Улучшенная гибридная модель ICEEMDAN–глубина, интегрирующая мультимодальные данные для скрининга диабетической периферической нейропатии

Почему при диабете для выявления повреждения нервов нужен более щадящий тест

У многих людей с диабетом повреждение нервов в стопах и ногах развивается незаметно и проявляется только тогда, когда возникают боль, онемение или даже язвы и ампутации. Существующие тесты на это состояние, называемое диабетической периферической нейропатией, могут быть инвазивными, дорогими или неудобными для регулярного применения в обычных клиниках. В этом исследовании изучается новый способ скрининга раннего поражения нервов с использованием только безопасных оптических и электрических датчиков на коже в сочетании с интеллектуальной обработкой сигналов и специально разработанной моделью глубокого обучения.

Новый способ «послушать» сердце и кровоток

Исследователи сосредоточились на двух сигналах, которые уже широко используются в больницах и на носимых устройствах. Первый — электрокардиограмма (ЭКГ), фиксирующая электрическую активность сердца. Второй — фотоплетизмограмма (ППГ), оптический сигнал с датчика на кончике пальца, отслеживающий кровоток с каждым ударом сердца. Каждый сигнал является частью картины того, как диабет влияет на сосуды и нервы; вместе они дают более полное представление о раннем повреждении нервов, чем любой из них по‑отдельности. В исследование было включено 120 человек: здоровые добровольцы, пациенты с диабетом без диагностированной нейропатии и пациенты с подтверждённой нейропатией. Для каждого участника ЭКГ и ППГ записывали в покое в контролируемых условиях, чтобы снизить влияние повседневных источников шума, таких как движение и изменения температуры.

Очистка шумных биологических сигналов

Реальные записи сердечной активности и пульса содержат множество нежелательных искажений от активности мышц, дыхания и электрических помех. Если эти искажения не убрать аккуратно, они могут скрыть тонкие изменения, указывающие на ранние нервные нарушения. В работе представлен усовершенствованный метод денойзинга, который разлагает каждый сигнал на множество более простых «строительных блоков», определяет, какие части в основном являются шумом, а какие несут истинную физиологическую информацию, и затем реконструирует более чистую версию. Для этого авторы объединяют гибкую технику декомпозиции с поисковой стратегией на основе роя, которая автоматически настраивает ключевые параметры, и применяют вейвлет‑фильтрацию только там, где она наиболее полезна. Тесты в сравнении с несколькими устоявшимися методами показывают, что этот подход лучше усиливает полезную составляющую как ЭКГ, так и ППГ, минимизируя при этом искажения.

Преобразование волн в изображения, которые «видит» компьютер

Вместо подачи сырых одномерных волн в нейронную сеть исследователи преобразуют короткие сегменты ЭКГ и ППГ в небольшие цветные изображения. Каждый цветовой канал кодирует разный аспект эволюции сигнала во времени: взаимное расположение точек в цикле сердцебиения, изменения фазы и ритма, а также повторяющиеся сложные нелинейные шаблоны. Когда эти три представления складываются друг на друга, они образуют компактный «портрет» каждого окна из нескольких ударов, подчёркивающий динамические признаки, связанные со здоровьем нервов и сосудов. Комбинируя несколько последовательных циклов вместо одного удара, метод улавливает более стабильные закономерности и длинно‑дистанционные взаимодействия между электрической активностью сердца и волной пульса, проходящей по сосудам.

Лёгкая сеть, сосредоточенная на важном

Чтобы классифицировать эти объединённые изображения как «здоровые», «в группе риска» или «нейропатия», команда спроектировала индивидуальную архитектуру глубокого обучения на базе современной эффективной основы. Они заменили стандартные свёрточные блоки многоветвевой конструкцией, которая просматривает каждый фрагмент изображения ядрами разной формы и размера, улавливая как мелкие детали, так и более широкие тенденции без значительного роста вычислительной нагрузки. Поверх этого добавлен механизм пространственного внимания, позволяющий сети акцентировать информативные области и паттерны и ослаблять фоновые избыточные фрагменты. Модель обучали и настраивали с помощью тщательной кросс‑валидации, а её результаты сравнивали с рядом известных сетей для классификации изображений, включая популярные свёрточные и трансформер‑основанные архитектуры.

Что результаты означают для людей с диабетом

На данных, собранных из нескольких сердечных циклов, предлагаемая система правильно классифицирует статус нейропатии в почти 94% случаев с аналогично высокой чувствительностью и точностью. Она заметно превосходит как традиционные методы обработки сигналов, так и сильные современные базовые модели глубокого обучения, что свидетельствует о реальной пользе сочетания более умного денойзинга, более богатого преобразования сигналов в изображения и специально подобранного дизайна сети. Хотя исследование выполнено на данных из одного центра и требует более широких тестов, оно указывает на будущее, в котором рутинные безболезненные измерения при помощи простых зажимов и электродов — возможно, даже в кабинетах первичной помощи или дома — могли бы выявлять ранние повреждения нервов у людей с диабетом задолго до появления серьёзных осложнений.

Цитирование: 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

Ключевые слова: диабетическая периферическая нейропатия, неинвазивный скрининг, ЭКГ, ППГ, глубокое обучение