Fonte: BMJ health & care informatics (2026) · PMID: 41895731
Autori: Lai Ting-Yu, Chou Yi-Jiun, Liu Chun-You
Titolo originale: Novel two-stage deep learning framework for automated pressure injury classification.
Abstract
Obiettivo: Lo studio mira a sviluppare un framework di intelligenza artificiale (AI) per la stadiazione automatica delle lesioni da pressione (PI) direttamente dalle immagini cliniche grezze, senza richiedere la localizzazione manuale della lesione. Integrando un approccio di deep learning in due fasi, che combina il rilevamento degli oggetti e la classificazione delle immagini, il sistema proposto cerca di migliorare l’accuratezza diagnostica, ridurre la soggettività e supportare una stadiazione coerente nei flussi di lavoro clinici del mondo reale.
Metodi: Abbiamo condotto uno studio retrospettivo utilizzando 1807 immagini PI del China Medical University Hospital raccolte tra il 2020 e il 2024. Le lesioni sono state annotate da cinque infermieri senior con consenso. YOLOv9 è stato utilizzato per il rilevamento delle lesioni e DenseNet161 per la stadiazione. Le metriche delle prestazioni includevano accuratezza, sensibilità, specificità, punteggio F1, area sotto la curva (AUC) e precisione media (mAP)@0,5.
Risultati: Il modello di rilevamento degli oggetti (YOLOv9) ha raggiunto un mAP@0,5 di 0,796. Sul set di test indipendente (n=365), il modello di stadiazione ha dimostrato un’accuratezza complessiva di 0,775, sensibilità di 0,775, specificità di 0,955, precisione di 0,779 e punteggio F1 di 0,775.
Discussione: Il framework di intelligenza artificiale in due fasi proposto, che utilizza YOLOv9 per la localizzazione delle lesioni e DenseNet161 per la stadiazione, ha dimostrato prestazioni paragonabili o superiori agli approcci precedentemente riportati, offrendo al contempo una migliore interpretabilità clinica quando applicata alle immagini cliniche del mondo reale. Separando il rilevamento e la classificazione, il quadro ha ridotto il rumore di fondo e migliorato la capacità di distinguere visivamente stadi PI simili. Tuttavia, le sfide rimangono nella gestione dell’eterogeneità intra-ferita, dei sottili confini della fase iniziale e della variabilità nella qualità dell’immagine.
Conclusioni: Questo sistema di intelligenza artificiale a due fasi può aiutare il personale clinico fornendo stadiazione PI standardizzata e riproducibile da immagini cliniche, con potenziale di integrazione nei flussi di lavoro infermieristici.
Fabrizio Devito
Commenti