编辑推荐：
研究人员开发基于 YOLOv8 的深度学习模型监测针灸针插入，性能良好，有助于提升针灸安全性。
# 基于 YOLOv8 的深度学习模型：为针灸安全 “添砖加瓦”
在传统医学的世界里，针灸以其独特的治疗方式，帮助无数人缓解疼痛、恢复健康。然而，就像平静的湖面下可能隐藏着暗流，针灸治疗也存在着安全隐患。针灸针断裂和滞留在体内的情况时有发生，这些问题可不是小事，它们可能引发感染、器官损伤，甚至导致慢性疼痛，给患者带来极大的痛苦。
为了解决这些棘手的问题，来自台北市立医院、国立阳明交通大学、台北医学大学等机构的研究人员展开了深入研究。他们的研究成果发表在《BMC Complementary Medicine and Therapies》上，为提升针灸安全性带来了新的希望。
研究人员采用了多种关键技术方法。在数据收集方面，他们使用了包含 192 张图像的商业图像库（Roboflow 数据集）以及 73 张临床针灸过程中拍摄的图像，涵盖多种针型、进针技术和患者特征。数据处理上，先对图像进行裁剪去除背景噪声，将尺寸标准化为 640×640 像素 ，再利用 Imaug 库进行图像增强，包括水平和垂直翻转、 -40° 到 40° 随机旋转、50% - 130% 亮度调整。同时，由两位针灸和医学影像分析领域专家手动标注图像，通过 Cohen’s kappa 系数评估标注可靠性。模型构建则基于 YOLOv8 架构，运用五折交叉验证训练和测试模型，并调整学习率、批量大小等超参数，使用精度、召回率、F1 分数、平均精度均值（mAP）等指标评估性能。
研究结果
- 参与者情况：73 名参与者接受标准针灸治疗，治疗过程中采集图像。临床数据集涵盖更广泛的现实情况，与 Roboflow 数据集相比，在预测指标上具有一致性。
- 内部测试集性能评估：使用五折交叉验证训练和测试 YOLOv8 模型，每折训练 99 个 epoch。各折训练中，模型性能不断提升。最终，模型在内部测试集上平均精度达到 88.0%，召回率 82.9%，F1 分数 85.2%，mAP@50 为 88.6%，mAP@50 - 95 为 62.9% ，表明模型在多种情况下检测针灸针的可靠性较高。
- 外部测试集性能评估：在外部测试集上，模型平均准确率为 79.16%，存在 6 次误分类和 2 次漏检。部分图像准确率低，如 Image 01 准确率仅 66.40%，可能因遮挡或光照问题；Image 09 准确率最高，达 92.78% 。
研究结论与讨论
研究表明，基于 YOLOv8 的深度学习模型在多种条件下检测皮肤下针灸针的效果显著。较高的精度、召回率和 mAP 分数，意味着该模型可以在不同的临床环境中有效工作，提升患者安全，尤其是在医疗资源不足、安全协议不够严格的地区。
与现有的 Oriented R-CNN 模型相比，YOLOv8 模型更专注于检测插入皮肤的针灸针，适用场景更贴合实际临床需求。目前，针灸相关不良事件时有发生，包括轻微的瘀伤、疼痛，严重的心脏压塞、神经损伤等。标准化协议和专业培训对降低风险至关重要，而该研究中的模型有望成为保障针灸安全的有力工具。
从临床应用角度看，模型的可用性依赖于输入数据质量，图像预处理和医护人员拍摄高质量图像的能力十分关键。未来研究可进一步拓展模型在不同临床环境的适用性，扩大训练数据集，探索与实时临床工作流程的整合。
不过，该研究也存在一些局限性。样本量相对较小（仅 265 张图像），可能导致数据过拟合，限制模型在不同患者群体和临床场景的泛化能力。而且，研究缺乏处理缺失数据的机制，使用的相对干净的数据集可能影响模型在实际临床中处理不完整数据的能力。
总体而言，这项研究为针灸安全监测提供了新的思路和方法。虽然还有改进空间，但基于 YOLOv8 的深度学习模型展现出了巨大潜力，有望推动针灸临床实践向更安全、更高效的方向发展，为广大患者带来更好的治疗体验。
