基于Chebyshev混沌瓢虫优化扩展Swin Transformer-InceptionV3模型的糖尿病足溃疡自动检测与分类研究

针对糖尿病足溃疡(DFU)传统诊断方法存在主观性强、效率低下的问题，研究人员提出融合扩展Swin Transformer-InceptionV3(ExSwinT-IV3)的深度学习模型，结合Tune-FF去噪与CCh-LBO优化技术，实现98.9%的检测准确率，为DFU早期筛查提供高效自动化解决方案。

　　

糖尿病足溃疡(DFU)作为糖尿病最严重的并发症之一，全球约9.3%的糖尿病患者深受其害，每年导致数百万人截肢。传统诊断依赖医生肉眼观察，存在主观性强、耗时长且准确率不足60%的缺陷。尽管机器学习(ML)技术有所改进，但特征提取不充分、数据噪声干扰和计算成本高等问题仍制约临床转化。

SRM理工学院的研究团队在《Biomedical Signal Processing and Control》发表创新成果，提出基于扩展Swin Transformer-InceptionV3(ExSwinT-IV3)的混合深度学习框架。该研究首先采用可调谐Frost滤波(Tune-FF)对2673张224×224像素临床图像进行降噪预处理，随后通过引入窗口移位机制和层级特征融合的ExSwinT-IV3模型提取多尺度溃疡特征，并创新性应用Chebyshev混沌映射改进的瓢虫优化算法(CCh-LBO)自动调整网络超参数，最终在DFUC2020数据集上实现98.9%的准确率和97.93%的Kappa系数。

关键技术包括：(1)Tune-FF自适应滤波消除图像噪声；(2)ExSwinT-IV3融合Transformer全局建模与CNN局部特征提取优势；(3)CCh-LBO算法通过混沌搜索策略加速模型收敛；(4)采用G-mean、MCC等8项指标进行多维度评估。

【Results and discussion】
实验表明：1) 在分类性能上，ExSwinT-IV3的TPR(98.2%)比传统Swin-T高6.7%，证明其改进的注意力机制能有效捕捉微小溃疡灶；2) CCh-LBO使训练时间缩短32%，验证了混沌优化对深度学习模型参数调谐的有效性；3) 在噪声鲁棒性测试中，Tune-FF预处理使模型在30dB高斯噪声下仍保持94.3%的准确率。

【Conclusion】
该研究突破性地将Transformer架构引入DFU诊断领域，其ExSwinT-IV3模型通过融合局部-全局特征表示，解决了传统CNN对长程依赖建模不足的缺陷。临床意义在于：1) 为基层医疗提供标准化诊断工具；2) 远程监测系统可降低42%的复诊率；3) 98.55%的MCC值表明模型具有极强临床可靠性。未来可扩展至其他慢性伤口智能评估领域。