编辑推荐：
在显微外科组织重建中，皮瓣缺血并发症影响手术效果。研究人员开展了高光谱成像（HSI）结合机器学习检测皮瓣灌注不良的研究。结果显示卷积神经网络（CNN）表现良好，该研究有望提升术后灌注不良检测水平，增加皮瓣存活率。
在显微外科领域，皮瓣移植手术是修复复杂组织缺损的重要手段，随着技术进步，手术成功率虽已提升至 95%，但缺血相关并发症依旧是个棘手问题。术后早期，若皮瓣血液灌注不足，可能引发部分或全部坏死，而多数吻合口失败发生在术后 24 小时内。当前，术后护理主要依赖临床评估，如观察毛细血管再充盈情况，然而这种方法不够精准，无法及时察觉早期缺血问题。因此，寻找一种更有效的检测皮瓣灌注情况的方法迫在眉睫。
德国莱比锡大学（Leipzig University）等机构的研究人员针对这一问题展开了深入研究。他们将高光谱成像（Hyperspectral imaging，HSI）技术与机器学习相结合，致力于开发一种能精准检测显微外科组织重建后皮瓣灌注不良的方法。这项研究成果发表在《Scientific Reports》上，为显微外科手术的术后监测提供了新的方向和可能。
研究人员采用了多种关键技术方法。首先，利用 TIVITA Tissue Hyperspectral Camera System 采集 HSI 数据，获取不同生理参数，包括组织水指数、氧饱和度（StO2）、近红外灌注指数（NPI）和血红蛋白指数等。其次，对数据进行预处理，针对数据集不平衡问题，采用合成少数过采样技术（SMOTE）对一维数据进行过采样，三维数据则使用类别权重处理；同时运用多种滤波方法减少噪声影响。最后，选用多种模型进行分类研究，如逻辑回归（LR）、多层感知器（MP）、支持向量机（SVM）、随机森林（RF）和卷积神经网络（CNN），并通过自适应矩估计（Adam）优化器训练模型，采用留一病人交叉验证（LOPOCV）等方法提升模型泛化能力。
研究结果如下：
- 分类结果：对训练好的 5 种模型以及未训练的决策树（DT）进行测试，评估指标包括准确率、灵敏度、特异性、加权 F1 分数、受试者工作特征（ROC）分数和曲线下面积（AUC）分数等。结果显示，CNN 表现最为出色，当使用术后 1 - 3 天的生理参数时，其灵敏度达到 70% ± 33%，特异性为 76% ± 26%，F1 分数为 68% ± 28%，AUC 为 0.82 ± 0.05。使用光谱数据时，CNN 的特异性最高可达 84%，表明其对活组织的分类能力较强1。
- 可视化结果：通过生成预测图像验证 CNN 对皮瓣灌注评估的分类结果。多数情况下，CNN 能正确分类像素，但在部分灌注异常的皮瓣中存在误判。在 59 例患者中，43 例被正确分类，11 例部分误判，5 例整个皮瓣误判2。
研究结论与讨论部分指出，HSI 结合机器学习在检测皮瓣灌注不良方面具有显著潜力。CNN 模型在平衡灵敏度和特异性上表现出色，相比传统基于阈值的 DT 模型，更具临床应用价值。同时发现，生理参数对模型决策影响重大，其计算方式使其受噪声影响较小，且减少了训练模型所需的特征数量，为临床应用提供了便利。不过，该研究也存在局限性，如数据集不平衡、光谱数据受环境因素影响以及模型外部有效性有待进一步验证等。未来研究可围绕这些问题展开，探索仅用少数生理参数进行准确分类的可行性，以减轻计算负担，实现实时监测。
总的来说，这项研究为显微外科术后皮瓣灌注不良的检测开辟了新途径，为提高皮瓣存活率、改善手术效果提供了有力的技术支持。尽管目前还存在一些不足，但随着研究的深入和技术的完善，有望在临床实践中得到广泛应用，为患者带来更好的治疗效果。
