Udoskonalony hybrydowy model sieciowy ICEEMDAN–deep integrujący dane multimodalne do przesiewu neuropatii obwodowej u osób z cukrzycą

Dlaczego uszkodzenie nerwów w cukrzycy potrzebuje łagodniejszego testu

U wielu osób z cukrzycą uszkodzenie nerwów w stopach i nogach rozwija się po cichu i staje się widoczne dopiero, gdy pojawiają się ból, drętwienie albo wrzody i amputacje. Obecne testy na tę chorobę, zwaną cukrzycową neuropatią obwodową, mogą być inwazyjne, kosztowne lub trudne do powtarzania w codziennej praktyce klinicznej. W tej pracy badano nową metodę przesiewową wykrywającą wczesne uszkodzenia nerwów z użyciem jedynie bezinwazyjnych czujników optycznych i elektrycznych na skórze, połączonych z zaawansowanym przetwarzaniem sygnału i dopasowanym modelem uczenia głębokiego.

Nowy sposób „słuchania” serca i przepływu krwi

Badacze skupili się na dwóch sygnałach, które są już powszechne w szpitalach i urządzeniach noszonych. Jeden to elektrokardiogram (EKG), rejestrujący aktywność elektryczną serca. Drugi to fotopletyzmogram (PPG), sygnał optyczny z czujnika na opuszkach palców, śledzący przepływ krwi przy każdym skurczu serca. Każdy z tych sygnałów opisuje część wpływu cukrzycy na naczynia i nerwy; połączenie ich daje bogatszy obraz wczesnych uszkodzeń nerwów niż każdy z nich osobno. Zespół zrekrutował 120 osób: zdrowych ochotników, osoby z cukrzycą bez rozpoznanej neuropatii oraz osoby z potwierdzoną neuropatią. U każdego uczestnika zapisano EKG i PPG w spoczynku w kontrolowanych warunkach, aby zredukować typowe źródła zakłóceń, takie jak ruch czy zmiany temperatury.

Oczyszczanie zanieczyszczonych sygnałów biologicznych

Rzeczywiste zapisy pracy serca i pulsu zawierają wiele niepożądanych zniekształceń pochodzących z aktywności mięśni, oddechu czy zakłóceń elektrycznych. Jeśli te artefakty nie zostaną ostrożnie usunięte, mogą zasłonić subtelne zmiany wskazujące na wczesne problemy nerwowe. W pracy przedstawiono udoskonaloną metodę odszumiania, która rozkłada każdy sygnał na wiele prostszych „elementów składowych”, decyduje, które części to głównie szum, a które niosą autentyczną informację fizjologiczną, a następnie rekonstruuje czyściejszą wersję. Aby to osiągnąć, autorzy łączą elastyczną technikę dekompozycji z algorytmem optymalizacji typu rój, który automatycznie stroi kluczowe parametry, a następnie stosują filtrację opartą na falkach tylko tam, gdzie przynosi to najwięcej korzyści. Testy porównawcze z kilkoma uznanymi metodami wykazują, że podejście to lepiej wzmacnia użyteczną część zarówno sygnałów EKG, jak i PPG, przy minimalnym zniekształceniu.

Przekształcanie fal w obrazy czytelne dla komputera

Zamiast wprowadzać surowe jednowymiarowe przebiegi do sieci neuronowej, badacze konwertują krótkie segmenty EKG i PPG na małe kolorowe obrazy. Każdy kanał kolorowy koduje inny aspekt ewolucji sygnału w czasie: ogólne relacje pozycyjne punktów w cyklu sercowym, zmiany fazy i rytmu oraz wzorce powtarzające się w sposób złożony i nieliniowy. Gdy te trzy perspektywy są ułożone razem, tworzą skompaktowany „portret” każdego wielobicia, który uwypukla cechy dynamiczne związane ze zdrowiem nerwów i naczyń. Łącząc kilka kolejnych cykli zamiast pojedynczego skurczu, metoda wychwytuje stabilniejsze wzorce i długozasięgowe interakcje między elektryczną aktywnością serca a falą tętna przemieszczającą się przez naczynia.

Lekka sieć skupiona na tym, co istotne

Aby sklasyfikować te zintegrowane obrazy jako zdrowe, zagrożone lub z neuropatią, zespół zaprojektował dostosowaną architekturę uczenia głębokiego opartą na nowoczesnym, efektywnym szkielecie. Zastąpili standardowe bloki konwolucyjne projektem wielogałęziowym, który analizuje każde łaty obrazu za pomocą jąder o różnych kształtach i rozmiarach, wychwytując zarówno drobne detale, jak i szersze trendy bez dużego wzrostu zapotrzebowania obliczeniowego. Do tego dodano mechanizm uwagi przestrzennej, który pozwala sieci podkreślać informatywne regiony i wzorce przy jednoczesnym osłabianiu redundantnego tła. Model jest trenowany i strojon y przy użyciu ostrożnej walidacji krzyżowej, a jego wydajność porównano z szeregiem znanych sieci klasyfikujących obrazy, w tym kilkoma popularnymi architekturami konwolucyjnymi i opartymi na transformerach.

Co wyniki oznaczają dla osób z cukrzycą

Na danych zbudowanych z wielu cykli sercowych proponowany system poprawnie klasyfikuje status neuropatii w niemal 94% przypadków, osiągając równie wysoką czułość i precyzję. Wyraźnie przewyższa zarówno tradycyjne rozwiązania przetwarzania sygnałów, jak i silne współczesne modele uczenia głębokiego, co sugeruje, że połączenie sprytniejszego odszumiania, bogatszego kodowania sygnału do obrazu i dopasowanej architektury sieci przynosi realną wartość. Choć badanie opiera się na danych z jednego ośrodka i będzie wymagać szerszych testów, wskazuje na przyszłość, w której rutynowe, bezbolesne pomiary z prostych klipsów i elektrod — być może nawet w podstawowej opiece zdrowotnej lub w domu — mogłyby wykrywać wczesne uszkodzenia nerwów u osób z cukrzycą na długo przed pojawieniem się poważnych powikłań.

Cytowanie: Xiao, M., Wang, F., Fang, S. et al. An improved ICEEMDAN–depth hybrid network model integrating multimodal data for the screening of diabetic peripheral neuropathy. Sci Rep 16, 10954 (2026). https://doi.org/10.1038/s41598-026-45862-x

Słowa kluczowe: cukrzycowa neuropatia obwodowa, przesiew nieinwazyjny, EKG, PPG, uczenie głębokie