综述：热成像技术在糖尿病足检测中的应用——综述

本综述系统评价了热成像技术（结合人工智能）在糖尿病足溃疡（DFU）早期检测中的价值。分析表明，该技术能识别≥2°C的皮肤温度异常及早期炎症，AI模型（如CNN、DFTNet）可显著提升诊断准确率（>90%）。尽管存在设备标准化不足、样本量小等局限，热成像仍展现出作为无创、快速筛查工具的巨大潜力，尤其适用于临床及家庭监测场景。

6 纳入研究概述与方法学途径

基于对49项原发性研究的系统分析，热成像技术在识别糖尿病足前溃疡状态及并发症方面展现出重要诊断价值。研究设计涵盖病例报告、可行性研究及基于数据库的回顾性分析，但普遍存在测试组与对照组在人数及特征上不平衡的局限性。

6.1 自动化分析与机器学习技术

多项研究采用自动化分析技术，如图像分割及神经网络，以提升诊断客观性。早期研究采用基于Levenberg-Marquardt算法的神经网络，结合温度模式与位置数据分析，实现了94.3%的分类准确率。后续研究利用卷积神经网络（CNN）进行二维病变分类，显示出优异的临床性能。值得注意的是，AdaBoost分类器结合随机森林特征选择在足部热成像分析中灵敏度达96.71%，优于部分CNN模型，且双足热成像较单足能进一步提升分类性能。有研究指出，高危患者足底平均表面温度较中危组高1°C。另有神经网络模型用于足部严重程度多分类，在溃疡检测与分级中准确率、灵敏度及特异性均超过0.96。然而，多数模型仍需在更大样本中验证其普适性。在图像分割方面，采用CIE Lab*色彩空间的研究实现了高灵敏度与特异性，但在单足截肢或双足呈现相似病变时面临挑战。深度学习方法如DFTNet模型，通过差分进化自动分割图像，其性能优于传统分类器如人工神经网络（ANN）或支持向量机（SVM）。

7 计算效率与资源需求

轻量级模型（如MobileNetV2、ShuffleNet）参数量在1-3百万，推理时间低于15毫秒，硬件需求低，适于移动设备集成。而复杂模型（如EfficientNetB0、DFTNet）虽精度更高，但参数量超过5百万，需GPU支持，限制了其在资源受限环境中的应用。经典机器学习方法（如AdaBoost、MLP+XGBoost）计算复杂度低，可在CPU上高效运行，但灵敏度与准确性可能略低于深度学习模型。

8 计算复杂性分析

评估不同机器学习模型的计算复杂性对临床应用至关重要。轻量级卷积神经网络在诊断准确性与资源消耗间取得了良好平衡，适合移动集成；高性能深度学习模型则更适用于配备专用硬件的医院级系统。未来研究需关注能源效率、部署扩展性及实时监测性能。

8.1 移动热成像与标准化问题

智能手机附属热成像相机（如FLIR ONE）为糖尿病患者自我监测提供了可能，但其应用仍缺乏标准化协议，包括环境温度、患者适应时间及相机距离等关键参数的不一致，影响了结果的可比性与可靠性。

8.2 患者特征与热成像结果的相关性

研究提示体重指数（BMI）与足部温度不对称性存在显著关联，尤其在糖尿病伴足部并发症患者中更为明显。合并糖尿病神经病变的患者足温更高，且糖尿病病程更长。糖化血红蛋白（HbA1c）水平与平均足温未见显著相关性。

8.3 局部足部并发症的热成像模式

局部足部并发症患者在受累区域温度较对侧足高2°C以上；弥漫性并发症者区域温度差可超过3°C。健康足部则表现为热对称性，但近期体力活动或不合适鞋具可能导致温度差异。

8.4 热成像在预测伤口愈合中的应用

无焦痂的伤口温度较高，温度下降可提示临床改善。等温热成像分析能在两周内预测伤口愈合趋势。监测pH值与温度对预测愈合进程具有重要意义，但需更大规模研究验证。

8.5 当前研究的局限性与挑战

热成像技术的主要局限包括：缺乏与金标准诊断方法（如实验室检测）的对照、低分辨率业余热像仪的使用、研究协议的异质性（如环境条件、分析方法的非标准化）。这些因素降低了结果的诊断价值与可比性，阻碍了大规模数据集的构建与人工智能算法的训练。

8.6 未来发展方向

未来研究应致力于建立统一的热成像采集与分析协议。结合人工智能（如可解释AI-XAI）的诊断系统可显著提升分析精度与临床可解释性。例如，DFU_XAI模型利用Grad-CAM可视化关键区域，增强临床信任度；XAI-FusionNet通过多尺度特征融合提供准确且可解释的预测。这些进展有望开发出适用于临床与家庭场景的便捷工具，实现糖尿病足的早期检测与预防。

9 结论

热成像是一种安全、无创、快速的诊断方法，能有效辅助高危糖尿病患者足部早期炎症的识别。规范化的检查方法学、可靠的设备与图像处理流程对结果准确性至关重要。未来需继续深入研究，建立标准化的热成像协议与分析流程，以推动该技术在糖尿病足管理中的广泛应用。