基于可解释深度学习的多类别分类方法，用于将足部X光片分为正常、足底筋膜炎和平足三种类型

时间：2026年1月19日

来源：Clinical Imaging

编辑推荐：

本研究开发并验证了一种基于可解释深度学习模型（DenseNet-121），通过Grad-CAM++可视化分析及空间注意力特征量化，用于足部X光片的正常、扁平足和植物性筋膜炎分类。在合成数据集上训练后，模型在独立测试集上达到98.53%的总体准确率，F1分数均超过0.98。可视化与定量分析均显示模型关注解剖学关键区域（如足弓、跟骨等），证实其在临床决策支持系统中的潜在应用价值，但需进一步真实场景验证。

金俊熙（Jun-hee Kim）

韩国Wonju延世大学物理治疗系

摘要

背景

足部的内侧纵弓在足部生物力学中起着关键作用，其异常与扁平足和足底筋膜炎等疾病有关。这些疾病的早期和准确诊断在临床上非常重要，但普通X光片在显示软组织病变方面存在局限性。

目的

本研究旨在开发并解释一种深度学习模型，该模型能够将足部X光片分类为正常、足底筋膜炎和扁平足三种类型。

方法

使用AI-Hub数据集中的9500张合成足部侧位X光图像对DenseNet-121架构进行训练，并通过数据增强来提高模型的泛化能力。利用Grad-CAM++增强了模型的可解释性，以识别特定类别的感兴趣区域，随后对六个空间注意力特征进行了定量分析。

结果

该模型在独立测试集上的总体准确率为98.53%，其中正常组的F1分数为0.9900，足底筋膜炎组为0.9837，扁平足组为0.9823。可视化结果显示了解剖学上一致的激活模式：正常情况下为足中部和足弓区域，足底筋膜炎情况下为跟骨和足底筋膜的附着部位，扁平足情况下为足中部-后足部区域向下移位。定量分析证实了各组在激活面积、强度、紧凑度、空间焦点和熵方面的显著差异（p < 0.001）。

结论

这些发现表明，基于合成X光数据集训练的可解释深度学习模型能够实现高分类性能，并从结构X光片中提供可解释的解剖学见解。这种方法可能为开发临床决策支持系统提供初步指导，同时也强调了在真实临床环境中进一步验证的必要性。

引言

足部是一个解剖结构复杂的器官，它支撑着身体的重量，并在行走和体育活动中执行维持平衡和吸收冲击等基本物理功能。足部由26块骨头和33个关节组成，由肌肉、肌腱和韧带等复杂结构协同工作以保持稳定性并促进运动。足弓（尤其是内侧纵弓）作为一种重要的生物力学结构，能够有效分配重量并吸收行走和其他体力活动产生的冲击力。这种结构的异常可能导致多种足部疾病，因此其早期检测和诊断在临床上非常重要。扁平足（pes planus）是一种常见的结构畸形，表现为足部内侧纵弓塌陷，导致承重时足底变平。扁平足可分为先天性（常见于儿童）和后天性（多见于成人，常与胫后肌腱功能障碍、肥胖、神经肌肉疾病或创伤有关）。随着时间的推移，扁平足患者的生物力学变化可能导致步态改变、相邻关节压力增加，甚至引发继发性肌肉骨骼并发症。相比之下，足底筋膜炎是最常见的足跟疼痛原因，涉及足底筋膜（一种支撑足弓并吸收机械负荷的厚实结缔组织带）的退行性变化或炎症。这两种疾病在病理生理学上有所不同，但它们的生物力学相互作用在临床上具有重要意义，因为像扁平足这样的结构异常可能使足底筋膜容易受到慢性压力和退化的影响。例如，先前的研究表明，由于扁平足导致足底筋膜持续受压，患足底筋膜炎的风险会增加。实际上，在临床实践中也观察到扁平足患者中存在足底筋膜炎病例，因此扁平足有时被视为足底筋膜炎的风险因素。然而，由于扁平足并非足底筋膜炎的必要条件，即使足弓正常的人也可能患病，这两种疾病被视为独立的临床病症。此外，诊断方法也有所不同：扁平足可以通过X光等直接观察结构来明确诊断，而足底筋膜炎则基于软组织的炎症或退行性变化，因此在简单的X光图像中难以明确确认。一般来说，由于X光片对软组织的敏感性较低，直接识别足底筋膜炎等软组织病变存在根本性局限。因此，仅依靠X光片在临床实践中不足以可靠地诊断足底筋膜炎，需要结合超声或MRI等进一步检查。然而，在某些患者中，由于足底筋膜反复受到机械应力，可观察到跟骨刺形成、皮质骨厚度改变以及骨骼结构轻微错位等间接骨骼变化。这些变化即使在没有明显炎症迹象的情况下也可能表现为特定的结构模式，尤其是当这些特征较为微妙或解剖结构复杂时，用肉眼或常规临床评估可能难以识别。最近，基于深度学习的人工智能被提出用于预测疾病，通过学习在高维空间中难以识别的图像特征来实现。尽管X光片无法直接显示软组织，但人工智能有可能学习周围骨骼结构的微妙模式，从而检测与足底筋膜炎等状况相关的间接结构变形。然而，仅仅实现高准确率并不足以使深度学习模型的预测得到临床验证，还需要解释模型预测所依赖的视觉特征。为了解决这一挑战，引入了可解释的人工智能技术，以提高AI模型的透明度和可解释性。这些技术可用于分析模型关注的区域，并评估预测的依据是否与具有临床意义的结构指标相符。因此，本研究的目的是开发一种基于深度学习的分类模型，能够在合成足部侧位X光数据集中区分正常足、扁平足和足底筋膜炎，并通过结合深度学习衍生的可解释分析技术来提高模型的临床可解释性。对可视化感兴趣区域进行了定量分析，以识别模型在预测过程中使用的结构特征，特别关注足底筋膜炎（一种炎症性软组织状况）和扁平足（一种结构畸形）。该研究评估了这些特征是否能够在软组织可见性有限的情况下在结构X光图像中一致地被检测到，以评估模型是否关注与这些状况的已知临床特征相符的X光模式。这些发现可能为基于结构成像模式的临床应用型、可解释的图像决策支持系统的未来发展提供有意义的见解。

数据来源

本研究使用了由韩国科学技术信息通信部下属的AI-Hub提供的公开数据集。该数据集包含模拟真实患者足部X光图像的合成放射图像，这些图像是为了弥补医学影像数据的不足而生成的，其解剖结构与实际临床X光片非常相似。

模型性能评估

基于深度学习的分类模型在使用足部X光图像区分正常足、扁平足和足底筋膜炎方面取得了高准确率（表1）。在包含1500张图像（每类500张）的独立测试集上，模型的总体分类准确率为98.53%。具体来说，正常组的精确度为0.9920，召回率为0.9880，F1分数为0.9900；足底筋膜炎组的精确度达到1.0000，召回率……（原文此处数据不完整）

讨论

本研究开发了一种深度学习模型，用于将足部X光图像分类为三个类别，并使用可解释的人工智能技术（特别是Grad-CAM++）评估了模型的可解释性。尽管使用了合成放射数据，模型仍表现出与已知病理学特征一致的行为，关注了解剖学区域。视觉热图和定量空间指标的结合提供了对模型行为的全面理解。

结论

本研究使用DenseNet-121开发了一种可解释的深度学习模型，能够将足部X光片分类为正常足、扁平足和足底筋膜炎，总体准确率为98.53%。该模型不仅实现了高分类性能，还通过Grad-CAM++可视化展示了具有解剖学意义的关注模式。定量分析证实了特定类别的显著激活特征，支持了模型的可解释性和临床相关性。