SoleFusion-Net: ett förklarbart multimodalt djupinlärningsramverk för klassificering av diabetiskt fotsyndrom vid typ II-diabetes mellitus

Varför dina fötter spelar roll vid diabetes

För personer med typ 2-diabetes kan små förändringar i fötterna tyst utvecklas till allvarliga problem, inklusive sår och i värsta fall amputation. Läkare försöker upptäcka nervskador tidigt, men nuvarande tester bygger på vad patienterna känner och vad klinikern bedömer manuellt. Denna studie presenterar SoleFusion-Net, ett datorverktyg som kombinerar bilder av hur du sätter foten mot marken med rutinmässiga klinikdata för att sortera patienter i mild, måttlig eller svår risk, samtidigt som det visar för läkaren hur beslutet fattades.

Se tryck där ögat inte räcker till

När vi går pressar olika delar av foten mot marken med skiftande intensitet. Vid diabetes kan nervskada och subtila förändringar i hållningen flytta detta tryck innan något sår uppträder. Forskarna använde en trycksensorplattform för att spela in färgkartor över sulorna hos 504 personer med typ 2-diabetes. Varje karta visar hur vikten fördelas över foten under gång. Dessa bilder parades med standardiserade klinikmått som ålder, body mass index, blodtryck och enkla sängkantsprov som kontrollerar hur väl någon känner vibrationer eller lätt beröring på fötterna.

Blanda bilder och klinikdata

SoleFusion-Net är uppbyggt med två huvudspår. Ett spår ser endast på tryckkartorna och använder lager av bildfilter för att lära sig var onormal belastning tenderar att uppträda i sulan. Det andra spåret läser klinikdatan och lär sig mönster i siffror som vibrationsgränser och monofilamentpoäng som speglar nervhälsa. Efter att varje spår lärt sig sin egen sammanfattning av data slår modellen samman dessa sammanfattningar och gör en slutlig förutsägelse om huruvida en persons neuropati är mild, måttlig eller svår. Genom att träna och testa systemet på fem olika uppdelningar av samma grupp kontrollerade teamet att dess prestanda var stabil snarare än en tillfällighet i ett visst urval.

Hur väl systemet sorterar fotrisk

Över alla tester klassificerade SoleFusion-Net korrekt patienter i ungefär 83 procent av fallen. Det särskilde sig i att separera mild och svår nervskada särskilt väl och hade något svårare för mellangruppen, som också är utmanande för mänskliga bedömare. Kurvor som jämför sanna positiva mot falska larm visade stark övergripande diskriminering mellan de tre klasserna. En ablationsstudie, där delar av systemet togs bort, visade att användning av endast bilder eller endast klinikdata gav märkbart lägre noggrannhet. När båda kombineras i en sen fusionsdesign blir modellen mer balanserad och pålitlig än någon enskild informationskälla ensam.

Öppna svarta lådan för kliniker

Eftersom förtroende är avgörande inom medicin använde författarna flera verktyg för att förklara hur SoleFusion-Net resonerar. För klinikdatan beräknade de hur mycket varje funktion bidrog till det slutliga beslutet. Vibrationsuppfattning och monofilamenttester på båda fötterna framstod som mest inflytelserika, i linje med nuvarande medicinsk praxis. För tryckbilderna markerade värmekartor specifika områden av sulan som drev modellens val, ofta samstämmiga med områden kända för att vara benägna att utveckla sår. Ytterligare metoder, inklusive enkla beslutsträd och exempelbaserade förklaringar, erbjöd alternativa, mer människovänliga vyer av samma beslut. Tillsammans visade dessa kontroller att systemet förlitar sig på medicinskt rimliga ledtrådar snarare än godtyckliga mönster.

Vad detta betyder för personer med diabetes

Studien tyder på att en noggrant designad datormodell kan kombinera hur du går och dina kliniska tester för att ge en objektiv, transparent bild av nervskada i foten. Även om arbetet bygger på ett enda sjukhus och behöver testas i andra regioner och med annan utrustning, pekar det mot framtida verktyg som kan larma för hög-riskfötter tidigare, styra tätare uppföljning och stödja läkare i beslut om vem som behöver mer aggressivt skydd mot sår. Kort sagt agerar SoleFusion-Net som ett andra par ögon och händer och hjälper till att omvandla spridda mätningar till en klarare bild av fotens hälsa vid diabetes.

Citering: 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

Nyckelord: diabetesfot, perifer neuropati, plantar tryckavbildning, multimodal djupinlärning, förklarbar AI