综述：预测糖尿病足溃疡愈合状态的无创成像技术：一项十年系统综述

本综述系统评估了三种无创成像技术（RGB成像、热成像、高光谱成像）在糖尿病足溃疡（DFU）愈合预测中的应用进展，指出结合机器学习（ML）与深度学习（DL）的视觉与热成像技术具有早期实时预测潜力，但临床转化仍需解决标准化、成本及多模态整合等挑战。

　　

引言

糖尿病足溃疡（DFU）是糖尿病最严重的并发症之一，约19%-34%的糖尿病患者在其一生中会发展为DFU。此类溃疡是非创伤性下肢截肢的主要诱因，显著增加感染风险并降低生活质量。早期准确预测DFU的愈合状态对预防长期残疾、截肢及死亡至关重要。当前临床实践主要通过测量伤口面积变化（如4周内面积减少50%）判断愈合趋势，但该方法需等待较长时间且依赖人工接触测量，易引入误差和感染风险。近年来，无创成像技术因其安全性、可重复性及实时监测潜力成为研究热点。

成像技术概述

本综述聚焦三种无创成像技术：

1. 1.
   可见光成像（RGB成像）：通过普通相机或智能手机捕获伤口颜色、纹理及形态特征，结合图像分割（如均值漂移算法、ImageJ软件）和分类模型（随机森林、支持向量机）预测愈合趋势。其优势在于便携性和低成本，但对光照条件敏感。
2. 2.
   热成像：通过红外传感器检测伤口温度分布，反映局部炎症和血流灌注情况。结合等温区域分析和深度学习模型（如Mask R-CNN），可量化溃疡与足部面积比及平均温度变化。该技术对感染监测敏感，但需多模态数据整合。
3. 3.
   高光谱成像（HSI）：通过捕获430-750 nm波长范围内的光谱数据，量化组织氧合（StO₂）、血红蛋白（OxyHb/DeoxyHb）及水分含量等生理参数。主成分分析（PCA）显示其预测灵敏度达87.5%，优于传统氧饱和度（SpO₂）方法。但设备昂贵且便携性差，限制临床推广。
   此外，三维成像通过重建伤口体积和深度模型（如线性回归分析）提供更精确的几何评估，但依赖专用设备和人工校准。

伤口评估维度

无创成像技术从三个维度评估DFU愈合：

• •
  生理评估：包括组织氧合（TcpO₂）、血红蛋白指数及温度，直接反映微循环和代谢状态。高氧合水平与愈合正相关，而低温提示血供不足。
• •
  几何评估：通过伤口面积、周长及体积变化（如伤口边缘推进率WMA）预测愈合轨迹。研究表明，40%的面积减少率可预测12-24周内的愈合。
• •
  表面评估：基于颜色分类（红/黄/黑组织）、纹理特征及分割结果（如Granulation Index）量化组织类型变化。

预测模型与技术挑战

临床研究多采用统计模型（如线性回归、t检验、ROC曲线），而工程领域倾向机器学习（ML）和深度学习（DL）方法：

• •
  统计模型：如Spearman相关系数分析氧合参数与愈合相关性（r = -0.65, p = 0.001），或逻辑回归确定TcpO₂为最强预测因子（AUC = 0.989）。
• •
  ML/DL模型：包括随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）及Siamese神经网络（SNN）。例如，SNN通过比较锚点类别（感染/缺血/健康）输出愈合进度雷达图，F1-score达0.6455。
  当前技术瓶颈包括：
  1. 1.
     数据稀缺：多数研究样本量不足20例，限制模型泛化能力。
  2. 2.
     自动化不足：依赖人工分割，效率低且一致性差。
  3. 3.
     技术限制：高成本设备（如HSI）和复杂协议阻碍基层应用。

未来方向与临床转化

为实现DFU预测技术的临床落地，需优先开展以下工作：

1. 1.
   构建大规模数据集：建立多中心开放数据库，结合生成对抗网络（GANs）合成数据解决样本偏差。
2. 2.
   标准化成像协议：统一光照、角度及校准流程，确保数据可比性。
3. 3.
   开发便携设备：整合智能手机平台与低功耗算法，适配家庭及社区场景。
4. 4.
   多模态融合：结合RGB、热成像及HSI数据，提升诊断全面性。
5. 5.
   推进临床试验：通过多中心试验验证预测模型对截肢率、愈合时间的实际影响。
   此外，需克服法规审批、经济成本及临床接受度等壁垒，并通过可解释AI（XAI）增强模型透明度。

结论

无创成像技术为DFU愈合预测提供了革命性工具，其中视觉与热成像技术因便携性、实时性及自动化潜力最适合临床和社区推广。机器学习与深度学习的集成有望突破传统4周观察期限制，实现早期干预。然而，技术仍需大规模验证和标准化整合方能全面融入诊疗流程。未来研究应聚焦跨学科合作，以患者为中心推动技术从实验室向床旁转化。