في الوقت الذي تشهد فيه مجالات الرعاية الصحية تطورًا ملحوظًا، جاء هذا البحث ليطرح حلاً حديثًا لمشكلة تصنيف الجروح ومعالجة الحدود بدقة عالية. يعد تصنيف الجروح (Wound Classification) وتحديد حدودها أحد أبرز التحديات التي تواجه الأطباء، حيث تعد هذه الوجوه أساسية لتوجيه القرارات السريرية، خاصة في حالة الجروح المزمنة والحادة.

تعتبر الكثير من نماذج الذكاء الاصطناعي الحالية محدودة في قدرتها على التعامل مع مجموعة ضيقة من أنواع الجروح أو شدة الإصابات، مما يؤثر سلبًا على تطبيقها في المجال السريري. تدور الأبحاث حول نموذجين متخصصين يعتمد كل منهما على تقنية YOLOv11، حيث يقدمان أداءً متفوقًا في تصنيف الجروح، ويستهدفان خمسة أنواع رئيسية من الجروح: إصابة الحروق، إصابة الضغط، قرحة القدم السكرية، القرحة الوعائية، والجروح الجراحية.

قام الباحثون بإنشاء مجموعة بيانات متوازنة تضم 2963 صورة مشروحة لتدريب النماذج على كلا المهمتين: تحديد حدود الجروح وتصنيف أنواعها، باستخدام طريقة التقاطع المتعددة (Five-Fold Cross Validation). أظهرت النتائج أن النماذج المدربة على البيانات الأصلية غير المحسنة قد أدت أداءً ثابتاً عبر الفحوص، لكن دقة اكتشاف إصابات الحروق كانت منخفضة نسبيًا. ومع ذلك، فقد أدت زيادة البيانات من خلال التدوير، والقص، وتفاوتات الإضاءة، والتشبع إلى تحسين الأداء بشكل كبير، خصوصًا في الحالات المرئية الصعبة.

من بين النسخ التي تم اختبارها، حقق نموذج YOLOv11x أفضل أداء في حدود الجروح (F1-Score: 0.9341; mAP50: 0.9629). بينما حصل النموذج YOLOv11m على أعلى mAP50 (0.9194) وmAP50-95 (0.6950)، وسجل النموذج YOLOv11l أعلى F1-Score (0.8797). كما أظهر النموذج الخفيف YOLOv11n دقة مشابهة بتكلفة حسابية أقل، مما يجعله مناسبًا للنشر في البيئات ذات الموارد المحدودة.

تشير النتائج المدعومة بمصفوفات الارتباك والمخرجات البصرية إلى قدرة النماذج على التصدي للخلفيات المعقدة وتنوع الحالات داخل كل نوع، مما يدل على البراعة المحتملة لنماذج YOLOv11 في تقديم تحليلات دقيقة وعالية الجودة للجروح في بيئات الرعاية السريرية والبعيدة.