融合定位、特征融合与注意力机制的临床图像压力性损伤分期方法研究
该方法学研究基于按EPUAP分期标准标注的既有临床图像数据集，构建整合创面定位、分割和分期分类的深度学习框架。U-Net++定位的最大Dice系数为99.3%；注意力增强双流框架在原始训练—测试划分中的准确率为82.64%，五折交叉验证平均准确率为86.69%，并采用McNemar精确检验评估统计学差异。研究报告的是图像分析模型性能，未提供患者临床结局或实际临床应用结果。
推荐理由：该方法学研究在既有临床图像数据集上整合定位、分割、特征融合与注意力机制，并通过交叉验证评估压力性损伤分期模型，具有较明确的技术比较价值。