综述：人工智能在糖尿病患者足部热成像分析中的应用：范围综述

这篇综述系统评价了人工智能（AI）在糖尿病足（DFU）热成像分析中的应用进展，涵盖温度异常模式识别（如炎症性升温/缺血性降温）、AI算法性能（准确率61%-100%）及临床转化潜力（如远程监测CAD系统），为DFU早期预警提供了非侵入性解决方案。

　　

引言

糖尿病（DM）全球患者达5.37亿，其中19-34%会发展为糖尿病足溃疡（DFU），20%需截肢。红外热成像（IRT）通过检测皮肤温度变化（如神经缺血导致的^oC级差异），成为非侵入性早期筛查工具。AI的介入进一步提升了模式识别能力，但现有研究存在算法碎片化、环境变量控制不足等问题。

方法

研究者系统检索了PubMed等6大数据库（截至2024年10月），纳入60项AI相关研究。采用PRISMA流程筛选文献，重点关注AI在三种温度模式中的应用：升温（48项）、降温（6项）和DFU严重度分级（6项）。

关键发现

温度升高模式

CNN模型在区分DFU与健康足部时表现突出，如ResNet50v2和EfficientNetB0达到100%准确率。升温区域多提示炎症或代谢异常，例如MobileNetV2检测到83.34%准确性的前驱溃疡灶。

温度降低模式

Mask R-CNN识别坏死区域（<-2.2^oC）灵敏度达88%，而SVM对周围动脉疾病（PAD）的分类准确率92.64%，揭示低温区域与血管病变的关联。

风险分级系统

基于圣埃利安伤口评分系统（SEWSS）的DFNET模型实现99.3%分级准确率，U-Net架构对溃疡风险分组的Dice系数达99.17%。

环境因素影响

46.7%研究在控温环境（20±1^oC）进行，仅6.6%测试非控环境。智能手机IRT在居家监测中展现潜力，但环境干扰仍是泛化应用的瓶颈。

临床价值

AI系统可辅助：

• •

  减少医护人员工作量（如自动分割溃疡风险区域）

• •

  偏远地区筛查（如集成手机的CAD系统）

• •

  动态监测（通过热图时序分析）

展望

当前局限包括数据集偏小（如122例糖尿病vs45例对照）和标注质量参差。未来需开发抗环境干扰算法，并扩大多中心临床试验验证。

结论

AI驱动的IRT已成为DFU管理的革新工具，其临床转化仍需解决数据标准化和现实场景验证等挑战。