагностической точности моделей машинного обучения использовали следующие метрики.

• Чувствительность:

$SE=\frac{TP}{IW }$, (1)

где TP (True Positive) — истинно положительные результаты (модель распознала инфекцию при наличии диагноза ИОХВ); IW (Infected Wounds) — количество случаев ИОХВ.

• Специфичность:

$SP=\frac{TN}{UW}$, (2)

где TN (True Negative) — истинно отрицательные результаты (модель определила «отсутствие инфекции» при отсутствии диагноза ИОХВ); UW (Uninfected Wounds) — количество случаев без ИОХВ.

• F1-score:

$F1-score= \frac{TP}{\left(TP+\frac{1}{2}\left(FP+FN\right)\right)}$, (3)

где TP (True Positive) — истинно положительные результаты; FP (False Positive) — ложноположительные результаты (модель распознала инфекцию при отсутствии диагноза ИОХВ); FN (False Negative) — ложноотрицательные результаты (модель определила «отсутствие инфекции» при наличии диагноза ИОХВ).

• Точность:

$Acc= \frac{\left(TP+TN\right)}{\left(IW+UW\right)}$, (4)

где TP (True Positive) — истинно положительные результаты; TN (True Negative) — истинно отрицательные результаты; IW (Infected Wounds) — количество случаев ИОХВ; UW (Uninfected Wounds) — количество случаев без ИОХВ.

Количество случаев ИОХВ:

$IW = TP + FN$, (5)

где TP (True Positive) — истинно положительные результаты; FN (False Negative) — ложноотрицательные результаты.

Количество случаев без ИОХВ:

$UW = TN + FP$, (6)

где TN (True Negative) — истинно отрицательные результаты; FP (False Positive) — ложноположительные результаты.

Этическая экспертиза

Исследование получило этическое одобрение на заседании комитета по этике ФГБУ «Национальный медицинский исследовательский центр травматологии и ортопедии имени Н.Н. Приорова» Минздрава России (протокол № 1/25 от 04.04.2025). Все пациенты при включении в исследование дали письменное добровольное информированное согласие на использование их обезличенных данных медицинской документации и изображений ран в научных целях.

Статистические процедуры

Размер выборки. Предварительный расчёт необходимого размера выборки не проводили.

Статистические методы. Анализ точностных характеристик моделей проводили с использованием библиотеки SciPy для языка программирования Python. Для оценки точности моделей машинного обучения рассчитывали 95% ДИ методом бутстрепа с 1000 итераций. Для непараметрических показателей вычисляли медиану, межквартильный интервал и диапазон значений. Значимость различий в частоте непараметрических показателей оценивали по критерию χ² Пирсона. Различия считали статистически значимыми при p <0,05.

РЕЗУЛЬТАТЫ

Характеристики выборки

В основную группу включили 183 пациента с ИОХВ, в контрольную — 115 пациентов без неё. Сравниваемые группы сопоставимы по полу и возрасту (табл. 1). Преимущественной локализацией хирургических ран в обеих группах были нижние конечности и тазобедренный сустав (ТБС). Статистически значимые различия по локализации ран наблюдали в отношении стопы и бедра с ТБС: ран на стопе было статистически значимо больше в основной группе, чем в контрольной (р <0,001), а на бедре и ТБС — больше в контрольной группе, чем в основной (p=0,002). По видам операций доля металлоостеосинтеза костей стопы была статистически значимо выше в основной группе (р <0,001), а в контрольной — больше операций металлоостеосинтеза бедренной кости (р=0,043) (см. табл. 1).

 

Таблица 1. Клинические и демографические характеристики групп
Характеристики	Контрольная группа, n=115	Основная группа, n=183	р
Мужчины, n (%)	68 (59)	127 (69)	0,07
Женщины, n (%)	47 (41)	56 (31)	0,07
Возраст, Me (межквартильный интервал)	48 (25)	49 (24)	0,85
Локализация хирургической раны, n (%)
Плечо	12 (10,4)	10 (5,5)	0,111
Предплечье	5 (4,3)	8 (4,4)	0,993
Бедро и тазобедренный сустав	53 (46,1)	52 (28,4)	0,002
Голень	36 (31,3)	63 (34,4)	0,578
Позвоночник	6 (5,2)	18 (9,8)	0,154
Кости таза	—	3 (1,6)	—
Кисть	—	1 (0,5)	—
Стопа	2 (1,7)	26 (14,2)	<0,001
Ключица	1 (0,9)	2 (1,1)	0,851
Вид инфекции области хирургического вмешательства, n (%)
Поверхностная	—	15 (8,3)	—
Глубокая имплант-ассоциированная инфекция (кроме перипротезной инфекции)1,2	—	118 (69,9)	—
Перипротезная инфекция1	—	50 (21,9)	—
Вид операции, n (%)
Вертебрологические	6 (5,2)	18 (9,8)	0,154
Металлоостеосинтез бедренной кости	9 (7,8)	5 (2,7)	0,042
Металлоостеосинтез большеберцовой кости	17 (14,8)	26 (14,2)	0,891
Металлоостеосинтез ключицы пластиной	1 (0,9)	2 (1,1)	0,851
Металлоостеосинтез костей голени	18 (15,7)	34 (18,6)	0,517
Металлоостеосинтез костей предплечья	5 (4,3)	8 (4,4)	0,993
Металлоостеосинтез костей стопы	1 (0,9)	24 (13,1)	<0,001
Металлоостеосинтез плечевой кости	12 (10,4)	10 (5,5)	0,111
Металлоостеосинтез пяточной кости	1 (0,9)	2 (1,1)	0,851
Тотальное эндопротезирование коленного сустава	30 (26,1)	36 (19,7)	0,195
Тотальное эндопротезирование тазобедренного сустава	14 (12,2)	14 (7,7)	0,193
Шов ахиллова сухожилия	1 (0,9)	3 (1,6)	0,575
Шов сухожилий кисти	—	1 (0,5)	—
Операции по поводу травм и ранений, n (%)
—	65 (56,5)	115 (62,8)	0,278
Примечание. 1 — в сочетании с проявлениями поверхностной инфекции области хирургического вмешательства, которые возможно обнаружить на фотографии; 2 — во всех случаях имплант-ассоциированная инфекция классифицирована как глубокая.

 

Сроки развития ИОХВ варьировали от 5 дней (развитие инфекции после первичной операции в период госпитализации) до 2 мес. (в случаях повторной госпитализации по поводу развития ИОХВ после выписки из стационара). Патологические микроорганизмы выявлены у всех пациентов основной группы (n=183) как минимум в одной пробе раневого отделяемого. Пробы брали в зависимости от технической доступности: интраоперационно при санационном вмешательстве и/или при перевязке. Факт выявления микроорганизмов был одним из критериев включения пациентов в основную группу согласно критериям НАСКИ. Гнойное отделяемое наблюдали на 39 снимках (13% изображений с ИОХВ).

Исходная выборка включала 512 изображений хирургических ран, в том числе 292 случая ИОХВ и 220 изображений без инфекции. После разделения тестовая выборка содержала 102 изображения (58 с инфекцией и 44 без инфекции), а обучающая выборка после аугментации составила около 2500 изображений.

Основные результаты исследования

Из шести использованных моделей машинного обучения лучшие показатели точности при распознавании ИОХВ на изображениях хирургических ран достигнуты нейросетью YOLO 11s-cls, однако по чувствительности и специфичности её превосходство над моделью CNN было статистически незначимым, а по показателю точности (Acc) ДИ этих моделей соприкасались. В табл. 2 представлены результаты оценки всех методов классификации изображений на тестовой выборке.

 

Таблица 2. Результаты классификации изображений хирургических ран на наличие или отсутствие инфекции области хирургического вмешательства различными методами машинного обучения
Метод	Чувствительность, (95% ДИ)	Специфичность, (95% ДИ)	F1-score, (95% ДИ)	Точность, (95% ДИ)
Метод опорных векторов	0,776 (0,756–0,794)	0,672 (0,641–0,703)	0,72 (0,7–0,74)	0,74 (0,72–0,76)
Логистическая регрессия	0,758 (0,738–0,777)	0,672 (0,641–0,703)	0,7 (0,68–0,71)	0,72 (0,7–0,73)
Метод «случайного леса»	0,696 (0,675–0,717)	0,718 (0,688–0,747)	0,66 (0,64–0,68)	0,68 (0,66–0,7)
Свёрточные нейронные сети	0,825 (0,811–0,838)	0,822 (0,805–0,838)	0,82 (0,78–0,83)	0,83 (0,8–0,84)
VGG-16 + Свёрточные нейронные сети	0,87 (0,857–0,881)	0,855 (0,839–0,87)	0,83 (0,81–0,84)	0,85 (0,83–0,86)
YOLO 11s-cls	0,912 (0,874–0,938)	0,9 (0,86–0,915)	0,89 (0,86–0,91)	0,91 (0,86–0,92)
Примечание. ДИ — доверительный интервал.

 

Примеры результатов работы модели YOLO 11s-cls показаны на рис. 3.

 

Рис. 3. Примеры распознавания инфекции области хирургического вмешательства по изображениям хирургической раны нейросетью YOLO 11s-cls: в левом верхнем углу снимков — наличие (i+) или отсутствие (i−) инфекции по оценкам экспертов; справа — результат классификации модели (зелёным отмечены истинно положительные или истинно отрицательные, а красным — ложноположительные или ложноотрицательные результаты классификации).

 

ОБСУЖДЕНИЕ

Резюме результатов исследования

При решении задачи бинарной классификации изображений хирургических ран на наличие или отсутствие ИОХВ у пациентов травматолого-ортопедического профиля модель с механизмом внимания (YOLO 11s-cls) имеет лучшие характеристики точности, хотя по показателям чувствительности, специфичности и точности различия между данной моделью и нейросетью VGG-16 + CNN были статистически незначимыми. Линейные и нелинейные алгоритмы классификации, чаще применяемые для задач прогнозирования заживления хронических ран и оценки факторов риска осложнений [15], демонстрировали меньшую точность при распознавании инфекции хирургических ран.

Интерпретация результатов исследования

Выбор моделей для настоящего исследования обусловлен необходимостью систематического сравнения трёх принципиально разных подходов.

• Классические алгоритмы машинного обучения (SVM, LR, RF) выбраны как базовые методы, показавшие эффективность для хронических ран [17, 43]. Они требуют меньше вычислительных ресурсов для практического применения и позволяют оценить достаточность простых признаков для решения задачи классификации.
• Свёрточные нейросети (VGG-16 + CNN) выбраны как проверенная архитектура для анализа медицинских изображений. В отличие от нашей предыдущей работы, в которой мы использовали нейросеть AlexNet/ResNet для хронических ран [44], здесь применён перенос обучения с дообучением для специфики хирургических ран, поскольку задача бинарной классификации (наличие или отсутствие инфекции) отличается от многоклассовой сегментации тканей.
• Модель с механизмом внимания (YOLO 11s-cls) — это новейшая версия YOLO, ранее не протестированная на изображениях ИОХВ. Механизм внимания, используемый в данной модели, критически важен для случаев, когда зона интереса занимает малую часть изображения. Он обеспечивает возможность обработки данных даже в режиме реального времени, включая мобильные приложения [45].

Результаты настоящего исследования согласуются с литературными данными. Так, при сравнении точности распознавания типа острых повреждений кожных покровов (ожогов, травм, ссадин) среди нейросетей (Google Net, ResNet18, ShuffleNet2, Squeeze Net, YOLO 8) лучшие показатели точности и F1-score имела YOLO 8 — по 97,6% [46]. При решении задачи сегментации хронических ран у пациентов с различным цветом кожи модель YOLO 8 продемонстрировала точность 84% и среднюю точность около 70% [47]. Наконец, при классификации на наличие или отсутствие инфекции на группе пациентов с хроническими ранами медианы средней точности (mAP), F1-score и точности для YOLO 8 составили 92,7, 92,9 и 92,7% соответственно. В исследовании M. Rochon и соавт. [48], посвящённом хирургическим ранам у смешанной категории пациентов, модель YOLO (без уточнения версии) демонстрировала чувствительность 89% при решении задач сегментации и оценки необходимости первостепенного врачебного внимания, что немного хуже, чем показатели, полученные в нашем исследовании.

Свёрточные сети в нашем исследовании имели более высокую точность, чем в других работах (F1-score и Acc — 83 и 85% соответственно). В исследовании H. Muaddi и соавт. [49] для распознавания ИОХВ проведено сравнение CNN MobileNet, ResNet50 и U-Net, а также модели глубокого обучения Vision Transformer (ViT). Наибольшую точность и F1-score продемонстрировала модель U-Net — 75±1 и 70±3% соответственно. Модель ViT была лучшей в комбинированной задаче распознавания зоны хирургического шва и ИОХВ с точностью и F1-score в 87±5 и 46±6% соответственно.

Характеристики точности линейных и нелинейных алгоритмов в нашем исследовании были хуже, чем в работах по классификации хронических ран, но не ИОХВ. F.J. Veredas и соавт. [17] установили, что модели SVM и RF имели точность 87,4 и 88,1% соответственно при распознавании и классификации тканей пролежней. В аналогичной работе P. Šín и соавт. [43] при сравнении LR, SVM, RF, а также методов к-ближайших соседей и наивного байесовского классификатора для распознавания изображений пролежней лучшие метрики имела модель RF (точность и F1-score — 96 и 93% соответственно). При распознавании ИОХВ проведено сравнение моделей ResNet50, SVM и RF с градиентным усилением (GBDT) на наборе данных из 480 изображений ран после абдоминальной хирургии, при этом лучшую точность имела модель ResNet50 (79,5±4,2%), а SVM и RF продемонстрировали точность 41,1±2,1 и 58,6±5,9% соответственно, F1-score — 38,3±3,5 и 43,1±11,4% соответственно [50]. J.T. Hsu и соавт. [51] использовали модель на основе SVM для распознавания ИОХВ по данным 293 изображений, она продемонстрировала точность 87,6% — выше, чем в нашей работе.

Преимущества модели с механизмом внимания, вероятно, связаны с тем, что область хирургической раны на наших примерах занимает незначительную часть пространства на общей площади изображений. Если линейные и нелинейные модели, а также нейронные сети, включая VGG-16, оценивают изображение в целом и все признаки, то модель YOLO делит изображение на несколько небольших фрагментов, работает с каждым из них и потом объединяет результаты.

Преимущество модели YOLO 11s-cls в нашей работе было незначительным и может быть нивелировано при дальнейшем увеличении выборки. Однако исследование достигло своей главной цели — демонстрация возможности использования изображений, полученных с помощью обычных смартфонов, для выявления раневых инфекций с помощью ИИ. Несмотря на то что нам не удалось установить статистически значимых различий по всем метрикам точности между Yolo 11s-cls и VGG-16 + CNN, чувствительность этих моделей превысила 85%, что считают пороговым значением для практического использования в качестве сигнальной информации для клинициста [48]. Тем самым подтверждена перспективность данного направления исследований — разработки комплексной системы поддержки принятия врачебных решений, выполняющей задачи автоматизированного анализа ран при условии объективности измерений, безопасности для пациентов, простоты в использовании, дешевизны и способности работать в различных условиях съёмки. Без выполнения этих условий маловероятно, что система получит широкое распространение в практическом здравоохранении [29].

Потребность в дистанционном мониторинге состояния хирургических ран у пациентов травматолого-ортопедического профиля подтверждается тем, что средний койко-день в российских национальных медицинских исследовательских центрах травматологии и ортопедии, по данным главного внештатного специалиста травматолога-ортопеда Минздрава России, в 2024 году составил 6,6–13 дней. При этом свыше 60% пациентов, принимаемых федеральными центрами, являются иногородними и после выписки из стационара уезжают в регионы. Использование телемедицинских технологий, как показывают исследования, способно в 3,7 раза повысить долю пациентов, у которых ИОХВ диагностируют на раннем этапе [14]. Однако при количестве пролеченных пациентов в 10–30 тыс. в год задача дистанционного мониторинга требует от центров колоссальных трудозатрат. Кроме того, систему поддержки принятия врачебных решений в виде программного приложения можно использовать для диагностики ИОХВ в условиях дефицита квалифицированных специалистов, например в военно-полевой хирургии. Применение технологий ИИ для решения этих задач, в частности для выявления случаев, требующих первостепенного внимания врачей, является перспективным и реализуемым, что было впервые продемонстрировано в настоящем исследовании.

Ограничения исследования

Ограничением настоящей работы является сравнительно небольшой размер выборки — 512 изображений, полученных от 298 пациентов, проходивших стационарное лечение в двух медицинских учреждениях Москвы. Это потребовало применения методов аугментации, что может отрицательно повлиять на метрики точности моделей при их использовании на других выборках.

При формировании выборки несколько изображений, полученных от одного пациента, оценивали независимо друг от друга, поэтому они могли попасть в обе части выборки (обучающую и тестовую). Снимки от одного пациента получали через некоторый интервал времени, за который вид раны менялся (текстура, цвет, размер и морфология), что могло привести к завышению метрик диагностической точности моделей и повлиять на обобщаемость полученных результатов.

Преимущественной локализацией ран в нашем исследовании были нижние конечности, однако в обеих группах представлены все анатомические зоны, встречающиеся у пациентов травматолого-ортопедического профиля, включая спину, кости таза и верхние конечности. Несопоставимость групп сравнения по отдельным анатомическим локализациям (бедро и ТБС, стопа) и видам «первичных» проведённых операций (металлоостеосинтез бедренной кости и костей стопы) объясняется тем, что исходно не ставили задачу стратифицировать изображения по анатомическим зонам. В свою очередь, особенности распределения оперативных вмешательств закономерно связаны с анатомической локализацией, в пределах которой их выполняли. Рассматриваемый факт можно отнести к ограничениям исследования; в последующем будет дополнительно проведена стратификация по анатомической локализации, а также, при необходимости, сделан акцент на целевом включении в выборку пациентов с определёнными локализациями патологии, необходимыми для формирования сопоставимых подгрупп сравнения.

В исследовании была поставлена задача только бинарной классификации изображений на наличие или отсутствие ИОХВ. Расширение спектра задач — например, оценка тяжести инфекции, динамики и прогноза течения раневого процесса или рекомендации по экстренному обращению к хирургу, может потребовать использования дополнительных алгоритмов и моделей машинного обучения.

ЗАКЛЮЧЕНИЕ

Наше исследование подтвердило осуществимость и перспективность использования ИИ для дистанционного мониторинга состояния хирургических ран у пациентов травматолого-ортопедического профиля. Сравнительный анализ различных моделей машинного обучения показал преимущества CNN и модели с механизмом внимания (YOLO 11s-cls) при решении задачи распознавания ИОХВ у пациентов травматолого-ортопедического профиля с точностью 85 и 91% соответственно. Дальнейшие работы будут включать, во-первых, расширение выборки изображений хирургических ран и создание более адаптивных фреймворков трансферного обучения, позволяющих повысить точность и производительность моделей. Кроме того, для обеспечения интерпретируемости результатов и повышения доверия врачей к системам ИИ необходимо дополнять их клиническими данными путём создания мультимодальной системы поддержки принятия врачебных решений, интегрирующей экспертные знания предметной области с данными, извлечёнными моделью ИИ в результате глубокого обучения, с последующей визуализацией общего решения.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. А.Г. Назаренко — определение концепции и постановка задачи, редактирование текста рукописи; Е.Б. Клеймёнова — формулировка требований к постановке исследования, проверка формирования выборки, редактирование текста рукописи; А.И. Молодченков — аугментирование выборки, отбор и обучение моделей ИИ, статистическая обработка данных, написание текста рукописи; Д.С. Горбатюк — отбор пациентов, получение и разметка изображений, написание текста рукописи; А.Д. Еникеев — получение и разметка изображений, формирование выборки; В.А. Кисляков – отбор пациентов, получение изображений, редактирование текста рукописи; Л.П. Яшина — анализ литературных источников, написание и оформление черновика рукописи. Все авторы одобрили финальную версию перед публикацией, а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Исследование получило этическое одобрение на заседании комитета по этике ФГБУ «Национальный медицинский исследовательский центр травматологии и ортопедии имени Н.Н. Приорова» Минздрава России (протокол № 1/25 от 04.04.2025). Все пациенты при включении в исследование дали письменное добровольное информированное согласие на использование их обезличенных данных медицинской документации и изображений ран в научных целях.

Источники финансирования. Исследование проведено с использованием денежных средств гранта Российского научного фонда (грант РНФ № 24-14-00310).

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе не применима.

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена в соответствии с процедурой fast-track. В рецензировании участвовали три внешних рецензента, член редакционной коллегии и научный редактор журнала.

ADDITIONAL INFORMATION

Author contributions: A.G. Nazarenko: conceptualization, writing—review & editing; E.B. Kleymenova: formulation of research requirements, sample formation verification, writing—review & editing; A.I. Molodchenkov: sample augmentation, AI model selection and training, formal analysis, writing—original draft; D.S. Gorbatyuk: patient selection, visualization, writing—original draft; A.D. Enikeev: visualization, sample formation; V.A. Kislyakov: patient selection, image acquisition, writing—review & editing; L.P. Yashina: data curation, writing—original draft. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: The study was approved by the Ethics Committee of the N.N. Priorov National Medical Research Center of Traumatology and Orthopedics of the Ministry of Health of Russia (Minutes No. 1/25 of April 04, 2025). All participants provided written informed consent for the use of their anonymized medical records data and wound images for research purposes.

Funding sources: The study was funded by the Russian Science Foundation (Grant No. 24-14-00310).

Disclosure of interests: The authors have no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: No previously published material (text, images, or data) was used in this study or article.

Data availability statement: The editorial policy regarding data sharing does not apply to this work.

Generative AI: No generative artificial intelligence technologies were used to prepare this article.

Provenance and peer-review: This article was submitted unsolicited and reviewed following the fast-track procedure. The peer-review process involved three external reviewers, a member of the Editorial Board, and the in-house science editor.

 

¹ Computer Vision Annotation Tool [Internet]. 2018–2025. Режим доступа: https://www.cvat.ai/ Дата обращения: 26.12.2025.

² ImageNet [Internet]. 2020–2025. Режим доступа: https://www.image-net.org Дата обращения: 25.12.2025.

³ YOLO [Internet]. 2015–2025. Режим доступа: https://docs.ultralytics.com/ru/tasks/classify Дата обращения: 25.12.2025.

About the authors

Anton G. Nazarenko

Priorov Central Institute for Trauma and Orthopedics

Email: nazarenkoag@cito-priorov.ru
ORCID iD: 0000-0003-1314-2887
SPIN-code: 1402-5186

MD, Dr. Sci. (Medicine), corresponding member of the Russian Academy of Sciences

Russian Federation, Moscow

Elena B. Kleymenova

Priorov Central Institute for Trauma and Orthopedics

Email: KleymenovaEB@cito-priorov.ru
ORCID iD: 0000-0002-8745-6195
SPIN-code: 2037-7164

MD, Dr. Sci. (Medicine), Рrofessor

Russian Federation, Moscow

Alexey I. Molodchenkov

Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences; Peoples’ Friendship University of Russia named after Patrice Lumumba

Email: aim@isa.ru
ORCID iD: 0000-0003-0039-943X
SPIN-code: 3378-7234

Cand. Sci. (Engineering)

Russian Federation, Moscow; Moscow

Dmitry S. Gorbatyuk

Priorov Central Institute for Trauma and Orthopedics

Email: GorbatyukDS@cito-priorov.ru
ORCID iD: 0000-0001-8938-2321
SPIN-code: 7686-2123

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Azat D. Enikeev

Priorov Central Institute for Trauma and Orthopedics

Email: azatmag@mail.ru
ORCID iD: 0009-0003-2778-0561

MD

Russian Federation, Moscow

Valery A. Kislyakov

Peoples’ Friendship University of Russia named after Patrice Lumumba; City Clinical Hospital named after A.K. Eramishantsev

Email: vakislakov@mail.ru
ORCID iD: 0000-0002-0189-3539
SPIN-code: 2985-2951

MD, Dr. Sci. (Medicine), Рrofessor

Russian Federation, Moscow; Moscow

Liubov P. Yashina

Priorov Central Institute for Trauma and Orthopedics

Author for correspondence.
Email: YashinaLP@cito-priorov.ru
ORCID iD: 0000-0003-1357-0056
SPIN-code: 1910-0484

Cand. Sci. (Biology)

Russian Federation, Moscow

References

Supplementary files