糖尿病足部溃疡的临床负担

糖尿病足溃疡是糖尿病最具有破坏性的并发症之一,在15-25%的糖尿病患者一生中都受其影响。 国际糖尿病联合会报告说,2021年有5.37亿成年人患了糖尿病,预计到2045年这一数字将达到7.83亿。糖尿病足溃疡来自边缘神经病、血管不足和生物力学的改变,这些疾病往往导致感染、坏疽和极低程度断肢。80%以上的非创伤性低骨折截肢手术先于足溃疡。截肢后的五年死亡率从30%到50%不等,超过了许多常见癌症,如乳腺癌、前列腺癌和结肠癌。 早期发现和迅速治疗对于阻止这一走势至关重要,然而许多病人——特别是那些在缺乏服务或农村地区的人——只有在肺癌已经明显后,在感染已经确定的情况下,才会被诊断出。 使用机器学习和计算机的自动图像分析提供了一种可伸缩放低成本的筛查工具,可以使用智能摄像机进行治疗,甚至直接改造。

自动图像分析如何用于识别伤痕

自动检测系统将脚部的数字相片转换成可算法评价的定量特征。 管道通常涉及几个阶段:图像预处理、伤口分解、特征提取和分解。 预处理纠正照明、颜色平衡和视角的变化, 通常使用直径平方或颜色正常化来规范输入。 分解将伤口区域从周围的健康组织、皮肤折叠和背景中隔离出, 经常使用U-Net或Mask R-CNN架构。 分解后, 分解会捕捉颜色、 纹理、 外形等边界特性, 如肾脏组织、 颗粒组织、 Callus、 或近缘红外线等。 深层学习模式, 特别是神经网络(CNN) , 主导现代系统, 因为它们可以直接从原始像素数据中学习分解, 无需人工特征工程。 CNN 接受过数千次标记的伤口图像学习, 识别与溃疡形成有关的微妙模式, 区分出血丝与其他条件, 如发泡、 细胞炎 或真菌感染。 后处理步骤, 如形态学操作、 精解析分分分和分

更先进的系统整合了可见光以外的额外数据通道. 热相机捕捉红外辐射,因为前接触区因炎症而常会显示温度升高. 超光谱成像记录了数十到数百个窄光谱带,揭示出组织氧气和通射水平,在可见皮肤破裂前可以显示异血症或感染. 结合RGB,热能,和近红外影像的多模式方法在实验环境下显示出了更高的敏感性,特别是用于检测深组织伤害或早期压力损害.

关键技术 自动检测

机器学习和深层学习结构

神经网络是大多数DFU检测系统的主要支柱。U-Net及其变体(Attention U-Net, released U-Net)等结构被广泛用于对伤口边界进行语义分解,在控制研究中达到Dice相似度系数高于0.90。在伤重分类或识别感染时,ResNet、ObelNet和DenseNet是强分级器。转移学习——在大型自然图像数据集上预先训练的精细模型的做法,如医疗伤口图像网——在保持高性能的同时,大幅度地减少所需标注数据的数量。A 2023研究在 自然科学报告中报告了一个基于CN的工具,其敏感度为94.7%,对DFU的检测在1200名不同群体中达到97.2%。可操作的方法通过投票或平均方式将多种模型的预测结合起来,进一步提高可靠性并减少假负值。最近的工作探索了视觉变体(ViTs),这些变体在使用自留能分数上通常显示较强的超元数据。

图像获取设备与标准化

一致的图像质量对于可靠的自动化分析至关重要. 具有受控照明和固定焦距的临床级相机提供了最高的准确度,但智能手机相机在使用标准化协议时越来越能使用. 几个研究小组开发了可提供统一照明、色校准目标以及固定距离指南的剪接附件. Foot Solfie系统使用一个智能手机相机,它带有一个定制应用程序,指导用户从指定角度和距离获取图像,确保一致性. 热成像相机虽然价格较高,但通过检测温度不对称而增值; 在《糖尿病科学技术杂志》上发表的2022年研究发现,RGB和热成像的组合提高了前溃疡检测敏感性,从72%到89%. 超光谱相机由于其成本和复杂性,但可移植的版本正在出现. 结构化的光扫描仪还可以捕取3D伤口顶部的图像来评估体积和深度,有可能加强治疗进展的监测. 获取设备的选择最终取决于部署的设置-clinic,家用或远程-图像质量与可获取。

远程医疗和远程监测平台

自动图像分析自然地与远程医疗工作流程相融合,使得能够持续监测门诊门诊。患者可以使用安全的智能手机应用程序上传每日脚相片;软件进行实时分析并标出可疑结果,供临床医生审查。这一模式尤其有利于接触专家机会有限的患者,例如在农村地区或资源匮乏的国家。在Diabetes Care 中发表的2022随机控制试验证明,与标准护理相比,在两年内,远程医疗辅助监测将重大截肢事件减少了36%。诸如 Foot Selostie等平台正在多国试行。此外,与电子保健记录相结合,可以将自动警报传送到伤口护理小组,将高风险患者标注在早期干预中。一些系统还纳入了患者报告的症状和医疗史,创造了更全面的风险评估。尽管取得了这些进展,但在确保老年人或视力受损患者可使用性、保持数据隐私以及解决服务不足地区的连通性问题方面仍然存在挑战。

解释性AI和临床决定支助

临床上采用AI在医学上的一个主要障碍是"黑盒"问题:临床医生对一个推理不透明系统缺乏信心. 解释性AI(XAI)技术通过产生视觉解释来解决这个问题,这些解释突出了用于决定的模型的图像区域. DFU检测,梯度加权类活性映射(Grad-CAM)在原始图像上会覆盖热图,显示高模型关注的热点. SHAP(SHapley Additive ex Planations)的值同样可以量化每个像素区域的贡献. 在实践中, 标出溃疡的模型可以突出一个已变暗的边界和中性坏区域,让临床医生能够快速验证发现. 这种透明度建立了信任和支持监管批准. 林业局关于好机器学习做法的准则强调对经批准的医学算法的解释性和透明度的重要性. 早期商业工具包含XAI(SHapley Additive ex Planations) , 报告临床接受率较高, 不当的超标率较低.

广泛采用目前面临的挑战

数据质量、多样性和标准化

任何图像分析系统的性能都在很大程度上取决于其培训数据的质量和代表性。 现有的DFU数据集大多来自具有统一照明、标准化相机角度和同质病人群的受控临床研究。在现实世界环境中,图像在取向、分辨率、照明条件、阴影的存在和背景上差异很大。皮肤色调多样性往往代表性不足。对伤口图像数据集进行的2022年审计发现,只有不到20%的图像来自Fitzpatrick皮肤型IV-VI的患者,导致更深皮肤个体的检测精度明显降低。为解决这一问题所作的努力包括DFUC2020数据集 和协作举措,如国际,其目的是建立更大、更多样化和仔细说明的图像库。数据增强技术,如随机旋转、色调分泌物,以及利用基因对抗网络合成图像生成技术,可以部分地减轻数据局限性。但不能替代真实世界的图像传播。

法规和道德考虑

使用AI进行诊断的医疗器械必须经过严格的验证,并获得FDA(美国)等监管当局的许可,或者获得CE标记(欧洲). 截至2024年,只有少数基于AI的伤害评估工具获得了监管批准,大多数是作为临床医生用作形容性辅助剂的II类医疗器械,而不是独立的诊断. FDA基于AI/ML的软件作为医疗器械(SAMD)的不断发展的框架要求证明临床有效性,强力到分配的转变,以及管理模型更新的计划. 道德问题包括数据隐私(尤其是当图像通过移动网络传输时),算法偏差(导致护理上的差别),以及过度依赖自动化系统可能降低临床警惕性的风险. 在临床实践中应用这些工具时,对系统的局限性的知情同意和透明沟通至关重要. 此外,责任问题仍未解决:如果算法漏掉一个关键溃疡,从而导致截肢?

与临床工作流程和电子健康记录的结合

为了自动检测影响实时临床决定,软件必须与现有的电子健康记录系统进行无缝接通,许多医院仍然依赖缺乏强力的图像摄取或储存高分辨率照片能力的遗留的EHR。工作流程整合不仅需要技术连接,还需要仔细设计警报机制 — — 太多的虚假警报会引起警报疲劳,而过于保守的阈值可能错过关键病例。临床工作人员必须接受如何应对自动警报的培训,包括何时通过物理检查确认发现。如果没有无缝接通,即使高度精确的系统也能够成为额外工作的来源,而不是节省时间的工具。成功的实施往往需要与临床医生共同设计、迭接用户测试以及专门的信息技术支持维护和更新。

真实世界设置中的验证和性能监测

实验室准确度的衡量标准并不总是能转化为现实世界的绩效。 影像质量差、患者皮肤状况的变化(如水肿、克耳目、真菌钉)以及同位素的存在等因素可以降低性能。 需要针对不同现实世界环境进行前瞻性研究,以证实自动化检测系统实际上降低了截肢率和医疗费用。 早期的结果是很有希望的:西班牙2023年的多中心试验报告,在初级护理中,基于AI的筛查工具将专家转诊时间减少了40%,在12个月内,与溃疡有关的住院人数减少了28%。 然而,需要更长时间的后续和成本效益分析。 包括定期审计和重新调整在内的国际绩效监测标准仍在制定之中。

未来方向和持续研究

新兴研究正在超越检测现有溃疡,而是在可见出任何伤口之前预测溃疡风险。 通过分析高危险患者的心肌分泌、皮肤纹理和局部红度的模式,深层学习模型可能发现需要脱鞋或强化脚底护理等预防性干预的溃疡前状态。 另一个前沿是利用基因对抗网络(GANs)来制造合成伤口图像,这可以帮助平衡不平衡的数据集,并改进模型坚固度,使之与罕见的伤口类型相适应。 手提心力超声学与AI结合,正在调查是否在完好无损的皮肤下评估深组织感染和血样形成。 此外,将患者报告症状、胶囊分析以及代谢数据(如HbA1c,肾功能)与图像分析相结合,可以产生一个整体风险评估工具,从而超越任何单一模式。

正在进行大规模预期研究,如卫生组织全球糖尿病契约, 得到认可的DIABETIC-FOOT-AI试验,以确定自动检测是否真正降低了低资源环境下的截肢率和保健费用,早期的收养者包括欧洲和北美的高级伤病护理中心,但最大的潜在影响可能是在专家与病人比例极低的中低收入国家,世界卫生组织强调糖尿病足部护理是数字卫生创新的优先领域,一些国家正在利用基于智能手机的AI工具试行国家筛查方案。在联邦学习中的进展――在不分享原始数据的情况下,在多个机构中培训模型――既可以加快数据集的多样性,同时又可以保护隐私。

护理点一体化和安居情报

展望未来,DFU的自动检测可能通过环境智能嵌入常规临床环境:比如,诊所候诊室的天花板相机可以在病人脱鞋时自动捕捉出脚相片,进行即时AI检查并标出有风险的个人。 类似的系统可以整合到医院病床中,持续监测糖尿病脚部综合症患者。 这些“隐形”筛查方法可以减轻病人和临床医生的负担,从而能够进行真正被动的人群级筛查。 然而,它们引起了更多的隐私和同意问题,需要通过仔细的政策框架加以解决。

综合评估的多模式深入学习

当前的系统主要分析视觉图像,但未来在于结合多种数据流:视觉、热能、光谱、生物机械(来自可穿戴传感器的特征),甚至基因组风险分数。 将这些不同输入物连接起来的多模式深度学习模型可以提供比单一模式更全面的风险评估。 早期工作利用来自RGB图像的CNN特征的后期融合,并带有时间序列数据(如步骤计数和重量)的特点,显示出在六个月内对溃疡再生的预测有所改进。 随着数据整合标准成熟,这类系统可以成为糖尿病脚部管理护理标准。

结论

使用图像分析对糖尿病足溃疡进行自动检测已经从研究概念转向了能够挽救肢体和生命的快速成熟技术。 深层学习模式现在实现了诊断精度与专家临床医生相当,而低成本成像硬件和远程医疗平台即使在资源有限的情况下也使得常规筛查成为可行。 数据多样性、监管批准、临床整合和现实世界验证方面的挑战仍然很大,但正在由全球多学科团队积极应对。 随着这些工具的发展,它们承诺将DFU管理从被动诊断转向主动、持续、甚至预防。 对于试图减少糖尿病并发症的破坏性人和经济负担的医疗保健系统,自动化图像分析投资是未来最有希望和成本效益最高的渠道之一。 未来十年,这些技术的应用很可能会从根本上改变我们对糖尿病足部溃疡的筛选、诊断和管理方式。