摘要
背景
慢性伤口给临床和经济带来了巨大的负担，其有效管理需要长期进行客观、可重复的监测。基于智能手机的光度测量技术可以在无需昂贵专用扫描仪的情况下获取三维（3D）指标数据。
目标
本综述旨在识别和整理适用于伤口测量和监测的数字方法，特别强调将智能手机光度测量技术作为常规护理中的实用方法。
方法
进行了一项综述，以确定数字伤口测量方法。所包含的方法根据主要流程阶段（数据采集、重建和分析）进行了分类。记录了包括面积、深度、体积和组织评估元素在内的指标，并总结了验证方法、比较方法和实施因素。此外，还提出了一种包含基本质量控制（QC）步骤的实际光度测量工作流程，作为基于文献的实用指导，用于日常换药过程中。
结果
文献回顾显示，趋势分析（如随时间变化的百分比减少）具有很高的临床相关性。此外，文献表明，测量的一致性和重复性比单次测量的准确性更为重要。二维测量可能在解剖学上弯曲的表面低估了伤口的大小。相比之下，三维指标（如深度和体积）以及深度图可以提供关于深层伤口的更详细描述。在较深的伤口中，深度或体积的减少（Z轴变化）可能先于二维轮廓的可见减少。结果的质量受到采集条件（如角度、照明、稳定性和标记物）的显著影响。由于缺乏对参考表面的明确定义以及不一致的同意度和误差指标报告，体积的可比性受到限制。
结论
智能手机光度测量技术是诊所和远程医疗中一种有吸引力的实施解决方案；然而，其有效性取决于采集标准的统一、简单QC步骤的整合以及三维指标和合规报告的透明定义的建立。这些措施可以提高可比性，便于在不同访问和中心之间进行可靠的评估。
引言
慢性伤口由于需要长期护理、频繁检查和系统性地评估治疗效果，因此给临床和组织带来了巨大挑战。这一负担直接转化为高昂的医疗系统成本。例如，在美国，慢性伤口护理的财务负担估计每年约为260亿美元[1]。同样，在英国，2017/2018财年，国家医疗服务体系（NHS）管理了约380万患有伤口的患者，总支出达到83亿英镑[2]。在临床实践中，大量专业时间用于换药，据报道这占护士工作时间的66%[3]。糖尿病足溃疡是慢性伤口的一个子类别，由于其与高感染风险、住院甚至截肢的关联而特别具有挑战性。报告显示，糖尿病患者中溃疡的患病率约为15%，这些溃疡导致了该人群中高达84%的下肢截肢[4]。流行病学数据进一步突显了问题的严重性，全球糖尿病足溃疡的患病率估计为6.3%，压疮的患病率为12.8%[5]。从临床角度来看，这些疾病的高发率及其并发症的严重性强调了需要能够随时间重复和可比地评估伤口状态的方法。
在常规实践中，伤口评估通常基于二维（2D）指标（例如长度×宽度、面积）[6]。虽然这些指标获取迅速，但它们存在重要的生物学和几何学限制[5, 7]。在许多情况下，愈合过程并非线性进行；相反，早期变化主要影响Z轴，即随着肉芽组织的逐渐填充，边缘才会明显收缩，2D面积也会减少[8, 9]。因此，三维指标（即体积、最大/平均深度和底部地形）可能在监测不规则、腔状或较深的伤口时提供更多信息，尽管现有文献尚未定义其临床使用的普遍接受的定量深度阈值[8, 10]。三维（3D）方法的另一个优势是在具有明显曲率的区域（如脚、脚跟和胫骨）能够更好地表示几何形状[11]。在这些区域，二维（2D）投影系统性地低估了需要治疗的组织的实际表面积[11, 12]。实际上，这可能支持在不同访问之间进行更可靠的比较，特别是在评估愈合动态时[1, 13]。在临床背景下，深度图通过提供复杂几何形状的直观可视化（例如颜色编码深度）并相对于定义的参考表面进行体积计算，简化了3D数据的解释[9, 10]。
近年来，基于运动结构的光度测量（SfM）技术越来越受到关注，因为它结合了三维测量和实际的可访问性。与需要专用设备的系统不同，SfM解决方案使用标准智能手机，降低了入门门槛，使其能够在医院和远程医疗环境中实施。从临床工作流程的角度来看，数据采集的最佳时机是在常规换药期间——在清洁伤口后、涂抹新敷料之前——这可以最小化伪影并提高重复性[14, 15, 16]。光度测量还可以在操作上进行扩展，因为采集工作可以委托给护理人员，在某些情况下，患者或护理人员也可以根据简单协议进行[1, 17]。多项研究表明，即使是非专家用户，在提供适当的工具和指导的情况下，也可以实现高测量一致性。然而，数据质量取决于基本因素，如标记物对齐、观察角度、焦点、照明条件和设备稳定性。因此，现有文献建议基本的质量控制程序对于实施非常重要，这一点在多项研究中得到了强调[15, 18, 19, 20, 21]。
尽管数字工具发展迅速，但文献并不总是提供关于可靠实施和结果比较的指导。与手动方法相比，二维（2D）指标在分割性能（例如Dice、IoU、mAP）和重复性（ICC）方面都有很好的描述。功能性成像方法，如用于细菌负荷的荧光成像和用于灌注和炎症的热成像，也有广泛报道。新兴的模态如光声成像进一步扩展了这一概念，能够在更深的组织层次进行功能评估，尽管它们与常规伤口监测工作流程的整合仍然有限。相比之下，三维（3D）和体积评估仍受到关键方法学问题的限制，包括缺乏对体积和参考表面的明确定义。验证方法各不相同，没有通用的参考标准，且对绝对误差或一致性分析（例如Bland–Altman）的报告不足。许多研究主要依赖于相关性，这限制了可解释性。此外，缺乏标准化的采集协议和质量控制（QC）标准（例如Accept/Rescan）阻碍了在常规临床条件下收集可重复的数据，特别是在时间压力和光照变化的情况下[11, 22]。
本研究的目的是提供数字伤口监测方法的概述，特别强调移动光度测量技术作为结合三维指标和常规护理可访问性的解决方案的潜力[11, 23]。所回顾的文献还用于识别反复出现的方法学问题，特别是与指标定义、采集变异性和验证方法相关的问题[7, 23, 24]。在此基础上，提出了一种实用的智能手机光度测量工作流程和简洁的最低报告集，作为实用指导，旨在支持常规实施并提高不同研究和环境之间的可比性。
材料与方法
综述类型和范围
进行了一项综述，以系统地识别和整理慢性伤口的评估和监测方法，特别关注三维（3D）测量技术和应用于常规临床实践的基于智能手机的光度测量技术。选择这种综述方法是因为现有方法的多样性很大，包括数据采集方式、图像处理流程、指标定义和验证策略的差异。该综述按照既定的综述框架（例如PRISMA-ScR）设计，旨在绘制现有文献图谱，识别关键的方法学趋势，并评估不同测量方法的临床和实施潜力。分析范围包括在各种医疗环境（医院、门诊和家庭护理）中进行的研究，涉及不同的操作者群体（例如临床医生、护士和患者），以反映伤口监测和数据采集的实际条件。
搜索策略
在PubMed/MEDLINE数据库中进行了全面搜索。回顾考虑了2020年至2026年间发表的出版物，最近一次搜索是在2026年1月28日进行的。搜索策略结合了与三个主要领域相关的关键词及其同义词：（i）伤口类型（例如慢性伤口、溃疡），（ii）监测和测量（例如伤口监测、伤口测量），以及（iii）成像和重建技术（例如三维、深度图、体积、光度测量、基于运动的结构、智能手机、移动设备）。这些术语使用布尔运算符组合，以确保涵盖相关研究的广泛范围[11, 25]。此外，还通过筛选纳入研究的参考列表来进一步识别相关出版物[26]。尽管主要关注2020年后发表的研究，但如果早期出版物提供了伤口测量和3D重建的基本方法学概念或参考标准，也会被纳入[13, 27]。识别出版物、筛选标题和摘要、评估全文以及最终将研究纳入综述的过程以PRISMA图的形式呈现（图1）。数据库搜索最初识别出10,870条记录。经过标题和摘要筛选后，排除了10,580条记录。共检索了290份报告以获取全文，其中280份被评估是否符合纳入标准。经过全文评估后，144项研究符合纳入标准并被纳入最终分析。研究选择和数据提取由作者独立完成，分歧通过讨论解决。两位审稿人独立筛选标题和摘要，然后对符合条件的研究进行全文评估。分歧通过讨论和共识解决。
图1
该图像的替代文本可能是使用AI生成的。
PRISMA图显示了识别、筛选、评估全文和纳入综述的研究的过程[28]
纳入/排除标准
如果研究使用适用于临床实践的定量测量方法来评估或监测慢性伤口，则将其纳入。同时考虑了二维（2D）和三维（3D）方法。符合条件的研究包括原创研究文章（临床研究、试点研究或验证研究），这些文章至少报告了以下一项内容：（i）伤口参数的定量测量（例如，面积、深度或体积）；（ii）图像采集程序的描述（例如，2D或3D成像）；或（iii）测量性能的评估（例如，准确性、重复性或与参考方法的比较）。只有当涉及机器学习或算法方法的研究能够对伤口进行临床可解释的评估时，才会被纳入考虑范围，例如通过支持伤口边界划定、组织分类或面积、深度、体积或其他临床可用指标的量化。仅专注于算法开发、基准分割性能或技术图像分析而不与临床可解释的伤口测量相关的研究被排除在外。如果研究不涉及慢性伤口或超出本综述范围的人群（包括临床前研究、动物研究或急性伤口研究），也会被排除。缺乏定量数据或足够方法学描述的出版物也被排除在外。此外，没有完整方法学细节的综述文章、评论文章、致编辑的信件和会议摘要也被排除。
数据提取与综合
从纳入综述的每篇出版物中提取相关数据，以便从技术、临床和实施角度对慢性伤口监测方法进行结构化的比较分析。提取的变量包括：（i）数据采集方法（例如，成像模式、使用的设备以及采集条件）；（ii）报告的测量指标（例如，伤口面积、深度和体积）及其定义；（iii）验证方法（例如，准确性、重复性或与参考方法的比较）[9]。此外，还提取了研究中报告的局限性以及影响测量质量的因素，包括与采集条件、设备特性和操作者依赖性相关的因素[5]。
为了便于系统性的综合分析，根据主要的测量方法将纳入的研究进行了分组。定义了以下几类：二维成像方法、基于专用扫描系统或深度传感器的三维方法、摄影测量学方法（包括基于智能手机的解决方案）以及其他支持伤口评估的先进成像技术[6, 11, 24, 29]。进行了定性综合分析，以比较这些方法组的特征，包括使用的指标类型、验证策略以及常见的局限性。作为综合分析的一部分，还分析了纳入研究中报告的与临床实施相关的方面，如程序复杂性、硬件要求、对操作者变异性的敏感性以及在常规护理中的可行性[1, 4]。
此外，综述还涵盖了文献中描述的更广泛的监测技术，包括基于成像的方法（例如，2D平面测量、摄影测量学、3D成像、光学和热技术）[32]以及功能或生化方法（例如，灌注评估、组织氧合、pH值测量、皮下水分和生物膜检测）[33]。然而，应该注意的是，许多这些技术依赖于先进且昂贵的设备（例如，光学相干断层扫描OCT、高光谱成像HSI、磁共振成像MRI、正电子发射断层扫描PET、单光子发射计算机断层扫描SPECT-CT和激光多普勒技术），这可能限制了它们在常规临床环境中的应用[4, 30]。通过比较分析，识别出方法在诊断能力、技术复杂性和实施潜力方面的差异。这些观察结果为“讨论”部分中随后提供的解释和实际指导提供了依据。由于这是一项范围综述，因此没有进行正式的偏倚风险评估；目的是绘制可用方法的地图，而不是评估证据的质量[1, 5, 31]。
结果与讨论
本节根据关键描述维度总结了纳入的研究，包括伤口类型、护理环境、测量操作者、方法学方法和报告的指标。这一结构化的概述突出了文献中的主要趋势以及报告中的空白，为后续对测量方法、指标和验证的分析奠定了基础。
纳入研究的概述
分析涵盖了2020年至2026年的出版物，显示出近年来对数字伤口监测的兴趣明显增加[11]。大多数研究发表于2020年之后，而早期的有影响力的工作为指标定义、三维重建和远程医疗方法提供了方法学背景[13]。文献主要关注三种类型的慢性伤口：糖尿病足溃疡（DFU）、压疮（PU）和静脉性腿部溃疡（VLU）[5]。动脉溃疡和手术伤口也有涉及。涉及人工智能（AI）的研究主要基于DFU和PU的数据集，这反映了它们的临床普遍性和数据可用性[32]。在本综述中，只有当AI组件与临床可解释的伤口评估或测量结果相关联时，这些研究才会被保留，而不是作为独立的算法开发工作。
研究环境涵盖了整个医疗保健领域，包括医院、专科诊所、长期护理机构和患者家中。传统上，大多数新技术的验证研究都是在专门的中心进行的。然而，现在有一种趋势是向混合模型和远程医疗支持的居家护理发展，患者数据在他们的家中收集，并由专家远程解读[33]。在某些情况下，特别是在算法开发期间，数据采集是在模拟或实验室条件下进行的[33]。
就测量操作者而言，护士最常进行伤口评估，这反映了常规临床实践。医生更多地参与验证任务和结果的专家解读[7]。随着远程医疗的扩展，患者和护理人员越来越多地参与数据采集，通常使用智能手机成像。一些研究还包括非专家用户来评估可用性[15, 34]。
从技术角度来看，二维（2D）方法仍然是最常用的方法，包括摄影记录和平面测量。这些方法在临床实践中被广泛使用，并且经常作为验证研究中的参考方法[35]。同时，人们对三维（3D）技术的兴趣也在增加，包括结构光系统、立体摄影测量学和基于智能手机的摄影测量学（SfM），以及深度传感器如LiDAR[36]。功能和生理成像方法，如热成像和灌注相关技术也有报道，但在常规测量工作流程中较少使用[11, 27, 40, 41, 42, 43]。
在报告的结果方面，伤口表面积是最常用的指标。现有文献表明，深度和体积的测量较少被报告，并且更多地出现在使用三维（3D）系统的研究中[4, 37]。文献强调了指标定义中的重要差异，包括投影面积和表面积之间的区别，以及参考表面选择和深度估计方法的变异性[11]。不同研究中对测量的验证处理方式有些不一致。在验证研究中，通常侧重于分析重复性和与参考方法的符合性。然而，在临床研究中，测量作为辅助工具时，计量学方面偶尔会被忽略或简要报告。尽管综述广泛涵盖了慢性伤口，但在纳入的研究中糖尿病足溃疡的比例较高。这反映了它们的高临床普遍性和受影响患者的数量较多，从而为研究提供了更多的临床和成像数据。表1总结了综述结果，包括伤口类型、护理环境、操作者角色以及主要的方法学方法和报告的指标。该总结为后续对方法分类以及以下小节中指标和实施限制的讨论提供了结构化的参考[38, 39]。
表1 纳入研究的概述：伤口类型、护理环境、操作者和报告的指标（n = 144）
伤口愈合过程和可测量参数
伤口愈合是一个复杂的生物过程，在急性伤口中按有序方式进行，但在慢性伤口中会变得失调，常常导致修复受损。它通常被描述为四个相互重叠的阶段：止血、炎症、增殖和重塑（图2）[40, 41]。止血涉及血栓形成和免疫激活，随后是炎症，在此期间伤口被清除微生物和坏死组织；增殖阶段以肉芽组织形成、血管生成和上皮化为特征[42, 43, 44, 45]。伤口愈合的最后一个阶段是重塑阶段，在此期间疤痕逐渐成熟，胶原蛋白重新组织。慢性伤口与持续的炎症、蛋白酶失衡、生长因子和细胞外基质的降解以及细胞衰老有关，通常伴有生物膜、缺血和缺氧。在糖尿病患者中，糖基化和晚期糖基化终产物的积累进一步通过影响微循环和组织特性来损害愈合[40, 41, 43, 46, 47, 48]。
图2
伤口愈合级联。重叠的阶段——止血、炎症、增殖和重塑——显示了关键的细胞参与者和组织变化（结痂形成、重新上皮化、血管生成和表皮成熟）[31, 49, 50]
从临床监测的角度来看，纵向评估比孤立测量更具信息量，因为它能够评估愈合动态和治疗反应[51]。这反映了伤口愈合的动态性质，其中可测量的参数（如表面积、深度和温度）随时间变化，必须结合潜在的生物过程进行解释。早期伤口大小的减少——通常表示为面积减少百分比（PAR）——被广泛用作预后指标，大约四周内表面积减少40-50%与改善的愈合结果相关[5, 22]。缺乏这种改善可能表明需要重新评估治疗。同样，许多生理参数需要时间上的解释。例如，在早期炎症中，温度升高可能是预期的，而持续或晚期的升高可能表明感染。一些研究表明，在更深或类似腔体的伤口中，三维指标可能捕捉到二维轮廓测量中不太明显的愈合相关变化；然而，现有文献没有提供普遍验证的定量深度阈值来区分这一点[6, 14, 19, 35, 52, 53, 54, 55]。
在回顾的文献中报告的定量深度相关观察结果仍然有限且不均匀。在一项关于腿部伤口的研究中，报告的伤口深度范围从0.6毫米到7.9毫米，平均深度为3.2±1.6毫米[24]。然而，同一研究表明，对于深度低于大约3毫米的表浅伤口，即使深度估计相差1毫米也可能导致计算体积的差异超过30%，这突显了在非常浅的伤口中体积评估的不稳定性[56]。其他报告指出，一些光学3D系统在深度低于大约2-3毫米时的区分性能较差，而更深的部分可能达到约20毫米，可能仍需要手动探查，因为它们不能被光学表面方法可靠地捕捉[18, 57]。总的来说，这些发现支持了在类似腔体、不规则或较深的伤口中深度相关评估的相关性，但它们没有建立一个普遍接受的临床深度阈值，超过该阈值时Z轴评估成为必要。
在常规临床实践中，用于评估愈合进展的指标可以根据其在标准护理环境（包括诊所、医院病房和居家护理）中的客观性和可行性进行分组（表2）。第一组包括几何参数，如表面积、长度和宽度、周长，在三维（3D）方法中还包括额外的测量，如3D表面积、深度（最大或平均）和腔体体积[58]。几何指标被广泛使用，因为它们允许比较记录治疗进展、可视化趋势以及关于治疗变化的决策[7, 58]。然而，二维（2D）测量有重要的局限性。表面积的减少主要反映了收缩和上皮化，而在深层伤口中，愈合通常涉及从伤口底部的组织填充，这可能不会立即改变伤口轮廓[1]。在解剖学上弯曲的区域，如脚、脚跟或胫骨，基于2D图像的测量可能会低估真实的伤口面积[14]，而不规则的伤口边缘可能导致使用简单几何方法时过度估计[13, 59]。在这种情况下，三维指标可能提供更准确的组织损失变化表示，这取决于用于确定深度和体积的参考表面的定义是否一致[6, 12]。
表2 伤口愈合参数和可行的监测选项概述
第二组包括对伤口床和组织的定性和半定量评估，如肉芽组织、纤维蛋白和坏死的比例，以及伤口边缘特征和上皮化迹象[11, 24]。这些元素与治疗决策之间存在直接关系，例如清创的必要性、敷料选择和评估闭合的准备情况。近年来，人们越来越努力通过图像分析和自动分割来客观化这些元素；然而，这种评估的可靠性取决于图像的质量、光照条件以及伤口边界定义的一致性[5, 23, 31, 33]。第三组参数包括表明炎症、感染和细菌负荷的指标。在传统的临床检查中，这些参数包括对渗出物的评估，包括其数量、颜色和气味。此外，还会考虑疼痛的存在、伤口周围皮肤的状况（特别是任何红斑、浸渍或水肿），以及变化的趋势。在仪器层面，诸如荧光成像（基于代谢物信号指示细菌存在的）和pH值测量等即时检测方法变得越来越普遍[60,61,62]。慢性碱性伤口环境与蛋白酶活性增加和细菌生长有关[49, 63]，而pH值向更酸性转变通常被视为改善的迹象[40]。然而，在解释这些数据时必须谨慎，因为它们应被视为间接指标，而不是感染的确诊依据。这需要全面考虑临床背景和时间趋势，以确保细致的理解。第四组参数包括描述组织活力、灌注和氧合的功能性和生理性参数。在现有的文献和临床实践中，上述评估工具包括用于评估温度（包括温度不对称性）、氧合和灌注的工具（例如用于诊断缺血的血管工具）[64,65,66]。此外，还使用了微循环成像方法。从慢性伤口监测的角度来看，这些参数有助于识别并发症，如缺血和持续性炎症，并区分仅凭伤口几何形状无法解释的改善情况。然而，许多功能性方法需要使用专用设备、标准化的数据采集条件和操作员培训，因此其应用受到限于具备所需资源和专业知识的特定中心[67,68,69,70,71,72]。从实际角度来看，区分可直接测量的参数和间接指标是有用的，正如所审查的研究中所反映的那样。第一组通常包括几何指标（长度、宽度、轮廓，以及在3D情况下还包括从模型计算出的深度和体积）[11, 24, 27, 59, 73, 74]，温度作为物理量[67, 68, 75,76,77,78]，以及通过传感器测量的pH值和其他生物标志物、生物阻抗或湿度（在敷料溶液中）[79,80,81,82]。第二组包括基于这些测量的临床解释，例如根据指定时间内的表面减少情况预测愈合，根据荧光信号推断感染，或根据温度不对称性推断炎症/缺血。这种区分有助于比较不同的测量方法，因为许多方法并不直接捕捉潜在的生物过程，而是提供通常需要在时间趋势和临床评估背景下解释的信号。从实施的角度来看，在诊所和家庭护理中最容易常规监测的参数是使用智能手机获得的几何和视觉参数（用于记录和平面测量的照片，在3D变体中还包括表面重建）[1]，再加上患者报告的简单症状指标。在某些情况下，监测温度也是现实的（例如，在预防糖尿病患者病情变化时），并在工作人员手中使用即时检测工具（例如，在护理访问期间）。另一方面，高度专业化的方法（高级光谱成像、大规模多普勒灌注成像、OCT、用于评估深层并发症的诊断成像、高度复杂的实验室测试）具有很高的诊断价值，但由于成本、程序时间、技能要求和后勤问题，更难以推广[83,84,85,86]。
基于分析的来源，伤口监测和测量的方法可以分为四组：(i) 2D成像和移动应用程序，(ii) 3D和体积方法，(iii) 功能/生理成像，以及(iv) 生物传感器和智能敷料。这种分类既组织了报告的指标范围（几何参数与生理/生化参数），也组织了实施条件（从远程医疗到高度专业化的方法）。
2D数字成像和移动应用程序
最常见的方法是基于数字摄影（通常来自智能手机）的方法，用于记录、平面测量和图像分析（包括使用AI算法）。文献中描述了mHealth应用程序（例如Swift Skin and Wound、imitoWound/imitoMeasure、SeeWound Online）、平面测量系统（例如Visitrak）和图像分析工具（例如ImageJ）[5, 87]。报告的参数主要包括2D几何指标：投影面积、长度和宽度、周长，以及额外的形状描述符（例如圆形度、均匀性）[6, 15, 88]。许多研究还包括基于分割和颜色分类的伤口床组织成分的定量评估（肉芽组织、坏死组织的比例）[24, 86, 89]。这一组的优势在于其广泛的适用性：从诊所和病房到家庭护理和远程医疗模型（存储转发）[52]。同时，作者经常指出与图像质量（光照、阴影、模糊）、不同智能手机中摄像头的差异性以及标准化需求（角度/距离、参考标记、比例和颜色校准）相关的限制。数据隐私和与EHR/EMR系统的集成也是重要的实施问题[1, 8, 33, 84, 90]。图3展示了2D平面测量和线性伤口测量的示例。总体而言，2D数字成像仍然是最易于获取和可扩展的常规伤口监测方法，但其临床实用性强烈依赖于图像标准化，并且由于缺乏直接的深度和体积信息而受到限制。
3D成像和体积方法
第二组包括能够测量空间参数的技术：体积、深度和3D表面（网格表面）。这些技术包括立体摄影测量系统（例如LifeViz 3D）、结构光解决方案（例如eKare inSight、WoundVue），以及基于3D相机和深度传感器的选定方法（包括移动设备中的LiDAR）[11]。在临床实践中，3D方法特别适用于深层伤口和位于解剖曲线上的位置，因为2D投影会扭曲实际表面[18, 36]。同时，文献还描述了成本和设备障碍（专用扫描仪）、采集和处理所需的时间更长、易受运动伪影的影响，以及对有凹陷或隧道的伤口成像的限制[59]。这一组的验证在方法学上要求更高（“真实”体内体积的问题）。来源通常使用2D平面测量/ImageJ作为面积的参考，而对于体积则使用浇铸或材料灌注方法（例如凝胶/溶液），较少使用精密扫描仪或CT[5, 23]。通常会报告重复性（ICC）和一致性（例如Bland–Altman），其中表面积的重复性有时高于深度和体积[18, 56]。以下插图展示了3D采集、重建和深度/体积评估的代表性实例（参见图4）。
功能性和生理成像
第三组方法超越了几何学的限制，提供了关于受试者生理状态和潜在并发症（包括但不限于感染、缺血和灌注障碍）的见解[4]。文献回顾中经常提到用于评估细菌负荷的各种技术，包括荧光成像（例如MolecuLight i:X）和红外热成像（例如FLIR ONE）[63, 91]。此外，光谱/多光谱方法和近红外光谱（NIRS，例如Snapshot IR、TIVITA）也因其评估组织氧合和血液动力学的有效性而经常被引用[92]。报告的指标包括一系列指标，包括荧光信号面积的测量（具有信号区分能力）、绝对温度，以及温度不对称性或梯度的存在[66, 93]。此外，这些指标还扩展到氧合和血红蛋白参数的评估，特别是StO2、氧合血红蛋白（oxy-Hb）和脱氧血红蛋白（deoxy-Hb），以及水分含量[94]。实施的可行性取决于技术复杂性、环境要求和操作员培训。例如，移动热成像有时用于家庭环境中，例如糖尿病患者足部的自我监测[57, 95, 96]。相比之下，昂贵且固定的方法，如激光多普勒成像（LDI）和高级光谱系统，主要在专门中心使用，例如治疗烧伤患者的中心[25]。回顾的研究特别强调了热成像的环境要求，如适应性和采集条件的控制，以及荧光成像所需的环境光线减少。它们还强调了操作员培训的必要性以及与药膏和敷料等因素相关的错误读数的风险[17, 66]。光声成像也被提出作为一种有前景的伤口评估方法，可以提供关于组织氧合和血管结构的深度分辨信息。通过结合光学对比度和超声检测，这种方法能够可视化传统光学方法无法访问的亚表面特征。尽管仍在研究环境中进行主要研究，但光声技术可能为评估更深或更复杂的伤口的灌注和监测提供额外的价值[97,98,99,100]。图5总结了功能性成像的代表性应用。总体而言，功能性和生理成像方法可以提供超出伤口几何学的临床相关信息，但其更广泛的实施受到更高技术复杂性、环境敏感性和常规护理中较低可扩展性的限制。
生物传感器和智能敷料
第四组包括集成到敷料中或佩戴在身体上的传感器解决方案，用于连续的原位监测[62, 80]。来源描述了pH值和温度传感器、微流控平台（例如iCares）[60]、生物阻抗测量[26]，以及多参数解决方案（例如PETAL）[81]，这些解决方案可以覆盖湿度和选定的生物标志物（尿素、葡萄糖、乳酸和细菌标志物）[49, 81]。与成像不同，这些解决方案提供直接的物理化学读数（例如pH值、湿度、阻抗和生物标志物浓度），然后将其解释为临床状态的指标（例如感染、炎症和愈合进展）[61, 101, 102]。然而，大多数解决方案还是原型或试点项目，文献经常提出传感器在伤口环境中的稳定性（生物污染）、材料耐用性、生产成本和监管障碍等问题。图6展示了基于传感器和集成到敷料中的监测方法的示例。总之，生物传感器和智能敷料对于连续和潜在更直接的伤口状态监测很有前景，但目前它们主要是开发中的解决方案，而不是准备好广泛常规应用的工具。
智能手机摄影测量和基于运动的结构（SfM）
3D伤口测量中的一个独立趋势是基于运动的结构（SfM）的智能手机摄影测量，其中通过一系列照片或视频帧进行3D重建。这些方法可以确定体积、深度、3D表面和标准2D参数[24]。然而，文献一致指出测量质量高度依赖于采集协议：需要拍摄多张照片（多视图）、使用参考标记、限制患者扫描期间的移动，以及提供均匀的光照和背景[13, 20, 104]。典型的限制包括运动伪影、伤口底部重建的平滑（体积低估），以及与仅测量表面相比，深度和体积的重复性降低[11]。在实施方面，SfM（结构光测量）具有成本效益，适用于远程医疗，但现有文献也指出了在常规实践中保持一致测量条件的难度、设备的异质性（不同的智能手机），以及与电子健康记录（EHR）的集成有限[5]。如图7所示，所识别的伤口测量方法可以根据典型的输入数据、可能的测量结果以及每种方法的主要限制进行分类。该图展示了可访问性（来自智能手机的2D测量）与更丰富的定量/生理信息（3D、功能成像、智能敷料）之间的权衡，后者通常需要更大的投资或更受控制的条件。摄影测量/SfM是一种低成本的3D选项；然而，它对运动和采集质量特别敏感[105, 106]。图7的替代文本可能是使用AI生成的。全尺寸图像。
流程图总结了2020-2026年间发表的研究中报告的主要伤口测量方法、相关指标和实际限制。作者制作。
在这些方法学组中，主要的权衡在于可访问性和信息丰富度之间：较简单的方法更容易大规模实施，而更先进的方法可能提供更深入或更生理的洞察，但需要更高的技术和组织要求[7, 92, 107]。
表3提供了代表性研究的比较总结，突出了关键技术特征和报告的验证方法。这些方法的临床性能将在下文中进一步讨论。所包含的研究展示了方法上的多样性，包括基于智能手机的摄影测量（SfM）、基于LiDAR的3D成像、结构光系统、多模态设置以及有无AI支持的常规2D方法[11]。基于智能手机和低成本的成像解决方案是研究最频繁的，反映了它们在常规临床应用中的潜力。在报告的情况下，准确性指标通常表明与参考方法（包括基于尺子的测量、数字平面测量（例如ImageJ）和专用3D系统）有很高的一致性，相关系数或组内相关系数通常超过0.9[36, 83]。然而，关键的技术参数（如图像数量、处理时间和重建流程）在不同研究中报告不一致，限制了直接的数量比较。此外，一些研究依赖于模型或受控条件，而不是完全代表性的临床环境[23]。常见的限制包括在小或不规则伤口上的性能下降、对采集条件（如照明和相机位置）的敏感性，以及缺乏深度或体积的标准化定义[3, 59, 108]。总体而言，文献表明许多现代伤口测量技术在选定的验证环境中显示出有希望的准确性和可靠性，尽管显著的异质性限制了研究之间的直接可比性。
所审查的研究采用了多种验证策略来评估伤口测量方法的准确性和临床可靠性。最常见的是将新技术与传统的参考标准进行比较，包括基于尺子的测量、数字平面测量（例如ImageJ），以及较少使用的专用3D系统或物理体积估计方法，如凝胶或糊剂填充[9, 109]。报告的验证指标多种多样，其中组内相关系数（ICC）是最广泛用于评估一致性的指标，通常显示出高到极好的可靠性。相关系数和基于误差的指标也经常被报告，而涉及自动分析的研究还使用了分割指标，如Dice系数或交并比[110, 111]。许多研究明确评估了内部和评估者之间的可靠性，一致显示数字和3D方法比手动技术具有更好的重复性。验证在真实的临床环境和受控模型中进行，一些研究结合了两者以平衡几何准确性和临床真实性[23]。然而，也发现了一些限制，包括缺乏真正的伤口测量黄金标准、依赖于主观专家注释，以及基于图像的方法对采集条件（如照明和相机位置）的敏感性[7, 24]。此外，光学技术在捕捉复杂伤口几何形状（如深隧道或侵蚀）方面仍然有限。总体而言，尽管文献支持现代数字伤口测量方法的准确性和可靠性，但验证方法和参考标准的大量变异性限制了研究之间的直接可比性[11]。
在所检查的研究中，报告的伤口测量结果可以分为三类：（i）基于二维（2D）或三维（3D）成像确定的几何指标，（ii）描述随时间变化的趋势指标（纵向分析），以及（iii）评估测量一致性和重复性的验证指标。最常报告的指标是二维（2D）中的投影面积，而评估三维（3D）技术（结构光、LiDAR、立体摄影测量和SfM）的研究越来越多地将深度和体积也作为标准。
在审查的文献中，最常报告的几何指标是二维（2D）伤口面积，通常是通过计算校准图像或正射影像上伤口边界内的像素来计算的[24]。其主要临床用途在于能够进行纵向评估愈合情况，特别是通过跟踪伤口面积随时间的变化[22]。长度和宽度通常分别定义为伤口的最大尺寸和最大垂直尺寸。这些参数在比较数字工具和基于尺子的测量的研究中经常被报告，尽管简单地将面积近似为长度×宽度会导致不规则形状伤口的面积高估[6]。周长也在分割过程中经常被计算出来，主要用于描述伤口形状，例如通过圆形度等描述符。
在三维（3D）方法中，还报告了其他几何指标，最常见的是最大深度、3D表面积和体积。最大深度通常定义为伤口床与代表周围健康皮肤的参考表面之间的最大距离[58]。3D表面积是从重建的网格计算得出的，作为其组成三角形面积的总和，从而考虑了伤口床的拓扑结构和解剖曲率。体积主要在3D研究中报告，量化了参考表面和伤口床之间的空间[59, 112, 113]。尽管这些指标被广泛使用，但它们的确切操作定义可能因研究而异，特别是对于深度和体积，这限制了不同系统之间的可比性。虽然个别研究报告了示例深度值或范围，但审查的文献尚未建立标准化的或临床验证的深度截止值。因此，文献没有提供关于何时应替换或正式优先考虑二维评估的指导。
二维表面与身体曲线上的三维表面：2D投影方法假设伤口是一个平面物体；因此，这种方法对视角和“平坦皮肤”的假设很敏感。相比之下，3D指标（网格表面）基于重建的几何形状，考虑了曲率和不规则性[59]。在曲率显著的区域（如脚、脚跟、脚趾和胫骨），二维（2D）和三维（3D）测量之间的差异尤为明显[9]。在这些区域，2D评估可能会大大低估需要治疗的组织实际表面积。相反，在相对平坦的表面上，这些差异往往可以忽略不计。
大多数3D方法通过确定一个近似于健康皮肤覆盖在伤口边缘的参考表面来计算体积[23]。然后，体积被计算为该表面与测量的伤口床表面之间的高度差的总和。参考表面可以是由最小二乘法拟合的平面或根据解剖曲率拟合的曲线表面（例如样条或多项式）。由于参考表面固定在伤口边缘，边缘分割的方法直接影响体积结果。在监测随时间变化的情况下，确保观察到的表面定义的一致性至关重要。这对于减轻访问之间的系统误差影响，从而确保收集数据的可靠性和有效性是必要的[13]。
确定伤口边界是评估过程中最主观的阶段之一。实际上，无论是手动追踪（在胶片上还是屏幕上数字化）仍然被用作参考点，而自动/半自动方法则使用经过专家标记的图像训练的颜色分割或深度学习模型。在大多数研究中，真实值是从临床医生注释中得出的，而不是客观的物理标准。更严格的研究采用多位专家的共识（例如，叠加掩模/投票）来最小化评估者之间的差异[21, 110, 114]。
最常用的趋势指标是PAR（百分比面积减少），即伤口面积相对于初始值的百分比变化，通常在早期时间点评估，作为对治疗的反应指标[1, 22]。此外，还报告了愈合率（单位时间内的面积变化，曲线的斜率）、闭合时间（完全上皮化）和组织组成轨迹（例如，基于颜色分类的方法中肉芽组织/上皮的增加和纤维蛋白及坏死的减少）[14, 86, 115]。成像研究中的测量质量通常使用组内相关系数（ICC）来评估，它量化了评估者或测量之间的一致程度[18]。Bland–Altman分析和误差度量（例如MAE、MRE和RMSE）用于传统数据集，而对于人工智能（AI）分割，领域内标准的掩模重叠度量包括Dice和IoU；典型的误差来源包括照明变化（阴影/眩光）[24, 35, 110]。已识别的错误包括：非垂直的相机角度和视角（特别是在二维（2D）方法中）、错误使用比例标记（非伤口床的平面）以及运动模糊，这在需要一系列拍摄的三维（3D）方法中尤为相关[结构从运动（SfM）]。表4概述了基于成像的伤口监测研究中记录的基本几何指标，附有其简洁的定义和常见的临床应用[11, 23]。总体而言，审查的软件生态系统表明没有单一工具能够决定测量质量；相反，可重复性取决于整个采集-重建-分析流程的一致性。
影响摄影测量质量的主要因素：3D重建的质量和SfM中指标（2D面积、3D表面、深度、体积）的可靠性似乎强烈依赖于采集条件。它们决定了算法是否能够正确匹配不同拍摄之间的特征点，并保持一致的尺度，以及伤口边界的分割在访问之间是否稳定[13, 23]。以下因素经常被报告为测量质量的主要决定因素：
- 照明和湿润组织上的反射：镜像反射和过度曝光会在3D模型中生成错误的匹配点或“孔洞”，这可能会平滑伤口底部并低估其深度和体积。不均匀的光线和阴影会损害组织轮廓和分类，这可能会模仿恶化（例如，阴影作为坏死）或掩盖改善[58, 119, 120, 121, 122]。
- 患者和操作者的移动（运动模糊）：模糊和微动违反了多视图重建的假设，导致3D模型不完整或不存在；实际上，这会导致体积/深度的可变性高和趋势不稳定[9, 23]。
- 2D中的相机角度和距离：偏离垂直拍摄会导致视角缩短和投影2D面积的系统低估，这可能会人为地“改善”访问之间的PAR；未经适当校准的可变距离会放大尺度误差[24, 52]。
- 重叠和拍摄次数（SfM）：覆盖不足和视角太少会导致几何间隙和重建中的“孔洞”，这会直接降低3D指标（表面积、深度、体积）[24, 106]。
- 纹理和图像背景：平滑、均匀的皮肤或均匀区域（渗出物、纤维蛋白）提供的特征点较少，这会促进底部的平滑并低估深度/体积；复杂的背景可能会干扰感兴趣区域（ROI）的检测[73]。
- 脚、脚跟或胫骨的解剖曲率：2D方法可能会显著低估伤口的实际大小，使得比较访问结果变得困难，并可能掩盖实际的变化动态[107, 118]。
智能手机摄影测量的应用同样受到多种实际和光学因素的限制。在变化的光照条件下，测量的质量可能会受到影响，这是由于湿润组织的镜面反射以及皮肤或伤口床反射率的差异，这些因素会影响特征匹配和边界可见性[13, 23]。运动伪影、伤口或标记物的部分遮挡以及复杂的几何结构（如皮下组织破坏或隧道形成）已被证明会进一步降低重建的质量。此外，智能手机摄像头、传感器和图像处理流程的差异可能会影响设备间的可比性，尤其是在非受控的临床环境中[23]。如图8所示，提供了一个定性的敏感性矩阵，展示了在摄影测量学和基于运动的结构（SfM）领域中典型采集错误的影响。根据总结结果，三维指标（包括3D表面积、最大深度和体积）对运动伪影、反射、重叠不足和缺乏纹理特别敏感。相比之下，二维指标（如面积和周长）则容易因拍摄角度不垂直和解剖结构弯曲而发生失真。这种综合分析有助于解释愈合趋势，并指出了采集协议中需要最严格控制的部分。
图8
这张图像的替代文本可能是使用AI生成的。
全尺寸图像
热图显示了与采集相关的因素对基于图像的方法中最常报告的伤口指标的定性影响（1=低影响/错误或重建失败风险低，2=中等影响/风险中等，3=高影响/风险高）。由作者创建
这些因素的相对重要性会受到环境变化的影响。在临床环境中，虽然可以部分控制条件，但时间限制通常会导致程序简化并降低图像质量[11]。在医院环境中，最主要的限制通常是患者的状况和定位挑战，再加上背景的复杂性。在家庭环境中，成功进行三维分析的主要障碍是缺乏关于照明、角度和距离等关键因素的标准化。这种缺乏标准化同时增加了模糊的风险，这种现象经常使得收集的数据不适合进行三维分析。这些偏离最佳条件的情况在临床上并不中立，因此必须加以解决，以确保分析过程的可靠性和有效性[33]。有研究表明，改变2D相机角度可以明显减少投影面积并人为增加PAR[123]。此外，三维（3D）误差有可能掩盖肉芽形成阶段的真正进展，从而给人一种停滞的错觉。相反，改善后续访问的条件（例如，改善照明）有可能“揭示”更深的几何结构。这种表现形式表现为数据的突然恶化[52]。因此，回顾的文献建议在两个层面上进行质量控制：实时机制（拒绝模糊、过度曝光、缺少标记物或标记物因视角而变形的图像）和采集后的过滤（去除异常值、对检测置信度进行阈值处理以及评估重建的一致性）。在纵向分析中，使用增强重复性的工具（如幽灵图像叠加技术）非常重要。此外，在更复杂的解决方案中，基于多张照片的方法（例如，信息合并和减少单个反射/阴影的影响）也具有重要意义[13, 58]。
在摄影测量学和基于运动的结构（SfM）领域，测量的精度不是由方法本身决定的，而是由严格遵守的采集协议决定的。关键参数包括稳定的照明、不动、恒定的角度和距离、标记物放置在与伤口床相同的平面上以及足够的重叠。在这样的条件下，可以在不同访问之间更可靠地比较三维指标[10, 124]。图9总结了采集条件和质量控制（QC门）对后续处理阶段的影响。这些阶段包括重建/分割、指标失真（例如，面积、深度、体积）以及临床和治疗决策的误解风险。如图所示，即使在图像阶段出现的小错误也可能在整个分析链中传播。
图9
这张图像的替代文本可能是使用AI生成的。
全尺寸图像
从伤口图像采集到临床决策的工作流程：QC门 → 重建/分割错误 → 指标失真 → 潜在的临床误解，强调了使用经过验证的指标进行基于指标的决策支持。由作者创建
智能手机摄影测量的挑战和局限性
尽管智能手机摄影测量具有实际的可访问性和较低的硬件成本，但它有几个重要的局限性[62]。测量质量高度依赖于标准化的采集条件，与光照变化、湿润组织的镜面反射、运动伪影、不理想的相机角度、不足的重叠和较差的图像纹理相关的错误可能会降低重建质量，并降低深度和体积相关指标的可靠性[11, 13]。其他挑战包括智能手机摄像头和图像处理流程的差异、设备间可比性有限，以及难以捕捉复杂的伤口几何结构（如被遮挡区域、皮下组织破坏或隧道形成[23]。这些局限性并不排除临床使用，但它们表明智能手机摄影测量应该被视为一种对协议敏感的方法，其性能强烈依赖于采集质量、质量控制程序以及应用它的临床环境[16, 22]。
支持慢性伤口测量的软件：从采集到3D分析
实际上，三维指标（网格表面积、深度、体积）不是由单一算法确定的，而是由整个处理链决定的，包括：(i) 数据采集，(ii) 3D重建，以及 (iii) 分析和报告。每个阶段选择的工具会影响几何质量、标准化的可行性（QC）、测量的重复性以及与临床文档的互操作性。
采集阶段（扫描和数据收集）
移动解决方案和经典的多张照片摄影主导了材料采集阶段[11, 87]。扫描应用程序可以在摄影测量模式下记录数据，在配备深度传感器的设备中也可以在深度图模式下记录数据[36, 125]。实际和技术工作中使用的移动应用程序示例包括Polycam、RealityScan、PIX4Dcatch，以及其他解决方案（Scaniverse、Scandy Pro、Qlone）[11]。在伤口测量的背景下，重要的不是“应用程序的名称”，而是支持重复性的功能：稳定的曝光、无需数字缩放即可工作、正确的元数据记录以及方便的导出（例如，网格/纹理）以便进一步处理[13, 86, 93]。另一种方法是使用标准相机/智能手机在照片模式下拍摄一系列具有高重叠度和不同角度的照片。这种方法对硬件要求不高，但高度依赖于协议（照明、静止、距离、比例标记），这直接关系到重建和三维指标的稳定性。
重建阶段（摄影测量学/SfM → 3D模型）
重建将照片或视频集转换为点云和带纹理的3D网格[23, 24]。商业工具如Agisoft Metashape、RealityCapture和PIX4D包常用于专业应用。在学术和原型制作环境中，开源解决方案很常见，包括Meshroom（AliceVision）、OpenMVG/MVE，以及具有GUI界面的中间工具，如Regard3D。几何结果受到重建设置（图像对齐、过滤和异常值排除、纹理策略）和相机特性的影响（例如，运动伪影/滚动快门）。从后续测量的角度来看，重要的是重建流程在不同访问之间保持一致，并且导出应包括网格（如果需要的话）和纹理，以便于分割[11, 13]。
分析阶段（测量、解释、报告）
分析包括确定伤口边界（手动或自动）、计算指标以及准备报告和归档的材料。实际上，有三种类型的工具：(1) 通用和科学软件（例如，ImageJ/Fiji、MATLAB/Python脚本）[22, 83]，(2) 3D几何后处理（例如，Blender用于网格清理、背景去除和模型准备），(3) 集成测量和文档的临床系统（例如，Swift Medical、WoundZoom、Silhouette/SilhouetteStar、WoundVue、WoundDesk/Tissue Analytics）[35, 56, 126]。在2D解决方案（ImageJ/Fiji）中，程序通常归结为缩放图像并确定ROI，从而得到面积和周长。3D解决方案还根据参考表面的定义（“盖子”）提供空间指标（深度/体积）。临床系统通常提供现成的报告，并与电子健康记录/电子病历（EHR/EMR）集成，而学术工具则提供对指标定义和处理参数的更大控制[1]。
使用AI的分割和自动化
在致力于测量自动化的研究中，深度学习模型在伤口边界分割（较少见的是组织分类）方面占主导地位[21, 110]。最常描述的是U-Net架构系列（包括U-Net++及其变体）和检测/实例方法（例如，Mask R-CNN）[114]。许多报告实现了高掩膜重叠度（Dice/IoU），但结果的转移性取决于注释的质量、边缘定义的一致性以及图像的质量控制（照明、反射、模糊）。在临床实践中，AI减少了手动工作量，但并没有消除对采集协议和质量控制门的需求[16, 111, 119, 125]。因此，AI在伤口测量中的实际价值不在于替代临床判断，而在于支持更快、更标准的工作流程，前提是注释质量、采集一致性和外部验证保持适当。
表5提供了标准伤口测量工作流程中使用的软件的全面概述。该工作流程涵盖了各种过程，包括数据采集、三维重建、指标分析和报告。仔细检查提供的总结可以了解每个阶段最常用的仪器及其在临床和研究环境中的相应应用。这种分割简化了仪器选择过程，并保持了多次访问和中心之间的方法一致性[21, 22, 24, 127]。
表5 伤口测量的软件工作流程（从采集到报告）
全尺寸表格
常规使用的实际工作流程和检查清单
本节提供了从实施模式、限制和回顾文献中发现的反复出现的问题中得出的实际指导。因此，应将其视为基于所包含研究的实用指导，而不是所有研究中统一验证的程序的直接总结。在常规伤口护理中，成像应被视为护理程序的一部分，而不是单独的检查。回顾的文献建议在实际更换敷料时进行成像：在清洁和干燥伤口之后，以及在涂抹药膏和更换新敷料之前[63, 128]。将其纳入常规可以减少伪影（渗出物、敷料碎片、反射）的数量，并提高访问之间的可比性，从而直接转化为对趋势的可靠评估[22, 58]。
值得区分两个级别的工作流程：快速的2D协议（在办公室和病房中最常见）和3D/SfM协议（要求更高，但对体积和深度指标有用）[7, 11]。无论技术如何，实践表明，最终指标的质量似乎强烈依赖于可重复的采集条件和接受拍摄前的简单质量控制。
移动应用程序和数字摄影的工作流程
关于移动应用程序和照片文档的研究中报告的典型过程可以总结为六个步骤。首先，暴露伤口，用生理盐水清洗并干燥，然后去除松散的皮肤碎片或水泡（如果有的话）。下一步是校准：将比例标记（例如，贴纸/标记）放置在伤口旁边的健康皮肤上，与伤口床处于同一平面。然后设置框架：将相机垂直于伤口放置，通常工作距离约为15-30厘米，以便整个伤口、健康皮肤的边缘（实践中通常推荐）和整个标记都在视野范围内。拍摄一张照片（在许多应用程序中，只有在正确检测到标记后才能进行记录）。采集后进行分割：操作者在屏幕上勾勒伤口的边界，或接受自动生成的轮廓并在必要时进行修正。最后，应用程序计算指标（例如，长度、宽度、面积）并将它们保存在本地或发送到文档系统[10, 17, 29, 33]。
3D和SfM方法（摄影测量学）的工作流程
在3D/SfM方法中，准备阶段是相似的，但采集部分更长且对运动更敏感。肢体被稳定地放置（通常在均匀的表面上或靠近标记物的位置），然后围绕伤口以弧形移动拍摄一系列具有高重叠度的照片（例如，15-20张），同时保持相机对准伤口[13, 24]。或者，可以使用一段短视频（几秒钟），算法会从中选择帧。采集数据后，这些数据会被处理成点云/3D网格，这通常比2D分析花费更长的时间。在临床实践中，当我们需要测量体积和最大深度等指标时，或者当2D表面无法反映伤口变化时（例如，伤口变浅的速度快于其轮廓变化的速度）[9, 11, 23]，这种协议特别有用。清洁和干燥伤口后，应将肢体稳定放置在均匀的背景上。如果可能的话，应在伤口旁边的完整皮肤上放置一个几何比例标记物，使其与伤口床处于同一平面[17]。为了确保最佳结果，图像采集时应避免使用数字缩放。使用稳定的曝光和漫射照明至关重要，以减少潮湿组织的反光[13]。对于静态图像的SfM（结构光测量），在围绕伤口做浅弧形移动的同时拍摄大约15-20张重叠的照片[24]。在标准实践中，可以使用20-30厘米的工作距离和近乎垂直的观察几何结构作为实际目标，同时确保有足够的数据重叠度以进行特征匹配[15, 29]。如果使用基于视频的采集方法，应仅保留视角变化足够的清晰帧用于重建[24]。然后可以使用Agisoft Metashape、RealityCapture、PIX4D等摄影测量软件或类似的流程来进行重建。网格清理和指标提取则在专门的3D分析工具中完成。表6提供了常规智能手机摄影测量/SfM的实际采集和重建参数的简要总结。
为了提高清晰度，常规伤口成像中使用的智能手机摄影测量工作流程在图10中以示意图形式进行了总结。
图10
常规伤口成像中智能手机摄影测量/SfM的实际工作流程，包括伤口准备、标记物放置、图像采集、质量控制、3D重建和指标提取。由作者创建。
从相关文献中得出的实际实施原则[6, 129, 130, 131, 132, 133]总结出以下在研究中反复出现的采集问题，并将其转化为实际操作指南：
(1) 保持与伤口90°的角度（垂直的光轴），因为即使是轻微的偏差也会在2D图像中产生投影误差，并可能人为增加PAR（光强度比）。
(2) 将标记物放置在伤口旁边的健康皮肤上，并且与伤口床处于同一平面；标记物不能弯曲或部分被遮挡。
(3) 避免在潮湿组织上使用点光源；优先使用漫射光或环形照明以减少反射和颜色烧毁。
(4) 保持恒定的工作距离（通常约为20-30厘米）；距离太近会增加光学畸变，距离太远会降低分辨率和分割稳定性。
(5) 提供具有良好对比度的均匀背景（例如，在肢体下方放置垫子），以防止算法因环境噪声而“丢失”边界。
(6) 稳定患者和操作者的手（肘部支撑、肢体支撑）；运动模糊会降低边界和组织分类的准确性，在SfM中，这可能会导致重建失效。
(7) 使用重影功能来保持每次访问之间的图像可比性，减少趋势评估中的“边界漂移”。在实际操作中，基于质量控制门（QC gates）的简单接受决策是有价值的。如果图像清晰（无模糊）、伤口和标记物完全在画面内、曝光正确且标记物的几何形状没有明显的相机倾斜，则可以认为照片是可接受的。在3D/SfM中，还需要确保连续照片之间有足够的数据重叠，并且没有导致序列不一致的断开或移动[106, 133]。
当出现以下典型情况之一时，可能需要重新采集：模糊（运动模糊/失焦）、标记物检测不到或标记物因透视而变形（例如，呈现为“梯形”而不是“正方形”）；图像明显曝光不足或过度曝光（潮湿组织上的反射）、伤口部分被遮挡（敷料、手指、背景元素）、角度明显偏斜，或者距离超出工作范围。对于SfM，如果序列中的重叠度太少，或者患者在录制过程中移动了肢体，也需要重新扫描，这通常会导致网格中出现“空洞”或重建失败[24]。
根据环境（办公室-患者床-家庭）调整工作流程
在办公室里，时间往往是主要限制因素，因此那些“强制”执行最低质量控制的解决方案（标记物检测、焦点控制、提示如“重新拍照”）特别有用。通过改变照明角度或使用漫射光也可以减少治疗灯的反光[13, 21, 33, 62]。
在患者床边，定位和背景是一个问题。在肢体下方放置均匀的垫子，并尽可能缩短采集时间（单张照片或短视频而不是长时间扫描）效果很好。如果患者难以保持静止，一个实际的做法是两人合作：一个人稳定肢体，另一个人拍照[16, 128]。
在患者家中，最大的变量来自照明、操作者的技能和智能手机的多样性。因此，程序应基于固定比例/颜色的标记物、实时反馈（焦点、曝光）以及保持可重复帧的机制（重影）[62]。此外，简单的“技巧”，如将肘部放在固定位置并在相同的光照条件下拍照，可以显著提高图像系列的质量。
在临床实践中，大多数测量错误发生在采集阶段，因此引入了一个简明的迷你检查清单，用于在更换敷料时常规使用。这些规则包括伤口准备、正确的构图和简单的质量控制（QC）“门”，以判断图像是否可接受或需要重新拍摄。这种标准化减少了模糊、比例（标记物）错误和曝光对指标（如PAR、深度/体积）的影响，并降低了误解愈合趋势的风险[1, 16, 109]。图11总结了用于图像接受或重新采集的迷你检查清单。
图11
更换敷料时使用的迷你检查清单：伤口准备、构图指南以及支持伤口成像（2D和SfM/3D）中接受/重新扫描决策的质量控制（QC）门。由作者创建。
临床安全、感染控制和特定人群的考虑
从临床角度来看，智能手机摄影测量是一种非接触式和非侵入性的成像方法，对于患有糖尿病或血管疾病的慢性伤口患者来说可能具有优势，因为它在测量过程中不需要直接接触伤口床[7, 53]。综述文献表明，当遵循标准化的采集协议和基本的质量控制程序时，该方法可以实现高一致性[33]。然而，专门为高风险亚组设计的正式安全研究仍然有限[11]。重要的是，不应将智能手机摄影测量本身视为一种预防感染的手段。实际上，它的优势在于减少了基于接触的测量的需求，而感染预防仍然依赖于常规的伤口护理卫生措施、设备的适当处理、避免设备与伤口的接触以及遵守当地的感染控制程序[11, 36, 112]。
伤口测量方法的选择也应根据患者的年龄、合作程度和临床情况进行调整。在老年人中，虚弱、活动能力受限、震颤、疼痛或认知障碍可能会降低多张图像采集的可行性，在某些情况下，更快的二维记录更为合适[124]。同样，在儿童中，合作和运动控制可能会影响图像质量和重复性，特别是对于多视图3D重建[33]。在这些人群中，当深度相关信息或弯曲的解剖结构具有临床意义时，智能手机摄影测量仍然有用，但可能需要更短的采集协议、护理人员的协助和简单的实时质量反馈。总体而言，综述文献支持在标准化协议可行的情况下，将智能手机摄影测量作为常规使用的实用选项，但方法的选择应取决于患者和具体临床环境[11, 23]。
文献中的验证
在文献中，伤口监测成像方法的验证有两种方式：一种是评估随时间进行的测量结果的可靠性，另一种是评估与参考方法的一致性/准确性[7, 35]。在愈合监测的背景下，该方法的实际价值不仅取决于它是否“测量正确”，还取决于它是否能够稳定地跟踪不同访问之间以及不同测量人员之间的变化（例如，PAR、愈合速率、体积变化）[9, 109]。
测量的重复性和跟踪愈合趋势
文献回顾显示，关于移动应用和专用系统的研究经常报告高内的和评分者间的可靠性，智能手机解决方案中的面积内类相关性（ICC）通常在0.97到1.00之间，而选定的三维（3D）系统中的ICC大于0.99[9, 15, 109]。这一发现可能在临床上有意义，因为趋势（PAR/愈合速率）的评估基于连续时间点的比较分析。这要求访问之间的变化可归因于生物学上的愈合过程，而不是操作者、角度、比例或帧的差异。综述文献表明，对于纵向监测来说，测量的一致性可能比单次读数的绝对准确性更为重要。也就是说，如果设备表现出一致且可预测的偏差，它仍然能够准确反映变化的“方向和速度”[18, 35, 57, 109]。在这种范式下，较高的重复性对于实质性解释愈合曲线是不可或缺的，特别是在由不同人员交替进行评估时。文献回顾显示，三维指标对重建误差的敏感性高于二维指标。即使在面积和周长的重复性极高的情况下，体积的重复性也可能相对较低，深度测量也可能失败，例如在某些条件下报告的值为0毫米。从临床角度来看，这一现象在深度伤口的背景下尤为重要，因为在增生阶段，进展最初可能表现为深度和体积的减少，然后才出现伤口二维轮廓的明显减小[13]。
与参考标准的符合性：我们实际验证的内容
没有适用于所有伤口尺寸的单一、通用的“黄金标准”，因此实际验证取决于所测量的指标[19, 24, 54]。对于2D领域，最常用的方法是数字平面测量（例如，在带有比例尺的照片上使用ImageJ进行手动追踪）或接触平面测量（在箔片/醋酸纸上追踪并进一步计数/扫描）。尺子方法仍然被用作参考点，但它受到众所周知的几何假设导致的系统误差的影响。对于深度，临床标准仍然是手动探针；对于体积，腔体填充技术（生理盐水/凝胶）或石膏被认为是“物理”参考，较少使用高度专业化的成像参考（例如，在模型研究中的CT）[6, 21, 109, 134]。因此，文献不仅验证了数值结果本身（cm²、mm、cm³），还验证了导致该结果的整个过程。在AI方面，这是分割一致性（Dice/IoU和边界误差测量）；在3D方面，是重建一致性（点云/网格距离误差）；在用户方面，是程序稳定性（ICC、Bland–Altman、CV）。实际上，这意味着两个系统可能对同一区域报告相似的ICC，但在绝对误差方面可能存在差异（例如，由于不同的缩放或不同的边缘定义规则）[7, 18, 73, 116]。
监测中的测量误差和决策阈值（临床效用）
有一系列研究探讨了测量误差的大小与治疗反应评估中使用的决策阈值之间的关系[1, 7]。这项研究表明这两个因素之间存在直接相关性，强调了测量误差在治疗评估背景下的重要性。值得注意的是，在治疗开始的最初四周内，面积减少约40-50%这一早期标准在这方面显得尤为重要[11, 22, 117]。从临床角度来看，问题在于该方法产生的误差可能与决策阈值本身相当。如果传统方法系统性地高估了面积，那么计算出的PAR可能会被人为夸大或变得不稳定[5, 6, 116, 135, 136]。这增加了错误乐观、治疗停滞或治疗不当改变的风险。综合来看，所审查的研究表明，仅报告相关性可能不足以评估方法之间的互换性，而一致性度量和绝对或相对误差指标提供了更具临床解释性的信息。现有文献中的一个关键补充是输入数据质量的影响。现有证据表明，图像质量下降（如照明不足、模糊以及伪影的存在）可能会使误差达到开始“模拟”临床显著变化的程度。这反过来可能导致错误地表明愈合或恶化。这证实了使用质量控制（QC）步骤（例如清晰度、曝光、标记、遮挡）作为验证程序的一个不可或缺的部分，而不仅仅是一个附加项[19, 33, 108]。
讨论结果可比性时缺少什么？最常被引用的限制是缺乏标准化：采集协议（角度、距离、照明、标记）、校准方法（比例和颜色）以及度量本身的定义[5, 11, 33]。体积的可比性尤其成问题，因为它取决于确定闭合缺陷的参考表面的方法以及“零”水平的定义[13, 18, 106]。不同的插值算法和对突出组织的不同处理方式可能导致同一伤口的结果有很大差异，这使得比较研究和在不同设备之间转移决策阈值变得困难[23, 24, 56]。另一个障碍是组织分割和分类中的“真实值”主观性：专家之间的差异以及伤口边缘和组织类别的模糊定义意味着AI模型往往从不一致的标签中学习。最后，文献强调了缺乏实际研究，特别是在家庭护理中，设备和用户技能的异质性会影响数据质量和趋势稳定性[21, 53, 86, 111]。根据所审查的文献，结果的可比性和系统间的互操作性似乎需要标准化的度量定义，特别是3D度量，以及质量控制（QC）和采集标准、不确定性及一致性限值的报告，并在临床相关的人群和环境中进行跨平台研究[33]。
基于所审查文献中发现的方法学空白，提出了一套基于成像的伤口测量的最低报告标准。该框架旨在作为实用指南，以提高研究的透明度、重复性和可比性。不应将其解释为正式验证的报告标准，而应视为从包含的研究中反复出现的限制中得出的结构化检查清单[11, 16, 137, 138]。所提出的框架总结在图12中。
图12
关于伤口成像的最低报告标准，包括采集、质量控制（QC）、软件、度量和临床背景。由作者创建
在采集部分，对记录设备及其功能的清晰全面描述至关重要。建议包括相机或智能手机的型号以及传感器分辨率[16]。此外，还应提供协议中使用其他传感器的信息；例如，用于3D测量的深度传感器或热成像中的热成像相机[58, 139]。鉴于相机的光学特性和工作模式会影响清晰度、失真和几何稳定性等参数，报告中必须包含从可重复性角度相关的采集设置。例如，“宏观”模式、禁用数字变焦、固定焦距和文件格式[13, 38, 73, 83]。
另一个需要标准化的元素是记录的几何形状：相机与伤口之间的距离，以及光轴相对于伤口床的方向。在2D协议中，垂直拍摄被认为是参考设置，因为它可以最小化透视误差。同时，也指出光轴的较大偏差会导致表面积低估，从而直接影响愈合率的评估。在3D方法（包括SfM）中，仅垂直拍摄是不够的——需要从不同角度获取一系列图像或短视频，以便算法能够进行特征匹配和空间重建。在这种情况下，还应报告连续拍摄之间的重叠要求和最小照片/帧数，因为重叠不足会降低重建的稳定性并增加伪影的风险。应详细描述照明条件，以便在其他中心能够重现照明场景。研究表明，不均匀的光线、阴影和伤口湿润表面的反射是最常见的分割错误原因（无论是手动还是自动）。实际上，建议报告光线类型（现有光线与专用光线）、如何最小化眩光以及使用闪光的规则。对于特定方法（荧光、热成像），环境要求更为严格：在荧光中，可能需要限制环境光；而在热成像中，重要的是要稳定环境条件（温度和湿度）并让患者有时间适应[24, 56, 70, 106]。
在大多数协议中，参考标记的存在是获得测量尺度和可比性的前提。报告应包括关于标记类型（用于缩放和定位的几何标记和/或用于颜色校正的颜色图案）及其放置规则的信息。特别重要的是要指出标记必须与伤口在同一平面上，并且保持完全可见，没有任何可能改变其几何形状的弯曲或倾斜，否则可能会使校准失效[19, 140]。
由于输入数据的质量决定了度量的可靠性，建议明确报告质量控制（QC）程序和接受/重新扫描标准。实际上，QC包括清晰度评估（例如，使用基于拉普拉斯方差的度量或等效方法）、曝光和眩光评估、标记完整性验证（检测、完整性、几何形状），以及与协议的距离和角度符合性评估。在3D系统中，还评估相机移动的稳定性和拍摄覆盖范围；对于视频，一些解决方案只选择“清晰帧”进行重建。分析来源中最常关注的重采集标准包括：标记未检测到或变形、运动模糊、过度光反射以及超出可接受范围的距离/角度[20, 21, 23]。
软件报告不仅应包括工具的名称，还应包括影响结果的版本和设置。分析的工作包括统计软件包（例如IBM的SPSS）、图像分析工具（例如在国立卫生研究院环境中开发的ImageJ）和计算环境（例如MathWorks的MATLAB）的完整标识。在3D重建的情况下，重要的是要指出流程和参数，如特征密度、相机模型（包括滚动快门支持）、异常值排除规则、平滑处理和插值/孔填充程序。对于机器学习方法，应报告架构、数据准备方法、训练超参数（优化器、学习率、批量大小、损失函数）、增强方法和验证程序。这种详细程度对于结果在独立环境中可解释和可重复是必要的[21, 22, 24, 35]。
为了提高研究结果之间的可比性，还需要明确度量的定义。对于表面积，应指定报告的面积是2D投影（图像/正射影像上的平面测量）还是基于网格计算的3D表面积（考虑曲率和不平整性）。最模糊的是体积，因为它需要基于伤口周围皮肤数学重建的“参考表面”的定义；不同的算法（平面近似、多项式插值、样条、凸包方法）可能导致同一伤口的结果有很大差异。对于深度，应指明报告的是最大值还是平均值，并描述处理缺失数据（例如在狭窄的鼻窦中）的程序。在组织度量（组织百分比）中，应描述使用的分类模型和注释的来源，因为专家之间的一致性可能有限，结果容易受到照明和颜色校准的影响[9, 24, 141, 142, 143, 144]。
临床背景也显著影响测量的解释，因此报告应指定图像采集的时间与卫生和治疗活动的关系。对于几何测量，通常建议在清洁和可能的治疗之后但在应用新敷料之前记录伤口，以便伤口床的边缘随时间可见且可比较。在热成像中，需要考虑暴露伤口后的适应过程和环境条件的控制，因为蒸发和压力会暂时改变温度分布。在细菌荧光中，通常会描述清洁前后的成像，以及去除血液的要求，因为血液会抑制荧光信号[16, 21, 63, 142]。
为了提高可实施性，提出的最低报告标准以两种互补的格式呈现。表7总结了旨在支持研究和实施之间一致报告的强制性报告项目。表8则提供了临床和研究环境中常规文档的扩展实用模板。
如表8所示，提出的访问报告模板组织了一组旨在支持可重复成像和定量伤口测量的最低信息。该表格涵盖了采集的临床背景、注册参数（包括设备、几何形状和照明）、标记的使用和校准，以及基本的质量控制标准和接受/重新扫描决策。这些领域的标准化已被证明是减少由于距离、角度或照明条件变化导致的误差风险的有效方法。这一过程有助于比较不同访问和中心之间的结果。此外，软件和度量定义部分（包括确定体积参考面积的方法）有助于分析透明度，并使工作流程在独立研究中可复制[11]。
结论
这项范围综述表明，数字伤口监测方法越来越多地被用于支持慢性伤口的纵向评估，其中伤口面积是最常报告的指标，糖尿病足溃疡在已发表的文献中占主导地位。在包含的研究中，基于趋势的评估似乎比单次测量更具临床信息量[109]。此外，访问之间的重复性通常被认为比单次测量的准确性对纵向监测更为重要[7]。现有文献表明，二维测量可能会低估解剖学上弯曲表面的伤口范围，而三维方法可能为深度伤口以及在深度或体积变化先于伤口轮廓可见减少的情况下提供额外价值[9, 92]。
同时，证据基础仍然存在异质性。所包含的研究在伤口类型、成像方式、采集协议、验证策略和度量定义方面存在显著差异[11]。具体来说，当前文献缺乏足够标准化的框架来定义和比较三维度量，如深度和体积，特别是在用于体积计算的参考表面方面[13]。此外，使用的验证方法也不一致。许多研究依赖于相关性、专家注释或受控设置，而不是在常规临床条件下进行的标准化一致性分析。此外，糖尿病相关伤口的过度出现以及现实世界中关于家庭护理的证据有限，这些因素降低了某些结论的普遍适用性[11, 120]。在这些限制条件下，智能手机摄影测量技术成为伤口记录和三维评估的一种有前景的低成本方法，尤其是在优先考虑长期随访而非单一测量的情况下[13, 109]。然而，文献仅支持在标准化采集、基本的质量控制以及度量定义和验证方法的透明报告条件下使用该技术。目前，现有的研究支持谨慎采用该技术，但并不能强烈证明其在不同设备、工作流程或临床环境中的普遍可比性[11, 33]。未来的工作应重点制定三维伤口度量的标准化定义，特别是体积和参考表面的构建方法，同时制定关于采集条件、质量控制程序和验证指标的最低报告标准。需要在常规护理和家庭监测环境中进行多中心研究，以确定这些方法在不同操作者、设备和环境下的稳定性。进一步的比较研究还应明确智能手机摄影测量技术在哪些方面比简单的二维方法具有临床优势，以及改进的测量结果是否能带来更好的治疗决策或患者预后。此外，未来的研究还应关注基于人工智能的伤口分割技术的临床验证，以及深度学习在伤口测量流程中的更广泛整合，包括自动边界检测、组织分类和质量控制支持。另一个重要方向是开发移动或近实时的三维重建工作流程，以便在护理现场更可行地进行体积评估。还需要加强与远程医疗平台的整合，以支持远程随访、标准化的家庭数据采集以及跨就诊和护理环境的伤口状态纵向比较[114, 117, 125, 127]。
