AI 辅助光谱评估烧伤严重程度以提高恢复率

石溪大学的研究人员开发了一种神经网络模型，该模型使用太赫兹时域光谱（THz-TDS）来评估烧伤并预测愈合结果。最新的工作建立在先前的进展之上，研究人员开发了一种便携式手持式成像设备，用于烧伤的快速THz-TDS成像，旨在使该方法可用于临床应用。

烧伤引起的物理变化会产生太赫兹反射率的变化。出于这个原因，使用太赫兹辐射的短脉冲探测样品的THz-TDS显示出作为准确估计烧伤严重程度的工具的潜力。

烧伤深度的初步评估是治疗过程的基础。然而，严重的皮肤烧伤是高度动态的，因此难以评估和预测。根据M. Hassan Arbab教授的说法，目前的烧伤深度评估方法依赖于视觉和触觉检查，已被证明是不可靠的。Arbab说，对于这些方法，准确率从60%到75%不等。

研究人员开发了一种新的基于物理的神经网络模型，该模型使用太赫兹时域光谱（THz-TDS）数据进行无创烧伤评估。他们将新方法与所示的手持式成像设备相结合，该设备是为烧伤的快速THz-TDS成像而开发的。由石溪大学提供。

在他们早期的研究中，团队成员使用数值方法从THz-TDS图像中提取特征，并使用机器学习技术使用从PHASR扫描仪（该团队开发的便携式设备）获得的测量值来估计体内烧伤的严重程度等级。然而，这种方法没有考虑烧伤皮肤组织的介电常数的物理动力学和宏观变化。

介电常数描述了材料如何响应电场;烧伤的皮肤组织对电场的反应方式可能表明烧伤严重程度的变化。烧伤组织的物理动力学和介电函数的宏观变化可以改变组织的太赫兹反射率，并且被认为是不同介电常数深度烧伤THz-TDS测量对比度的原因。

研究人员转向双德拜理论，该理论以前已被用于解释太赫兹辐射与生物组织的相互作用。研究人员使用该理论来模拟烧伤组织的介电常数。他们开发了一种使用双德拜参数计算体内烧伤物理太赫兹光谱特征的方法。

“我们开发了一个神经网络模型，利用将双德拜模型拟合到烧伤介电常数中获得的五个参数，”Arbab说。

研究人员证明，双德拜模型的五个参数可以形成一种人工神经网络分类算法，能够自动诊断烧伤的严重程度，并且还能够预测烧伤后28天的伤口再上皮化状态。

使用PHASR扫描仪扫描0.2至0.9 THz之间的频率范围获得的烧伤太赫兹光谱图像。

使用THz-TDS诊断烧伤严重程度最初仅限于点光谱测量，这没有考虑烧伤的异质性和空间变化。此外，尽管已经开发了各种其他技术来改善烧伤评估，但由于其他缺点，例如采集时间长、成本高以及穿透深度和视野有限，它们也未能获得广泛采用。以前的太赫兹光谱装置虽然技术上很有前途，但体积庞大且昂贵，不适合临床使用。

研究人员开发了便携式手持式光谱反射（PHASR）扫描仪，该扫描仪可以使用THz-TDS对体内烧伤进行快速高光谱成像，以解决这个问题。

“这种手持设备使用中心波长为1560 nm的双光纤飞秒激光器和太赫兹光电导天线，采用远心成像配置，可在几秒钟内对37×27毫米2的视场进行快速成像，”Arbab说。

研究人员还实施了数值特征提取和机器学习技术，使用PHASR扫描仪测量自动估计体内烧伤的严重程度等级。他们获得了体内猪皮肤烧伤的光谱图像，并使用PHASR扫描仪测量了烧伤的介电常数。在确定德拜参数后，研究人员使用这些数据创建了一个基于标记活检的神经网络模型。德拜参数提供了一种基于组织介电函数的特征提取策略，而不是使用纯粹的数字特征。

根据Arbab的说法，基于物理的方法有助于最终降低太赫兹数据的维度，用于训练AI模型。他说，这提高了机器学习算法的效率。

当德拜参数与神经网络模型相结合时，能够以93%的准确率预测伤口愈合过程的结果，以84.5%的平均准确率预测烧伤的严重程度组。

由于新的烧伤评估技术将神经网络模型的输入变量数量减少到仅五个德拜参数，因此它将所需的训练数据量降低了至少两个数量级。

研究人员表示，在将该技术集成到现有的临床烧伤评估工作流程之前，需要对该技术和手持成像设备进行临床试验。然而，报告的准确率有望为烧伤的诊断提供强有力的策略。

该研究发表在Biomedical Optics Express（www.doi.org/10.1364/BOE.479567）上。