SurgWound-Bench：手术伤口诊断基准
人工智能
2025-08-22 v1 计算机视觉与模式识别
图像与视频处理
摘要
手术部位感染（SSI）是最常见且代价高昂的医疗相关感染之一，手术伤口护理在预防 SSI 和改善患者预后方面仍是一项重大的临床挑战。尽管近期研究探索了利用深度学习进行初步手术伤口筛查，但数据隐私担忧和专家标注的高昂成本阻碍了进展。目前，尚无公开可用的数据集或基准涵盖各种类型的手术伤口，导致缺乏开源的手术伤口筛查工具。为弥补这一空白：（1）我们推出了 SurgWound，这是首个包含多样化手术伤口类型的开源数据集。它包含 697 张手术伤口图像，由 3 名专业外科医生用八种细粒度临床属性进行了标注。（2）基于 SurgWound，我们引入了首个手术伤口诊断基准，该基准包含视觉问答（VQA）和报告生成任务，以全面评估模型性能。（3）此外，我们提出了一个用于手术伤口诊断的三阶段学习框架 WoundQwen。在第一阶段，我们使用五个独立的多模态大语言模型（MLLM）来准确预测特定的手术伤口特征。在第二阶段，这些预测作为额外的知识输入，提供给两个负责诊断结果的 MLLM，以评估感染风险并指导后续干预。在第三阶段，我们训练一个 MLLM，整合前两个阶段的诊断结果以生成一份综合报告。该三阶段框架能够分析详细的手术伤口特征，并根据手术图像为患者提供后续指导，为个性化伤口护理、及时干预和改善患者预后铺平了道路。
引用
@article{arxiv.2508.15189,
title = {SurgWound-Bench: A Benchmark for Surgical Wound Diagnosis},
author = {Jiahao Xu and Changchang Yin and Odysseas Chatzipanagiotou and Diamantis Tsilimigras and Kevin Clear and Bingsheng Yao and Dakuo Wang and Timothy Pawlik and Ping Zhang},
journal= {arXiv preprint arXiv:2508.15189},
year = {2025}
}