SoleFusion-Net: een uitlegbaar multimodaal deep learning-kader voor de classificatie van diabetisch voetsyndroom bij type II diabetes mellitus

Waarom uw voeten ertoe doen bij diabetes

Bij mensen met type 2 diabetes kunnen kleine veranderingen aan de voeten onopgemerkt uitgroeien tot ernstige problemen, waaronder zweren en zelfs amputatie. Artsen proberen zenuwschade vroeg te signaleren, maar de huidige tests steunen op wat patiënten voelen en op wat klinici met de hand beoordelen. Deze studie presenteert SoleFusion-Net, een computerhulpmiddel dat beelden van hoe u op de grond stapt combineert met routineklinische gegevens om patiënten in een licht, matig of ernstig risico in te delen, en tegelijkertijd artsen toont hoe het tot zijn beslissing is gekomen.

Druk zien waar het oog dat niet kan

Als we lopen, drukken verschillende delen van de voet met verschillende intensiteit op de grond. Bij diabetes kunnen zenuwbeschadiging en subtiele houdingsveranderingen deze druk verschuiven voordat een zweer verschijnt. De onderzoekers gebruikten een drukmeetplatform om kleurrijke kaarten van de voetzolen op te nemen van 504 mensen met type 2 diabetes. Elke kaart toont hoe het gewicht tijdens het lopen over de voet is verdeeld. Deze beelden werden gekoppeld aan standaard klinische metingen zoals leeftijd, bodymassindex, bloeddruk en eenvoudige bedrandtests die controleren hoe goed iemand trilling of een lichte aanraking aan de voeten voelt.

Beelden en klinische data mengen

SoleFusion-Net is opgebouwd uit twee hoofdsporen. Het ene spoor bekijkt alleen de drukkaarten en gebruikt gelaagde beeldfilters om te leren waar abnormale belasting op de voetzool de neiging heeft te verschijnen. Het andere spoor verwerkt de klinische gegevens en leert patronen in getallen zoals trillingsdrempels en monofilament-scores die de zenuwgezondheid weerspiegelen. Nadat elk spoor zijn eigen samenvatting van de gegevens heeft geleerd, fuseert het model deze samenvattingen en doet een eindvoorspelling over of iemands neuropathie licht, matig of ernstig is. Door het systeem te trainen en te testen op vijf verschillende splitsingen van dezelfde groep controleerde het team of de prestaties stabiel waren en niet het toeval van één bepaalde steekproef.

Hoe goed het systeem voet risico sorteert

Over alle tests heen classificeerde SoleFusion-Net patiënten correct in ongeveer 83 procent van de gevallen. Het onderscheidde lichte en ernstige zenuwbeschadiging bijzonder goed en had iets meer moeite met de tussenliggende groep, die ook voor menselijke beoordelaars uitdagend is. Curven die ware positieven versus valse alarmen vergelijken toonden een sterke algehele discriminatie tussen de drie klassen. Een ablatiestudie, waarbij onderdelen van het systeem werden verwijderd, toonde aan dat het gebruik van alleen beelden of alleen klinische gegevens duidelijk lagere nauwkeurigheid oplevert. Wanneer beide in het late-fusieontwerp worden gecombineerd, wordt het model evenwichtiger en betrouwbaarder dan elk enkel gegevensbronnen apart.

De zwarte doos openen voor clinici

Omdat vertrouwen cruciaal is in de geneeskunde, gebruikten de auteurs verschillende hulpmiddelen om uit te leggen hoe SoleFusion-Net ‘denkt’. Voor de klinische gegevens berekenden ze hoeveel elke eigenschap bijdroeg aan de eindbeslissing. Trillingswaarneming en monofilamenttests aan beide voeten bleken het meest invloedrijk, wat de huidige medische praktijk weerspiegelt. Voor de drukbeelden markeerden heatmaps specifieke gebieden van de voetzool die de keuze van het model bepaalden, vaak in lijn met zones die bekend staan als gevoelig voor zweren. Aanvullende methoden, waaronder eenvoudige regelbomen en voorbeeldgebaseerde verklaringen, boden alternatieve, meer mensvriendelijke weergaven van dezelfde beslissingen. Samen toonden deze controles aan dat het systeem zich baseert op medisch plausibele aanwijzingen in plaats van op willekeurige patronen.

Wat dit betekent voor mensen met diabetes

De studie suggereert dat een zorgvuldig ontworpen computermodel kan combineren hoe u loopt en hoe u klinisch wordt getest om een objectief, transparant beeld te geven van zenuwschade aan de voet. Hoewel het werk is gebaseerd op één ziekenhuis en getest moet worden in andere regio’s en met andere apparatuur, wijst het op toekomstige hulpmiddelen die hoge-risico voeten eerder kunnen signaleren, gerichter vervolgonderzoek kunnen sturen en artsen kunnen ondersteunen bij het beslissen wie meer agressieve bescherming tegen zweren nodig heeft. Kort gezegd fungeert SoleFusion-Net als een tweede paar ogen en handen en helpt het verspreide metingen te vertalen naar een duidelijker beeld van de voetgezondheid bij diabetes.

Bronvermelding: Sheikh, M.M., Balachandra, M., G, N.V. et al. SoleFusion-Net: an explainable multimodal deep learning framework for diabetic foot syndrome classification in type II diabetes mellitus. Sci Rep 16, 15973 (2026). https://doi.org/10.1038/s41598-026-42207-6

Trefwoorden: diabetische voet, perifere neuropathie, plantaire drukbeeldvorming, multimodaal deep learning, uitlegbare AI