BACKGROUND: Surgical site infections (SSIs) are common postoperative complications that often develop after hospital discharge. Timely diagnosis and optimal treatment choice are crucial for clinical success and cost-effectiveness in SSI treatment. Computer vision and artificial intelligence (AI) methods have demonstrated their effectiveness in analyzing chronic wounds, but their applicability to postoperative wound assessment remains poorly understood.
AIM: A comparative analysis of performance metrics for various machine learning methods in classifying surgical wounds images for the SSI presence or absence in trauma and orthopedic patients.
METHODS: The sample included 512 surgical wound images (292 with SSI and 220 without infection) obtained from 298 patients aged 18 years and older admitted to the N.N. Priorov National Medical Research Center of Traumatology and Orthopedics or the Purulent Surgery Department of the A.K. Eramishantsev City Clinical Hospital. After applying augmentation methods, approximately 2,500 images were obtained. The following machine learning algorithms were used for infection recognition: support vector machines (SVM), linear regression (LR), random forests (RF), convolutional neural networks (VGG16+CNN), and a model with an attention mechanism (YOLO 11s-cls).
RESULTS: The YOLO 11s-cls model demonstrated the best metrics on the test set: sensitivity 91.2%, accuracy 91%; F1-score 89%; balanced accuracy 90.6%. For the other models, sensitivity ranged from 69.6% (RF) to 87% (VGG16+CNN), accuracy 68% (RF) to 85% (VGG16+CNN), and F1-score from 66% (RF) to 83% (VGG16+CNN).
CONCLUSION: The study results confirmed the potential of AI appropriateness for remote monitoring of surgical wounds in trauma and orthopedic patients. The developed models can be used to create a multimodal system for assessing and monitoring wound infection after surgical interventions.
Обоснование: Инфекции области хирургического вмешательства (ИОХВ) – 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 ИОХВ. Методы компьютерного зрения и искусственного интеллекта (ИИ) продемонстрировали свою эффективность для анализа хронических кожных повреждений, но их применимость для оценки послеоперационных ран остается малоизученной.
Цель исследования: сравнительный анализ точностных метрик различных моделей машинного обучения при решении задачи классификации изображений хирургических ран на наличие и отсутствие ИОХВ у пациентов травматолого-ортопедического профиля.
Методы: Выборка включала 512 изображения хирургических ран (292 с ИОХВ и 220 без инфекции), полученных от 298 пациентов 18 лет и старше, поступивших в стационар ФГБУ «НМИЦ травматологии и ортопедии им. Н.Н. Приорова» Минздрава России или отделение гнойной хирургии ГБУЗ «ГКБ им. А.К. Ерамишанцева» ДЗМ. После применения методов аугментации было получено около 2,5 тысяч изображений. Для распознавания инфекции были использованы модели машинного обучения: метод опорных векторов (SVM), линейной регрессии (LR), случайного леса (RF), свёрточные нейронные сети (VGG16+CNN) и модель с механизмом внимания (YOLO 11s-cls).
Результаты: Лучшие метрики на тестовой выборке имела модель YOLO 11s-cls: чувствительность 91,2%, точность 91%; F1-score 89%. Для остальных моделей чувствительность варьировалась от 69,6% (RF) до 87% (VGG16+CNN), точность 68% (RF) до 85% (VGG16+CNN), F1-score — от 66% (RF) до 83% (VGG16+CNN).
Заключение: Результаты исследования подтвердили перспективность использования ИИ 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.