摘要

本研究探讨了使用足底热成像作为糖尿病足溃疡（DFU）风险评估的数字生物标志物的有效性。通过无监督深度学习框架和卷积神经网络自动编码器（ConvAE），研究人员分析了282名2型糖尿病患者的足底热成像图像，以探索这些图像与DFU风险因素之间的关联。尽管发现热成像集群与多个DFU风险因素有显著关联，但这些关联并未显示出预测能力，可能由于样本偏差或热成像与传统风险因素评估的DFU风险结构部分重叠不完全。

原理

研究采用ConvAE模型来提取足底热成像图像的有用特征，并通过层次聚类分析这些特征。ConvAE模型通过编码器提取图像的低维表示，然后通过解码器重建原始图像，从而捕捉图像中的统计上有用的特征。层次聚类使用Ward方法生成集群，并通过t-SNE图和轮廓分数评估聚类的质量。研究进一步使用监督学习方法训练卷积神经网络（CNN）模型，以预测基于热成像输入的DFU风险因素。

流程

1. 使用ConvAE模型对足底热成像图像进行特征提取。
2. 应用层次聚类方法对提取的特征进行聚类分析。
3. 使用统计测试研究热成像集群与DFU风险因素之间的关联。
4. 训练CNN模型以预测DFU风险因素，并评估模型的性能。

应用

尽管本研究发现热成像与DFU风险因素之间存在关联，但这些关联的预测能力有限。未来的研究需要在更大规模和更广泛的患者群体中进行，以验证热成像作为DFU风险评估工具的有效性。此外，结合其他生物标志物和临床数据可能提高预测模型的准确性。