SoleFusion-Net：一种用于2型糖尿病糖尿病足综合征分型的可解释多模态深度学习框架

为什么脚在糖尿病中很重要

对于2型糖尿病患者而言，脚部的微小变化可能悄然发展为严重问题，包括溃疡甚至截肢。医生试图早期发现神经损伤，但现有检测依赖患者的感觉报告和临床医生的手工判断。本研究提出了SoleFusion-Net，这是一种计算工具，它将你步态时脚对地面的压力图与常规门诊数据结合，用以将患者分为轻度、 中度或重度风险，同时向医生展示其决策依据。

看到肉眼看不见的压力

行走时，脚的不同部位对地面的受压强度不同。在糖尿病中，神经损伤和姿势的细微变化可能在溃疡出现之前就改变这些压力分布。研究人员使用压力感应平台记录了504名2型糖尿病患者的足底彩色压力图。每张图显示行走过程中足部的受力分布。这些图像与标准门诊测量值配对，如年龄、体重指数、血压，以及检查患者能否感觉到振动或轻触的简单床边测试。

融合图像与门诊数据

SoleFusion-Net由两条主要路径构成。一条路径仅处理压力图，通过分层的图像滤波器学习足底异常受力常出现的位置。另一条路径读取门诊数据，学习诸如振动阈值和单丝测试分数等数值模式，这些指标反映神经健康情况。当每条路径各自提取出数据摘要后，模型将这些摘要融合并给出最终预测：该人群的神经病变是轻度、中度还是重度。通过在同一组数据上采用五折不同划分进行训练和测试，团队检验了性能的稳定性，而不是某个特定样本的偶然结果。

系统在足部风险分层上的表现

在所有测试中，SoleFusion-Net的分类准确率约为83%。它在区分轻度和重度神经损伤时表现尤为良好，对中间组的判别略有困难，这一点对人工检查者而言也具有挑战性。比较真阳性与误报的曲线显示了三类之间总体上较强的区分能力。通过消融研究（移除系统的部分模块），发现仅使用图像或仅使用门诊数据都会显著降低准确性。当两者在晚期融合设计中结合时，模型比任何单一信息源都更平衡、更可靠。

为临床人员打开“黑箱”

鉴于在医学中信任至关重要，作者使用了多种工具来解释SoleFusion-Net的推理过程。对于门诊数据，他们计算了每个特征对最终决策的贡献度。两脚的振动感知和单丝测试被评为最具影响力的特征，反映了当前的医疗实践。对于压力图像，热图突出了驱动模型选择的特定足底区域，这些区域常与易发溃疡的位置一致。包括简单规则树和基于示例的解释在内的额外方法，提供了更为人性化的决策视角。综合这些检查表明，系统依赖的是有医学意义的线索，而非任意模式。

这对糖尿病患者意味着什么

该研究表明，经过精心设计的计算模型可以将你的步态特征与门诊检测结果融合，提供对足部神经损伤的客观且透明的评估。尽管该工作基于单一医院的数据，仍需在其他地区和不同设备设置中验证，但它指向了未来可能更早标识高风险足部、指导更密切随访并帮助医生决定谁需要更积极的溃疡预防措施的工具。简言之，SoleFusion-Net可作为第二双眼睛与第二双手，帮助将分散的测量整合为更清晰的糖尿病足健康画面。

引用: 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

关键词: 糖尿病足, 周围神经病变, 足底压力成像, 多模态深度学习, 可解释人工智能