DOI: https://doi.org/10.1038/s41598-025-90780-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40000748
تاريخ النشر: 2025-02-25
المؤلف: Pramod Singh Rathore وآخرون
الموضوع الرئيسي: تقييم وإدارة قرحة القدم السكري
نظرة عامة
تتناول ورقة البحث التحدي الكبير لقرحات القدم السكرية (DFUs)، وهي مضاعفات خطيرة للسكري تتميز بوجود جروح مفتوحة على القدم. تقدم الدراسة إطار عمل DFU_XAI، الذي يستفيد من التعلم العميق والذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز تشخيص وعلاج DFUs. يقوم الإطار بتقييم ستة نماذج متقدمة، بما في ذلك Xception وDenseNet121 وResNet50 وInceptionV3 وMobileNetV2، وشبكة عصبية متشابهة (SNN)، باستخدام تقنيات التفسير مثل SHAP وLIME وGrad-CAM. ومن الجدير بالذكر أن نموذج SNN حقق مقاييس أداء ملحوظة: دقة 98.76%، دقة 99.3%، استرجاع 97.7%، درجة F1 98.5%، وAUC 98.6%، مع استخدام Grad-CAM لتصور مواقع القرح لدعم اتخاذ القرارات السريرية.
في الختام، تسلط الدراسة الضوء على إمكانية إطار عمل DFU_XAI في إحداث ثورة في تحديد قرحات القدم، وقد تمتد تطبيقاته إلى حالات جلدية أخرى. لقد حازت دقة نموذج SNN العالية وقدرات التعرف السريع على ثقة الأطباء، مما يشير إلى إمكانية تطبيقه بشكل أوسع في التشخيص الطبي. تهدف الأبحاث المستقبلية إلى تطوير إطار عمل للتعلم العميق متعدد المقاييس يتضمن نماذج مسبقة التدريب متعددة لتعزيز دقة وكفاءة التصنيف مع معالجة مخاوف خصوصية البيانات. ستركز التحسينات على إطار عمل DFU_XAI على تحسين بنية النموذج، وتحسين المعلمات الفائقة، واستخدام تقنيات المعالجة المسبقة المتقدمة لتحسين التعميم. من المتوقع أن تعزز دمج واجهات المستخدم سهلة الاستخدام والتطبيقات في الوقت الحقيقي، خاصة على المنصات المحمولة، تقديم الرعاية الصحية في إدارة مضاعفات السكري.
الطرق
تركز منهجية هذه الدراسة على تطوير نموذج تعلم عميق (DL)، وتحديداً شبكة عصبية تلافيفية (CNN)، لتحليل صور القدم السكرية لتمييز بين الجلد السليم والقرحات. يدمج نظام تصنيف DFU_XAI ثلاثة أساليب للذكاء الاصطناعي القابل للتفسير (XAI) وستة نماذج CNN معدلة بدقة، مع معالجة التحديات مثل قابلية تفسير الميزات، عدم توازن مجموعة البيانات، والوفرة المحدودة لمجموعات بيانات قرحات القدم السكرية (DFU). تشمل الحلول زيادة البيانات، وتقنية الزيادة الاصطناعية للأقليات (SMOTE) لموازنة مجموعات البيانات، واستخدام ResNet50 مع طرق XAI مثل SHAP وGrad-CAM لتعزيز القابلية للتفسير. يستخدم النموذج تقنية الشبكة العصبية المتشابهة (SNN) لمقارنة الصور ويستخدم خسارة تباينية لتقييم التشابه.
تضمنت الإعدادات التجريبية تدريب نماذج متنوعة، بما في ذلك Xception وInceptionV3 وDenseNet121 وMobileNetV2 وResNet50، مع أوزان مسبقة التدريب من ImageNet لتحسين الأداء. تم تحسين النموذج باستخدام مُحسِّن آدم بمعدل تعلم 0.0001، وخسارة الانتروبيا المتقاطعة الثنائية، وحجم دفعة 32، محققاً أكثر من 98% دقة تحقق و97% دقة تدريب بعد 29 دورة. تم استخدام منحنى خصائص التشغيل المستقبلي (ROC) ومصفوفة الارتباك (CM) لتقييم أداء النموذج، حيث حقق نموذج ResNet50 درجة منطقة تحت المنحنى (AUC) قدرها 0.98535. تؤكد الدراسة على أهمية شفافية النموذج واكتشاف التحيز في التطبيقات السريرية، مما يبرز فعالية إطار عمل DFU_XAI في تعزيز اتخاذ القرار في بيئات الرعاية الصحية.
النتائج
في قسم النتائج، يوضح المؤلفون المعلمات الفائقة وظروف العمل المستخدمة في إطار عمل DFU_XAI، مع التركيز على كل من العوامل الموضوعية والذاتية التي تؤثر على نتائج التقييم. تشمل المعلمات الفائقة الرئيسية المحددة معدل تعلم فعال، عدد مثالي من الدورات، مُحسِّن فعال، حجم مجموعة معتدل، ونسبة تقسيم مثالية للتدريب/الاختبار. تم اختيار هذه المعلمات بعناية لتعزيز مراحل التعلم والتدريب والاختبار والتحقق ضمن الإعداد التجريبي.
علاوة على ذلك، يتم مقارنة إطار عمل DFU_XAI المقترح بالأساليب الحالية، مع تسليط الضوء على أدائه وفعاليته. تشير النتائج إلى أن المعلمات الفائقة المختارة تسهم بشكل كبير في فعالية الإطار بشكل عام، مما يشير إلى أن الضبط الدقيق لهذه العوامل أمر حاسم لتحقيق نتائج مثالية في سياق الدراسة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على دمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) — SHAP وLIME وGrad-CAM — مع نماذج التعلم العميق لتعزيز تشخيص وتحديد مواقع قرحات القدم السكرية (DFUs). يقوم SHAP (التفسيرات المضافة لشابلي) بتحديد مساهمة كل ميزة إدخال، مما يساعد الأطباء في التحقق من التنبؤات من خلال تحديد المناطق المؤثرة في الصورة. يقوم LIME (التفسيرات المحلية القابلة للتفسير وغير المعتمدة على النموذج) بتقسيم الصور إلى سوبر بكسل، مما يسمح للأطباء بالتحقق من المناطق ذات الصلة، وبالتالي زيادة الثقة في مخرجات النموذج. يقوم Grad-CAM (تخطيط تنشيط الفئة المعتمد على التدرجات) بإنشاء خرائط حرارية تشير بصريًا إلى المناطق الحرجة في الصورة للتنبؤات، مما يسهل تحديد موقع القرحة بدقة، وهو أمر أساسي للتشخيص وتخطيط العلاج.
تؤكد الورقة على أهمية زيادة البيانات وتقنيات المعالجة المسبقة في معالجة التحديات التي تطرحها مجموعات البيانات المحدودة وغير المتوازنة. من خلال استخدام طرق مثل التدوير، والتغيير في الحجم، وتقنية الزيادة الاصطناعية للأقليات (SMOTE)، نجح المؤلفون في توسيع مجموعة البيانات من 1,050 إلى 3,100 رقعة جلدية، مما يحسن من قوة النموذج وقدرته على التعميم. يستخدم الإطار ستة شبكات عصبية تلافيفية (CNN) متطورة، بما في ذلك ResNet50 وDenseNet121، مستفيدًا من التعلم الانتقالي لتعزيز الأداء مع الحفاظ على الكفاءة الحاسوبية. لا يحسن الجمع بين هذه النماذج المتقدمة وتقنيات XAI دقة التشخيص فحسب، بل يعزز أيضًا الثقة والشفافية في اتخاذ القرارات السريرية المدفوعة بالذكاء الاصطناعي، مما يؤدي في النهاية إلى تحسين نتائج المرضى.
القيود
تتمثل قيود نموذج DFU_XAI لاكتشاف قرحات القدم السكرية (DFU) في نقطتين. أولاً، على الرغم من أن النموذج يظهر فعالية في تحديد DFUs، إلا أن أدائه قد لا يمتد إلى حالات جلدية أخرى أو بيئات شفاء متنوعة، مما قد يحد من قابليته للتطبيق في الإعدادات السريرية الأوسع. ثانيًا، يثير النموذج مخاوف بشأن خصوصية المرضى، حيث إن مشاركة البيانات والوصول إليها خلال مرحلة التدريب قد يعرض الخصوصية للخطر. للتخفيف من هذه المخاطر، يُوصى بتعزيز تدابير حماية البيانات والتحقيق في أساليب التعلم الفيدرالي (FL)، والتي يمكن أن تعزز كل من أمان معلومات المرضى وقوة النموذج.
DOI: https://doi.org/10.1038/s41598-025-90780-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40000748
Publication Date: 2025-02-25
Author(s): Pramod Singh Rathore et al.
Primary Topic: Diabetic Foot Ulcer Assessment and Management
Overview
The research paper addresses the significant challenge of diabetic foot ulcers (DFUs), which are serious complications of diabetes characterized by open sores on the foot. The study introduces the DFU_XAI framework, which leverages deep learning and explainable artificial intelligence (XAI) to enhance the diagnosis and treatment of DFUs. The framework evaluates six advanced models, including Xception, DenseNet121, ResNet50, InceptionV3, MobileNetV2, and a Siamese Neural Network (SNN), utilizing interpretability techniques such as SHAP, LIME, and Grad-CAM. Notably, the SNN model achieved remarkable performance metrics: 98.76% accuracy, 99.3% precision, 97.7% recall, 98.5% F1-score, and 98.6% AUC, with Grad-CAM effectively visualizing ulcer locations to support clinical decision-making.
In conclusion, the study highlights the potential of the DFU_XAI framework to revolutionize the identification of foot ulcers and potentially extend its application to other dermatological conditions. The SNN model’s high accuracy and rapid identification capabilities have garnered clinician confidence, suggesting broader applicability in medical diagnostics. Future research aims to develop a multiscale transfer learning framework that incorporates multiple pre-trained models to enhance classification accuracy and efficiency while addressing data privacy concerns. Enhancements to the DFU_XAI framework will focus on refining model architecture, optimizing hyperparameters, and employing advanced preprocessing techniques to improve generalization. The integration of user-friendly interfaces and real-time applications, particularly for mobile platforms, is anticipated to further enhance healthcare delivery in managing diabetes-related complications.
Methods
The methodology of this study focuses on developing a deep learning (DL) model, specifically a convolutional neural network (CNN), to analyze diabetic foot photos for distinguishing between healthy skin and ulcers. The DFU_XAI classification system integrates three explainable artificial intelligence (XAI) approaches and six fine-tuned CNN models, addressing challenges such as feature explainability, dataset imbalance, and limited availability of diabetic foot ulcer (DFU) datasets. Solutions include data augmentation, the Synthetic Minority Over-sampling Technique (SMOTE) for balancing datasets, and the use of ResNet50 combined with XAI methods like SHAP and Grad-CAM to enhance interpretability. The model employs a Siamese Neural Network (SNN) technique to compare images and uses contrastive loss for similarity assessment.
The experimental setup involved training various models, including Xception, InceptionV3, DenseNet121, MobileNetV2, and ResNet50, with pre-trained ImageNet weights to improve performance. The model was optimized using the Adam optimizer with a learning rate of 0.0001, binary cross-entropy loss, and a batch size of 32, achieving over 98% validation accuracy and 97% training accuracy after 29 epochs. The Receiver Operating Characteristic (ROC) curve and Confusion Matrix (CM) were utilized to evaluate model performance, with the ResNet50 model achieving an Area Under the Curve (AUC) score of 0.98535. The study emphasizes the importance of model transparency and bias detection in clinical applications, showcasing the effectiveness of the DFU_XAI framework in enhancing decision-making in healthcare settings.
Results
In the Results section, the authors detail the hyperparameters and working conditions utilized in the DFU_XAI framework, focusing on both objective and subjective factors influencing assessment outcomes. Key hyperparameters identified include an efficient learning rate, an optimal number of epochs, an effective optimizer, a moderate group size, and an ideal train/test split ratio. These parameters were meticulously selected to enhance the learning, training, testing, and validation phases within the experimental setup.
Furthermore, the proposed DFU_XAI framework is compared with existing methodologies, highlighting its performance and effectiveness. The results indicate that the chosen hyperparameters significantly contribute to the framework’s overall efficacy, suggesting that careful tuning of these factors is crucial for achieving optimal results in the context of the study.
Discussion
The discussion section of the research paper highlights the integration of explainable AI (XAI) techniques—SHAP, LIME, and Grad-CAM—with deep learning models to enhance the diagnosis and localization of diabetic foot ulcers (DFUs). SHAP (Shapley Additive Explanations) quantifies the contribution of each input feature, aiding clinicians in validating predictions by identifying influential image regions. LIME (Locally Interpretable Model-Agnostic Explanations) segments images into superpixels, allowing clinicians to verify relevant areas, thereby increasing confidence in model outputs. Grad-CAM (Gradient-weighted Class Activation Mapping) generates heatmaps that visually indicate critical image areas for predictions, facilitating accurate ulcer localization essential for diagnosis and treatment planning.
The paper emphasizes the importance of data augmentation and preprocessing techniques in addressing the challenges posed by limited and imbalanced datasets. By employing methods such as rotation, scaling, and the Synthetic Minority Oversampling Technique (SMOTE), the authors successfully expanded the dataset from 1,050 to 3,100 skin patches, improving model robustness and generalization. The framework utilizes six state-of-the-art convolutional neural networks (CNNs), including ResNet50 and DenseNet121, leveraging transfer learning to enhance performance while maintaining computational efficiency. The combination of these advanced models with XAI techniques not only improves diagnostic accuracy but also fosters trust and transparency in AI-driven clinical decision-making, ultimately leading to better patient outcomes.
Limitations
The limitations of the DFU_XAI model for diabetic foot ulcer (DFU) detection are twofold. Firstly, while the model demonstrates effectiveness in identifying DFUs, its performance may not extend to other skin conditions or varying healing environments, potentially limiting its applicability in broader clinical settings. Secondly, the model raises concerns regarding patient confidentiality, as data sharing and access during the training phase could compromise privacy. To mitigate these risks, enhancing data protection measures and investigating Federated Learning (FL) approaches are recommended, which could bolster both the security of patient information and the robustness of the model.