编辑推荐：
淋巴水肿（Lymphedema）诊断困难，常与慢性静脉功能不全（CVI）等疾病症状重叠，延误治疗。研究人员开展基于深度学习的下肢水肿疾病分类研究，用 1622 张临床图像训练 16 个模型，EfficientNetV2 精度最高。该研究为临床诊断提供新方向。
在医学领域，淋巴水肿（Lymphedema）是一种令人头疼的慢性疾病，它主要表现为淋巴液在肢体的异常积聚，可别小看这个问题，它影响着全球约 1.4 - 2.5 亿人。但诊断淋巴水肿可不是一件容易的事，它的症状和慢性静脉功能不全（CVI）、深静脉血栓（DVT）以及一些全身性疾病极为相似，这就导致医生常常难以准确判断，平均诊断延迟甚至可达 10 年之久。在这漫长的等待中，患者不仅要承受疾病进展带来的痛苦，医疗系统也面临着巨大的负担。传统的诊断方法过于依赖医生的经验，对于这些症状相似疾病之间的细微差异，往往难以辨别。因此，开发更精准、高效的诊断方法迫在眉睫。
为了解决这一难题，来自泰国玛希隆大学 Siriraj 医院外科整形手术科等多个机构的研究人员展开了深入研究。他们聚焦于利用人工智能（AI），尤其是深度学习技术，来提升下肢水肿疾病的诊断准确性。经过一系列严谨的研究，他们发现 EfficientNetV2 模型在众多模型中表现最为出色，展现出了成为可靠诊断辅助工具的巨大潜力。这一研究成果发表在《Scientific Reports》上，为医学领域带来了新的希望。
在研究过程中，研究人员采用了多种关键技术方法。首先，他们进行了多中心合作，从 Siriraj 医院和 Maharat Nakhon Ratchasima 医院收集了 1622 张下肢临床图像作为样本队列。然后对这些图像进行预处理，包括裁剪、填充和调整大小，使其符合模型输入要求。接着，用这些处理后的图像训练了 16 个深度学习模型，涵盖多种卷积神经网络（CNNs）和 Transformer - 基于的模型。最后，通过 k 折交叉验证等方式评估模型性能，并与医疗工作者的诊断结果进行对比。
下面来看看具体的研究结果：
- 模型性能比较：研究人员用关键指标评估多种卷积神经网络（CNNs）和 Transformer - 基于的模型在下肢水肿疾病分类中的表现。使用 k 折交叉验证（k = 5），将数据集随机分为五等份，每份保持相同的类别分布。所有模型训练 50 个 epoch，批量大小为 16，采用交叉熵损失函数和 Adam 优化器。结果显示，不同模型性能各异。CvT 模型总体准确率仅为 0.748 ± 0.022，表现相对较差；AlexNet、MobileNetV3 等模型总体准确率在 0.80 - 0.90 之间，性能中等；DenseNet169、EfficientNetV2 等模型总体准确率超过 0.90，表现最佳。从 Grad - CAM 可视化结果来看，EfficientNetV2 和 DenseNet - 169 能聚焦于受影响区域，而部分模型存在注意力错位的情况。ROC 曲线分析表明，EfficientNetV2 的 AUC 值达到 0.9955，分类性能最强。
- AI 与人类表现对比：研究人员通过 28 个问题的现场诊断测验，对比 AI 模型和医疗工作者的表现。结果发现，EfficientNetV2 在测验中准确率达到 0.786，表现最为突出，但在正常类检测方面存在不足。人类诊断准确率与临床经验相关，经验最丰富的研究员和工作人员准确率为 0.61，仍低于 EfficientNetV2。而且经验较少的人员，如医学生，更容易混淆淋巴水肿和其他疾病，而 AI 模型在区分这些疾病方面表现更优。
在结论和讨论部分，该研究充分展示了深度学习模型在医学诊断，尤其是下肢水肿分类中的巨大潜力。EfficientNetV2 在验证集和测验中都表现出色，显著超越了经验最丰富的人类评估者。虽然 AI 模型在处理具有微妙视觉特征的疾病时优势明显，但区分临床特征重叠的疾病仍是挑战，如淋巴水肿和 CVI 之间的误分类情况较为常见。不过，Grad - CAM 热图等 AI 可解释性工具能帮助临床医生评估模型的关注点，确保其预测与临床推理一致，增强对 AI 工具的信任。
总体而言，这项研究为下肢水肿疾病的诊断开辟了新道路。开发的 AI 分类系统有望辅助医疗专业人员做出更准确、及时的诊断，改善患者预后并优化治疗策略。同时，将 Grad - CAM 等可解释性机制集成到诊断系统中，可促进 AI 与医疗提供者之间更透明、可靠的协作。但研究也存在局限性，如数据集主要来自单一地理区域，未来需要更大、更多机构的数据集来进一步验证模型，提高其在不同临床环境中的适用性。
