人工智能（artificial intelligence，AI）作为计算机科学的一个重要分支，旨在通过算法、数据和计算能力模拟或扩展人类智能的核心能力，其核心领域包括机器学习（machine learning，ML）、自然语言处理、计算机视觉、智能机器人等[1]。1943年，M-P神经元模型的提出为AI的理论基础奠定初步基石。1956年达特茅斯会议的召开，标志着AI学科的正式诞生。20世纪80年代ML逐渐受到重视，但其对大数据的处理能力有限。21世纪初至今，深度学习（deep learning，DL）的出现是AI发展的重要标志[2]。目前AI模型借助计算机、大数据、传感器等多学科交叉技术，已应用于医疗、金融、交通、工业制造等领域。在医疗领域，AI能够像人类医师一样感知、推理、学习和决策，迅速识别微小病灶并提供量化数据支持，降低漏诊率和误诊率，提高诊断速度。如DeepMind开发的AI系统能分析乳腺X线片，自动检测潜在癌症病变，将漏诊率降低5.7%[3]。随着AI的不断发展与进步，其在医疗领域的应用日益广泛，不仅在医学影像分析上表现出色，在创面修复领域中也显现出巨大的潜力[4]。

皮肤作为人体的第一道屏障，既可以保护体内的器官和组织免受外界有害物质的损伤，又可以防止水分、营养物质及电解质的丢失[5]。当皮肤受到外伤、感染和其他疾病等危险因素侵害时，会形成急性创面或慢性创面[6]。在美国，每年有超过1 100万人受到急性创面的影响，超过600万人患有慢性难愈性创面（chronic refractory wound，CRW），导致每年的创面护理费用超过300亿美元[7-8]。CRW是由各种因素引起的，经过常规治疗干预，不能在可预期时间（通常为4周到3个月）内按生物学规律完全愈合的创面[9]。随着社会的发展、人口老龄化及生活习惯的改变等，CRW的发生率随之上升，预计到2045年，全球糖尿病患者将达7亿人，其中约25%的患者会有CRW[10]。CRW现已被认为是全球流行病，其严重的并发症、高昂的医药支出及难治性，影响着全球人类的健康，造成沉重的社会和经济负担[11]。面对如此严峻的创面问题，传统方法主要依赖于医师的临床经验和直观判断，存在主观性强、效率低等问题。而AI可快速分析大量创面图像，辅助诊断、测量创面、评估创面情况等。本文旨在综述AI在创面修复领域中的最新应用进展，探讨其在创面评估、诊断、治疗及后续护理及监测等方面的作用和价值。

1 AI在创面评估及诊断方面发挥重要作用

1.1 AI创新创面测量系统

创面的大小、面积、深度等都是愈合的重要指标[12]。与传统以尺子为参照对象的各种AI测量系统不同的是，Chang等[13]发明了一种以指甲为参照对象来测量创面的长度、宽度及表面积的系统，该系统结合了3种DL模型，使用Image J软件，通过对所拍摄的图像进行定位分割分析来得出准确的创面面积。尽管该方法目前的精确度和准确性低于传统的创面测量工具，但其优势在于易于使用。传统的智能测量可能会受到光线、拍摄距离等影响，无法准确分析图像面积。Carrlón等[14]研发了一种基于DL的自动创面检测和尺寸估算方法，能够自动处理非均匀的创面图像，并在多种挑战中显示出良好的鲁棒性（高鲁棒性意味着更强的抗干扰性、容错能力和可靠性，能有效降低系统崩溃风险并提升综合性能）。传统的数格子法与直尺法容易导致创面的二次感染，二维图像虽然可以免接触皮肤来测量创面的长度、宽度及表面积，但其深度及体积并不能捕获。为此赵紫阳等[15]设计了一种基于图像分割和孔洞修复的三维创面测量方法，通过实验得出该方法的测量误差低于3%，其测量精度及稳定性皆优于传统接触式和基于二维图像处理的创面测量方法，并弥补了二维图像不能计算深度与体积的不足。Raizman等[16]总结了关于手持式细菌荧光成像设备的应用，该设备不仅能测量创面面积，还能进行细菌检测和靶向清创，其创面测量的准确性超过95%。这些创新不仅避免创面二次感染风险，更通过精准量化指标为治疗方案优化提供了数据支撑。

1.2 AI驱动创面组织自动识别

创面内存在不同组织的类型，包括上皮组织、肉芽组织、坏死组织等，如何正确识别这些组织类型，对于创面的愈合有着重要的影响。Mukherjee等[17]探索将颜色和纹理特征与ML算法相结合来对创面中的肉芽、坏死和腐烂组织进行分类。肉芽组织的准确率为86.94%，腐肉组织的准确率为90.47%，坏死组织的准确率为75.53%。Ramachandram等[18]开发了一种基于DL进行全自动创面组织分割和分类模型，该模型在移动设备上可以快速生成分割结果，并表现出较高的准确率。Zahia等[19]开发的基于卷积神经网络（convolutional neural network，CNN）的自动压疮组织分割和分类方法，能够准确识别压疮图像中的不同组织类型，对于肉芽组织、坏死组织及深处组织的分类平均准确率为92.01%。Liu等[20]使用基于面片的CNN对伤口图像进行全面评估，包括8个特征，其中在坏死组织、肉芽组织和边缘皮肤活力伤表现最佳。这些技术不仅提高诊断的准确性，还为创面愈合过程中的治疗决策提供有力支持。

1.3 AI驱动的CRW精准识别与量化分析

CRW包括糖尿病足溃疡（diabetic foot ulcer，DFU）、静脉性溃疡（venous leg ulcer，VLU）、动脉性溃疡、压力性损伤（pressure ulcer，PU）、感染性溃疡等，不同创面的治疗策略差异显著。因此，医师首先需要准确“看清”创面——这不仅指肉眼观察，更指借助AI将医学图像逐像素地分割，精确提取溃疡边界、面积及其与周围组织的关系，从而量化伤情[21]。以DFU为例，Shah等[22]发明了一种名为CADFU的新型CRW诊断系统，用于检测和分割DFU，其平均精度为86％，能够准确地检测和分割足部溃疡，有助于提高诊断效率和治疗效果。Malihi等[23]开发了一种基于CNN的AI模型，通过对图像自动分析与分类，成功区分了DFU与VLU。Lo等[24]开发了一种通过分析亚洲人群的血管创面图像，对神经缺血性溃疡、手术部位感染、VLU和PU进行分类，其准确率达91.3%。Sarp等[25]结合DL及可解释AI，将DFU、淋巴管、PU和手术创面4种类型进行分类，可解释AI使AI应用更加透明、可信和可追溯。这些技术突破不仅解决了传统肉眼鉴别的主观性局限，更为精准治疗方案的制订提供了客观依据。

1.4 AI在蛇咬伤蛇种识别中的应用

对于寻常的急性创面，临床医师大多可以做出准确诊断，但对于蛇咬伤，大多数医师没有专业知识并不能准确识别蛇的种类，从而无法正确地选择抗蛇毒血清。监督学习作为ML的一种学习模式，可广泛应用于分类和回归任务，如图像识别和医疗辅助诊断等，基于此Durso等[26]利用监督学习及计算机视觉技术从照片中识别蛇类物种，可以识别45种蛇类。Rajabizadeh和Rezghi[27]通过比较一系列最先进的ML方法发现，DL方法在蛇类图像分类中具有更高的准确率，且模型较轻，适合在移动设备上使用。Bolon等[28]基于VisionTransformer的AI模型，通过分析蛇的图像，可以快速识别世界各地蛇的种类，将其分为有毒和无毒两大类，其准确率为82.88％。当蛇咬伤患者不能精准拍下蛇的图片时，便无法通过分析蛇的图片来识别其种类。Hassan等[29]基于DL和量子粒子群优化的分层云架构，通过蛇咬伤的创面来识别埃及眼镜蛇及其他种类的蛇。但该模型目前只针对埃及眼镜蛇进行了训练，并不能识别更多的种类，未来可以扩大数据增加更多的蛇咬伤图像进行训练。这些模型为医务人员提供准确的治疗方案，正确地选择抗蛇毒血清，节约时间成本，挽救患者的生命。

1.5 AI技术在烧伤临床评估中的应用与价值

烧伤创面评估（包括深度分级、面积测定及伤情分度）高度依赖临床经验，主观性强、一致性差，低年资或一线医师因经验不足更易误判，评估失准可致严重后果或远期并发症[30]。Taib等[31]通过系统评估和meta分析发现，如果仅考虑24 h内的急性创面检查，临床医师的准确率在62%，而ML准确率在81.32%～88.60%，准确率要高于临床医师。Yıldız等[32]开发了一款以YOLOv7为模型将烧伤图像进行检测和分类，以Flutter为框架的应用程序，可以快速确定烧伤程度，并提供相应的急救建议。此系统可为经验较少的临床工作者提供辅助诊断及早期的急救治疗方案。CNN作为DL的代表性分支，通过卷积运算、权值共享等机制显著增强了DL在视觉任务中的性能[33]。基于此Jiao等[34]设计了一种基于CNN及DL的烧伤创面图像分割方法，使用Mask R-CNN框架，通过实验对比3种不同的骨干网络得出R101FA骨干网络在150张图片中实现了准确率为84.51%的精确分割，在不同烧伤深度、面积的分割中效果最佳。该方法在临床应用中具有很大的潜力，能够快速、准确地进行烧伤创面的分割和面积计算。AI为基层医疗提供了标准化诊断工具，更通过非接触式评估降低了二次损伤风险，推动精准医疗在急诊救治中的实践应用。

2 AI在创面修复治疗中的应用

2.1 智能敷料与无创传感

当创面被敷料覆盖后，无法观察敷料下创面是否存在炎症或感染，Zheng等[35]发明了一种类似纸张的无电池原位AI支持多路复用传感器，可以监测温度、pH值、三甲胺、尿酸和水分，利用DL算法进行整体伤口评估，是一种省时的创面监测方法。该发明对于DFU患者，无论是创面的局部处理，还是基础原发病的治疗都非常重要。Zhu等[36]设计了一种响应创面微环境的智能伤口敷料，该敷料含二甲双胍的CuPDA NPs 复合水凝胶，可以智能地释放二甲双胍，并通过光热响应性和Cu2+的缓慢释放根除细菌，也可促进血管形成并减轻炎症，对DFU的愈合有显著的促进作用。Mostafalu等[37]发明了一种智能绷带能够实时监测创面的pH值和温度，并通过刺激响应型药物释放系统根据需要释放抗生素，该绷带配备一个微控制器，用于处理传感器测量的数据。这些技术共同为医疗专业人员提供更精准、实时的创面管理工具，有望改善患者预后，减少并发症，并推动创面护理向更智能化、个性化的方向发展。

2.2 机器人技术与智能材料驱动下的外科精准缝合

外科手术中缝合质量直接决定创口闭合及术后愈合效率。人工缝合高度依赖术者的技巧与经验，难以匹敌机器人或自动化系统的精度，易致张力不均、针距参差，甚至副损伤[38]。Vargas等[39]采用有限元法建模针-组织接触力，并借助CNN（以DeepLabV3+为主干）实时检测创面，使用UR3机器人和EndoWrist夹具，成功执行了由创面检测引导的自主缝合。Joglekar等[40]开发了一种重建算法，能够实现对缝合线的准确重建和抓取，该技术在超过400次抓取试验中表现出最先进的准确性，并可应用于自主缝合针操作的各种技术中，为外科医师提供精细、无颤抖的手术工具。缝合线的选择在外科缝合中也是至关重要的，Nespoli等[41]开发了一种新型NiTi形状记忆合金缝线，利用其热弹性相变特性实现温控形变：室温（20～22 ℃）下呈开放构型，体温（约32 ℃）触发后自动闭合，从而免除进针与手动打结。随着科学技术的发展，缝合线已从单纯的物理工具转变为具有生物活性和智能监测功能的医疗设备，Liu等[42]设计了一种抗菌光电子传感缝合线，其灵感来源于天然蜘蛛丝纤维的“核-壳”多层结构，具有抗菌、促进创面愈合和传感功能。虽然目前该缝线主要在动物模型中进行了测试，但为未来的创面治疗提供了新的解决方案。这些创新技术的发展，预示着外科手术缝合将迈向更高的精准度和智能化水平，为患者带来更优质的治疗效果和更快的康复体验。

3 基于AI的慢性创面愈后护理与复发预防

慢性创面患者的治疗核心在于创面本身，然其预后更取决于规范、持续的后续护理与动态监测。Frykberg等[43]对智能足垫技术来预测DFU的可行性和有效性进行了评估。该足垫是一个家庭用的远程医疗系统，通过测量足底的温度，来评估足底温度不对称性，从而预测非急性足底DFU的发生。智能足垫需要每天进行测量，依从性差的患者可能并不会按时测量，为解决患者依从性问题，Khandakar等[44]设计了一款测量足底压力和温度的智能鞋垫，通过压力传感器与温度传感器获取数据，并使用Python创建实时数据记录器，将数据保存到本地数据库。该鞋垫目前仅在实验阶段，但对于早期发现糖尿病足并发症具有潜在价值。对于下肢血管疾病，尤其是DFU及VLU的患者，需要进行持续性的跟踪，Souza等[45]提供了一个远程监测平台，通过结合可穿戴技术和智能算法，帮助患者和医师管理下肢血管疾病。Ferreira等[46]开发一种基于移动设备的创面面积测量方法，该方法只需使用移动设备拍摄图片，再结合OpenCV框架来实现创面面积的测量。不仅可以实现患者、医师、护理人员三方数据共享，而且降低远程医疗的成本。这些技术的发展和应用，有望提升患者的自我管理能力，降低复发率，改善生活质量，为慢性创面患者带来更加便捷、高效的护理和监测解决方案，未来前景广阔。

4 讨论

AI在数据处理、效率、适应性、成本效益、实时性、灵活性和扩展性等方面具有显著优势，既能通过实时标注与即时反馈为经验不足的医师提供“可视化导师”，缩短学习曲线，又凭借标准化决策路径与案例对照模块，在教学中充当客观评价工具，帮助低年资医师纠正认知偏差、强化临床思维，并弥补传统医疗无法覆盖的痛点，AI正在重构全球创面诊疗的效率和公平性。尽管AI在创面修复领域取得了显著进展，但仍存在一些不足之处。首先，目前大多数AI模型依赖于大量的标注数据进行训练，而创面图像的标注工作繁琐且耗时，限制了模型的应用范围。其次，不同医疗机构之间的数据孤岛问题严重，导致AI模型难以跨机构推广和应用。此外，AI技术在创面修复中的长期效果和安全性仍有待进一步验证和评估。

在未来，AI在创面修复领域的应用将在以下几个方向发展：一是推动跨机构数据共享和标准化建设，打破数据孤岛；二是加强AI技术的临床验证和评估工作，确保其长期效果和安全性；三是结合其他先进技术如物联网、大数据等，构建更加智能化、个性化的创面修复系统；四是探索AI技术在创面修复中的新应用场景和模式，如智能康复，为患者提供更加便捷、高效的医疗服务。

5 小结

AI正加速融入创面修复，从评估、诊断、治疗到愈后管理均取得突破性进展。DL模型已实现对创面面积、体积、组织成分的高精度自动量化，并可在糖尿病足、烧伤、压疮等慢性创面分型及蛇咬伤的蛇种识别中提供客观决策依据；智能敷料与无创传感技术实时监测温度、pH值、细菌负荷，为个体化用药和感染预警提供数据支撑；机器人缝合与形状记忆合金缝线提升外科操作精度，减少二次损伤；远程足垫、鞋垫及移动端面积测量系统则延伸院外护理场景，降低复发风险。AI在创面修复领域的智能化与个性化发展趋势，为中医药在该领域的应用提供了全新契机：通过DL解析舌象、脉象，实现辨证分型，进而智能推荐方药，形成个体化中医方案。尽管目前AI在中医药创面修复应用的研究还处于起步阶段，但其潜力巨大。总之，AI技术将继续推动创面修复领域的创新和发展，为患者带来更优质的治疗效果和护理体验。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1] 王茹，李毅恒，孙世仁，等. 人工智能在医学教育中的应用前景与挑战[J]. 中国医学教育技术，2025，39：306-310.

[2] MUTHUKRISHNAN N，MALEKI F，OVENS K，et al. Brief History of Artificial Intelligence [J]. Neuroimaging Clin N Am，2020，30（4）：393-399.

[3] 杨坪锟，马昊原. 人工智能：医疗机构发展的新引擎[J].中国信息化，2025（5）：24-25.

[4] GUO Y，HAO Z，ZHAO S，et al. Artificial intelligence in health care：bibliometric analysis [J]. J Med Internet Res，2020，22（7）：e18228.

[5] 中华医学会医学美学与美容学分会皮肤美容学组. 修复皮肤屏障功能的专家共识[J]. 中华医学美学美容杂志，2022，28（1）：1-4.

[6] WANG P H，HUANG B S，HORNG H C，et al. Wound healing [J]. J Chin Med Assoc，2018，81（2）：94-101.

[7] JING J，SUN X，ZHOU C，et al. Cloning，Expression and Effects of P. americana Thymosin on Wound Healing [J].Int J Mol Sci，2019，20（19）：4932.

[8] WHO launches the World Health Statistics 2012 [J]. Euro Surveill，2012，17（20）：20175.

[9] 董炜，肖玉瑞，吴敏洁，等. 中国慢性难愈性创面诊疗思路及原则[J]. 中华烧伤杂志，2018，34（12）：868-873.

[10] SAEEDI P，PETERSOHN I，SALPEA P，et al. Global and regional diabetes prevalence estimates for 2019 and projections for 2030 and 2045：results from the International Diabetes Federation Diabetes Atlas，9（th） edition [J]. Diabetes Res Clin Pract，2019，157：107843.

[11] HEYER K，PROTZ K，GLAESKE G，et al. Epidemiology and use of compression treatment in venous leg ulcers：nationwide claims data analysis in Germany [J]. Int Wound J，2017，14（2）：338-343.

[12] GELFAND J M，HOFFSTAD O，MARGOLIS D J. Surrogate endpoints for the treatment of venous leg ulcers [J]. J Invest Dermatol，2002，119（6）：1420-1425.

[13] CHANG D H，NGUYEN D K，NGUYEN T N，et al. Application of deep learning in wound size measurement using fingernail as the reference [J]. BMC Med Inform Decis Mak，2024，24（1）：390.

[14] CARRIÓN H，JAFARI M，BAGOOD M D，et al. Automatic wound detection and size estimation using deep learning algorithms [J]. PLoS Comput Biol，2022，18（3）：e1009852.

[15] 赵紫阳，林文伟，罗冠泰，等. 基于图像分割和孔洞修复的三维伤口测量方法[J]. 科学技术与工程，2022，22：10572-10578.

[16] RAIZMAN R，DUNHAM D，LINDVERE-TEENE L，et al.Use of a bacterial fluorescence imaging device：wound measurement，bacterial detection and targeted debridement [J]. J Wound Care，2019，28（12）：824-834.

[17] MUKHERJEE R，MANOHAR D D，DAS D K，et al. Automated tissue classification framework for reproducible chronic wound assessment [J]. Biomed Res Int，2014，2014：851582.

[18] RAMACHANDRAM D，RAMIREZ-GARCIALUNA J L，FRASER R D J，et al. Fully automated wound tissue segmentation using deep learning on mobile devices：cohort study [J]. JMIR Mhealth Uhealth，2022，10（4）：e36977.

[19] ZAHIA S，SIERRA-SOSA D，GARCIA-ZAPIRAIN B，et al. Tissue classification and segmentation of pressure injuries using convolutional neural networks [J]. Comput Methods Programs Biomed，2018，159：51-58.

[20] LIU Z，AGU E，PEDERSEN P，et al. Comprehensive assessment of fine-grained wound images using a patchbased CNN with context-preserving attention [J]. IEEE Open J Eng Med Biol，2021，2：224-234.

[21] RAHIM K，SALEHA S，ZHU X，et al. Bacterial contribution in chronicity of wounds [J]. Microb Ecol，2017，73（3）：710-721.

[22] SHAH S，RIZWAN A，ATTEIA G，et al. CADFU for dermatologists：a novel chronic wounds & ulcers diagnosis system with DHuNeT （dual-phase hyperactive UNet）and YOLOv8 algorithm [J]. Healthcare，2023，11（21）：2840.

[23] MALIHI L，HÜSERS J，RICHTER M L，et al. Automatic wound type classification with convolutional neural networks [J]. Stud Health Technol Inform，2022，295：281-284.

[24] LO Z J，MAK M H W，LIANG S，et al. Development of an explainable artificial intelligence model for Asian vascular wound images [J]. Int Wound J，2024，21（4）：e14565.

[25] SARP S，KUZLU M，WILSON E，et al. A Highly transparent and explainable artificial intelligence tool for chronic wound classification：XAI-CWC [J]. 2021. DOI：10.20944/preprints202101.0346.v1.

[26] DURSO A M，MOORTHY G K，MOHANTY S P，et al. Supervised learning computer vision benchmark for snake species identification from photographs：implications for herpetology and global health [J]. Front Artif Intell，2021，4：582110.

[27] RAJABIZADEH M，REZGHI M. A comparative study on image-based snake identification using machine learning [J].Sci Rep，2021，11（1）：19142.

[28] BOLON I，PICEK L，DURSO A M，et al. An artificial intelligence model to identify snakes from across the world：Opportunities and challenges for global health and herpetology [J]. PLoS Negl Trop Dis，2022，16（8）：e0010647.

[29] HASSAN A，ELHOSENY M，KAYED M. Hierarchical cloud architecture for identifying the bite of “Egyptian cobra” based on deep learning and quantum particle swarm optimization [J]. Sci Rep，2023，13（1）：5250.

[30] LIU Y J，WU P，AN G，et al. Research advances on the techniques for diagnosing burn wound depth [J]. Zhonghua Shao Shang Yu Chuang Mian Xiu Fu Za Zhi，2022，38（5）：481-485.

[31] TAIB B G，KARWATH A，WENSLEY K，et al. Artificial intelligence in the management and treatment of burns：a systematic review and meta-analyses [J]. J Plast Reconstr Aesthet Surg，2023，77：133-161.

[32] YILDIZ M，SARPDAĞı Y，OKUYAR M，et al. Segmentation and classification of skin burn images with artificial intelligence：development of a mobile application [J].Burns，2024，50（4）：966-979.

[33] MAJI P，MULLINS R. On the Reduction of computational complexity of deep convolutional neural networks [J]. Entropy，2018，20（4）：305.

[34] JIAO C，SU K，XIE W，et al. Burn image segmentation based on mask regions with convolutional neural network deep learning framework：more accurate and more convenient [J]. Burns Trauma，2019，7：6.

[35] ZHENG X T，YANG Z，SUTARLIE L，et al. Battery-free and AI-enabled multiplexed sensor patches for wound monitoring [J]. Sci Adv，2023，9（24）：eadg6670.

[36] ZHU S，ZHAO B，LI M，et al. Microenvironment responsive nanocomposite hydrogel with NIR photothermal therapy，vascularization and anti-inflammation for diabetic infected wound healing [J]. Bioact Mater，2023，26：306-320.

[37] MOSTAFALU P，TAMAYOL A，RAHIMI R，et al. Smart bandage for monitoring and treatment of chronic wounds [J].Small，2018：e1703509.

[38] YAMADA T，SUDA H，YOSHITAKE A，et al. Development of an automated smartphone-based suture evaluation system [J]. J Surg Educ，2022，79（3）：802-808.

[39] VARGAS H，VIVAS A，BASTIDAS S，et al. Advances towards autonomous robotic suturing：Integration of finite element force analysis and instantaneous wound detection through deep learning [J]. Biomed signal proces，2025，101：107181.

[40] JOGLEKAR N，LIU F，RICHTER F，et al. Autonomous image-to-grasp robotic suturing using reliability-driven suture thread reconstruction [J]. IEEE Robot Automation Letters，2025，10（4）：3676-3683.

[41] NESPOLI A，NINARELLO D，BASSANI E，et al. Proof of concept of a self-tightening needle-less suture using a NiTi shape memory alloy [J]. Bio-Design Manufacturing，2023，6（5）：536-549.

[42] LIU M，ZHANG Y，LIU K，et al. Biomimicking antibacterial opto-electro sensing sutures made of regenerated silk proteins [J]. Adv Mater，2021，33（1）：e2004733.

[43] FRYKBERG R G，GORDON I L，REYZELMAN A M，et al. Feasibility and efficacy of a smart mat technology to predict development of diabetic plantar ulcers [J]. Diabetes Care，2017，40（7）：973-980.

[44] KHANDAKAR A，MAHMUD S，CHOWDHURY M E H，et al. Design and implementation of a smart insole system to measure plantar pressure and temperature [J]. Sensors，2022，22（19）：7599.

[45] SOUZA J，VIEIRA A，CONCEIÇÃO L，et al. A remote monitoring platform for the management of lower limb vascular diseases [J]. Stud Health Technol Inform，2023，302：1013-1014.

[46] FERREIRA F，PIRES I M，PONCIANO V，et al. Experimental study on wound area measurement with mobile devices [J]. Sensors 2021，21（17）：5762.

Research progress of artificial intelligence in wound repair

NI Baoling1 LI Jiehui2 WANG Yaya1 BAI Xingfu1 LAO Riling1 FAN Kunyue1

1.The First Clinical Medical College, Guangxi University of Chinese Medicine, Guangxi Zhuang Autonomous Region,Nanning 530001, China; 2.Department of Wound Repair Surgery, First Affiliated Hospital of Guangxi University of Chinese Medicine, Guangxi Zhuang Autonomous Region, Nanning 530023, China

[Abstract] Wound healing is a complex biological process involving inflammatory responses, proliferative remodeling,and microenvironmental homeostasis regulation. Its outcomes are significantly influenced by critical factors such as wound assessment, etiological diagnosis, systemic interventions, and post-treatment management. Traditional approaches rely on clinicians' subjective experience and visual interpretation, presenting limitations including substantial inter-observer variability, low quantitative accuracy, and constrained diagnostic efficiency. Artificial intelligence (AI) technologies, particularly deep learning, have achieved high-precision identification of wound tissue components, three-dimensional quantification of area-volume, and automated classification of chronic wound subtypes,significantly enhancing assessment objectivity and reproducibility. Concurrently, AI-driven smart dressings and remote monitoring platforms enable real-time acquisition of microenvironment parameters such as temperature, pH value, and bacterial load, providing data support for developing and dynamically adjusting individualized treatment strategies. This review summarizes the latest research advances in AI for wound repair, exploring its application value and prospects in auxiliary diagnosis, precision treatment, and post-treatment management.

[Key words] Wound repair; Artificial intelligence; Deep learning; Review

[中图分类号] R622；R318

[文献标识码] A

[文章编号] 1673-7210（2026）03（b）-0001-06

DOI：10.20047/j.issn1673-7210.25092228

[基金项目] 国家自然科学基金资助项目（82360931）。

[作者简介]

倪宝灵（2000.8-），女，广西中医药大学第一临床医学院2024级中西医结合临床专业在读硕士研究生，主要从事外科疾病的中西医结合防治研究工作。

[通讯作者] 李杰辉（1981.3-），男，博士，主任医师，主要从事创面修复中西医结合基础与临床研究工作。

（收稿日期：2025-09-28）

（修回日期：2025-12-09）