En förbättrad ICEEMDAN–djup hybridnätverksmodell som integrerar multimodala data för screening av diabetisk perifer neuropati

Varför nervskador vid diabetes behöver ett mildare test

För många personer med diabetes smyger skador på nerverna i fötter och ben på utan tydliga tecken, och blir först uppenbara när smärta, domningar eller till och med sår och amputationer uppstår. Dagens tester för detta tillstånd, som kallas diabetisk perifer neuropati, kan vara invasiva, kostsamma eller svåra att upprepa i vanliga kliniska miljöer. Denna studie undersöker ett nytt sätt att screena för tidiga nervskador med enbart ofarligt ljus och elektriska sensorer på huden, i kombination med smart signalbehandling och en skräddarsydd djupinlärningsmodell.

Ett nytt sätt att lyssna på hjärtat och blodflödet

Forskarna fokuserar på två signaler som redan är vanliga på sjukhus och i bärbara enheter. Den ena är elektrokardiogrammet, eller EKG, som registrerar hjärtats elektriska aktivitet. Den andra är fotopletysmogrammet, eller PPG, en optisk signal från en fingertoppssensor som följer blodflödet vid varje hjärtslag. Var och en av dessa signaler berättar en del av historien om hur diabetes påverkar blodkärl och nerver; tillsammans kan de måla en rikare bild av tidiga nervskador än någon av signalerna för sig. Teamet rekryterade 120 personer, inklusive friska frivilliga, personer med diabetes utan diagnostiserad nervskada och personer med bekräftad neuropati. För varje deltagare registrerades EKG och PPG i vila under kontrollerade förhållanden för att minska vardagliga störkällor såsom rörelse och temperaturförändringar.

Rensa upp röriga biologiska signaler

Verklighetens hjärt- och pulsinspelningar är fulla av oönskade störningar från muskelaktivitet, andning och elektriska interferenser. Om dessa förvrängningar inte tas bort noggrant kan de dölja de subtila förändringar som pekar på tidiga nervproblem. Studien introducerar en förbättrad avbrusningsmetod som delar varje signal i många enklare "byggstenar", avgör vilka delar som mestadels är brus och vilka som bär äkta fysiologi, och sedan återskapar en renare version. För att göra detta kombinerar författarna en flexibel dekompositionsteknik med en flockbaserad sökstrategi som automatiskt justerar nyckelparametrar, och tillämpar sedan wavelet-baserad filtrering endast där det hjälper mest. Tester mot flera etablerade metoder visar att detta tillvägagångssätt bättre förstärker den användbara delen av både EKG- och PPG-signaler samtidigt som förvrängning hålls till ett minimum.

Förvandla vågor till bilder som datorn kan se

I stället för att mata råa endimensionella vågor till ett neuralt nätverk konverterar forskarna korta segment av EKG och PPG till små färgbilder. Varje färgkanal kodar en annan aspekt av hur signalen utvecklas över tid: övergripande positionsrelationer mellan punkter i hjärtcykeln, förändringar i fas och rytm, och mönster som upprepas på komplexa, icke-linjära sätt. När dessa tre vyer staplas ihop bildar de ett kompakt "porträtt" av varje fönster med flera slag som framhäver dynamiska egenskaper kopplade till nerv- och kärlhälsa. Genom att kombinera flera på varandra följande cykler i stället för ett enskilt slag fångar metoden mer stabila mönster och långräckviddiga interaktioner mellan hjärtats elektriska aktivitet och pulsvågen som färdas genom kärlen.

Ett lättviktigt nätverk som fokuserar på det som är viktigt

För att klassificera dessa sammansatta bilder som friska, risk eller neuropati-designade fall utformar teamet en anpassad djupinlärningsarkitektur byggd på en modern, effektiv ryggrad. De ersätter standardkonvolutionsblock med en flergrensdesign som betraktar varje bildpatk med kärnor av olika former och storlekar, vilket fångar både fina detaljer och bredare trender utan avsevärd ökning av beräkningskostnaden. Ovanpå detta lägger de till en spatial uppmärksamhetsmekanism som låter nätverket betona informativa regioner och mönster samtidigt som redundant bakgrund tonas ner. Modellen tränas och finslipas med noggrann korsvalidering, och dess prestanda jämförs med en rad välkända bildklassificeringsnätverk, inklusive flera populära konvolutions- och transformerbaserade designer.

Vad resultaten betyder för personer med diabetes

På data byggda från flera hjärtcykler klassificerar det föreslagna systemet korrekt neuropatistatus i nästan 94 % av fallen, med liknande hög känslighet och precision. Det överträffar tydligt både traditionella signalbehandlingsupplägg och starka moderna djupinlärningsbaser, vilket indikerar att kombinationen av smartare avbrusning, rikare signal-till-bild-kodning och skräddarsydd nätverksdesign tillför verkligt värde. Även om studien baseras på data från en enda avdelning och behöver bredare testning, pekar den mot en framtid där rutinmässiga, smärtfria mätningar med enkla klämmor och elektroder — möjligen även i primärvården eller hemma — skulle kunna flagga tidiga nervskador hos personer med diabetes långt före allvarliga komplikationer uppstår.

Citering: 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

Nyckelord: diabetisk perifer neuropati, icke-invasiv screening, EKG, PPG, djupt lärande