使用混合卷积神经网络-视觉转换器的糖尿病脚检测模型
Abdul Rahaman Wahab Sait1, Ramprasad Nagaraj2
1Department of Archives and Communication, Center of Documentation and Administrative Communication, King Faisal University, P.O. Box 400, Hofuf 31982, Al-Ahsa, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|March 28, 2025
概括
这项研究引入了一种先进的AI模型来分类糖尿病足 (DFU),实现高精度和可解释性. 该模型增强了糖尿病足并发症的早期诊断和治疗策略.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 糖尿病学 糖尿病学
背景情况:
- 糖尿病足 (DFU) 是一种严重的糖尿病并发症,需要精确的分类才能有效管理.
- 目前的DFU分类方法在性能,概括性和可解释性方面面临挑战,限制了临床实用性.
研究的目的:
- 开发一种创新的,强大的,可解释的模型来分类糖尿病足的严重程度.
- 解决临床环境中现有的DFU分类技术的局限性.
主要方法:
- 集成深度学习架构 (MobileNet V3-SWIN,LeViT-Peformer) 与基于张量器的功能融合.
- 应用基于集体支线的科尔莫戈罗夫-阿诺德网络 (KANs) 结合沙普利增量扩展 (SHAP) 进行解释性.
- 使用2021年和2020年的糖尿病足挑战 (DFUC) 数据集进行培训和验证.
主要成果:
- 在DFUC 2021上实现了最先进的性能,准确率为98.7%,精度为97.3%,回忆率为97.4%,F1得分为97.3%.
- 在DFUC 2020上表现出强大的概括,准确率为96.9%,表现优于基线模型.
- 该模型成功地将DFU分为缺血和感染类别,具有高性能和可解释性.
结论:
- 拟议的模型为自动化,可解释的DFU分类提供了显著的进步.
- 结果支持改善临床决策,患者的治疗结果,以及糖尿病足并发症的可扩展管理.
