【摘要】 近年來(lái)糖尿病足潰瘍（diabetic foot ulcer，DFU）患病率明顯增加，為促進(jìn)潰瘍愈合，降低截肢率，必須對(duì)DFU患者足部情況及時(shí)進(jìn)行評(píng)估，科學(xué)評(píng)估對(duì)制定正確治療方案及預(yù)測(cè)預(yù)后具有重要意義。由于DFU的復(fù)雜性，人工智能（AI）圖像識(shí)別技術(shù)可能是及時(shí)篩查和識(shí)別DFU風(fēng)險(xiǎn)的有效方法，本文將綜述DFU圖像識(shí)別技術(shù)對(duì)DFU患者創(chuàng)面評(píng)估、缺血/感染分類、評(píng)估療效及預(yù)測(cè)預(yù)后的研究進(jìn)展。

【關(guān)鍵詞】 糖尿病 足潰瘍 圖像識(shí)別技術(shù)

Research Progress of Image Recognition Technology for Diabetes Foot Ulcer/XIA Zuwei， CAO Guanbai， LIU Xianqi. //Medical Innovation of China， 2023， 20（31）： -179

[Abstract] In recent years， the prevalence of diabetes foot ulcer （DFU） has increased significantly. In order to promote ulcer healing and reduce the amputation rate， it is necessary to evaluate the foot condition of DFU patients in a timely manner. Scientific evaluation is of great significance for formulating correct treatment plans and predicting prognosis. Due to the complexity of DFU， artificial intelligence （AI） image recognition technology may be an effective method to screen and identify the risk of DFU in a timely manner. This article will review the research progress of DFU image recognition technology in wound evaluation， ischemia/infection classification， evaluation of curative effect and prediction of prognosis of DFU patients.

[Key words] Diabetes Foot ulcer Image analysis

First-author's address： Jiulongpo District People's Hospital of Chongqing City， Chongqing 400050， China

doi：10.3969/j.issn.1674-4985.2023.31.040

糖尿病及糖尿病足的患病率近年來(lái)明顯增加，糖尿病足的主要不良結(jié)局是截肢和死亡，糖尿病足潰瘍（DFU）是糖尿病足最常見(jiàn)的表現(xiàn)，全球每年約有400萬(wàn)糖尿病患者發(fā)生DFU，不同國(guó)家、地區(qū)之間DFU患病率差異很大，介于1.5%～16.6%[1]。我國(guó)糖尿病患者1年內(nèi)新發(fā)DFU發(fā)生率為8.1%，愈合的DFU患者1年內(nèi)再發(fā)潰瘍發(fā)生率為31.6%[2]。DFU是造成糖尿病患者截肢的主要原因，全球每20秒鐘就有一例糖尿病患者截肢[3-4]，85%以上的糖尿病患者截肢起因于DFU，DFU患者年死亡率達(dá)11%[4]。

糖尿病周圍神經(jīng)病變、下肢血管病變和足畸形是DFU發(fā)病風(fēng)險(xiǎn)增加的主要原因。年齡、性別、文化程度、經(jīng)濟(jì)條件、生活習(xí)慣和其他糖尿病并發(fā)癥或合并癥也是重要的發(fā)病因素。世界各地DFU的類型差別很大，在發(fā)達(dá)國(guó)家，60%的新發(fā)潰瘍與周圍動(dòng)脈病變相關(guān)，即神經(jīng)缺血性或缺血性潰瘍；在發(fā)展中國(guó)家，更常見(jiàn)的是神經(jīng)性潰瘍[5]。及時(shí)對(duì)DFU風(fēng)險(xiǎn)進(jìn)行評(píng)估，以及采取相應(yīng)的預(yù)防措施對(duì)降低DFU截肢率相當(dāng)重要。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，人工智能可以輔助診療，增強(qiáng)醫(yī)務(wù)人員工作能力和效率，減輕數(shù)據(jù)分析壓力。目前，人工智能在醫(yī)學(xué)領(lǐng)域中，圖像識(shí)別技術(shù)的研究最多，包括DFU圖像識(shí)別技術(shù)，并取得了可喜的成功，圖像識(shí)別技術(shù)分析DFU正成為一個(gè)新興的研究領(lǐng)域。近年來(lái)，圖像識(shí)別技術(shù)用于DFU創(chuàng)面評(píng)估、感染缺血分類、療效評(píng)估及預(yù)測(cè)截肢風(fēng)險(xiǎn)等方面取得了明顯進(jìn)步[6-8]。本文將綜述DFU圖像識(shí)別技術(shù)的研究進(jìn)展。

1 創(chuàng)面評(píng)估

對(duì)DFU創(chuàng)面評(píng)估需準(zhǔn)確反映潰瘍創(chuàng)面的部位、面積、體積、顏色、分泌物、潰瘍周圍炎癥反應(yīng)、組織壞死及骨暴露情況，特別是深部潛行的竇道或組織間隙的探查，利用圖像識(shí)別技術(shù)能有效提高創(chuàng)面評(píng)估的準(zhǔn)確性。

Goyal等[9]通過(guò)傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)研究DFU自動(dòng)實(shí)時(shí)定位算法，首先使用傳統(tǒng)機(jī)器學(xué)習(xí)方法生成支持向量機(jī)（SVM），但由于在解決DFU定位任務(wù)方面的速度緩慢而放棄。而后通過(guò)設(shè)計(jì)用于DFU實(shí)時(shí)定位的深度學(xué)習(xí)方法，生成幾個(gè)神經(jīng)網(wǎng)絡(luò)，即不同的超參數(shù)設(shè)置、區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）、全卷積網(wǎng)絡(luò)（R-FCN）和單次多盒檢測(cè)器（SSD）。應(yīng)用雙層轉(zhuǎn)移學(xué)習(xí)技術(shù)，在非醫(yī)學(xué)圖像的海量數(shù)據(jù)庫(kù)上預(yù)訓(xùn)練網(wǎng)絡(luò)，從而避免僅從可用的有限醫(yī)學(xué)圖像生成網(wǎng)絡(luò)。兩位醫(yī)學(xué)專家通過(guò)使用注釋器軟件確定由1 775張DFU圖像組成的數(shù)據(jù)庫(kù)中的感興趣區(qū)域（ROIs），這些ROIs被用于性能評(píng)估，性能評(píng)估指標(biāo)包括速度、模型大小、平均值和精度。研究發(fā)現(xiàn)所有深度學(xué)習(xí)方法對(duì)DFU具有良好定位能力，推斷率高。SSD獲得最佳的推斷速度，而R-CNN的平均精度均值最高。為證明實(shí)時(shí)預(yù)測(cè)解決方案的魯棒性和實(shí)用性，通過(guò)NVIDIA Jetson TX2和智能手機(jī)應(yīng)用程序評(píng)估該模型性能，平均精度達(dá)到91.8%，推斷單個(gè)圖像的速度為48 ms，模型大小為57.2 MB。研究結(jié)果表明，深度學(xué)習(xí)模型能夠?qū)崟r(shí)定位DFU。Goyal等[10]的另一項(xiàng)類似研究，專注于特定的CNN，稱為DFUNet，并將其性能與傳統(tǒng)網(wǎng)絡(luò)，如AlexNet、GoogLeNet、LeNet的性能進(jìn)行比較。

Chan等[11]使用人工智能傷口成像移動(dòng)應(yīng)用程序（CARES4WOUNDS系統(tǒng)）與傳統(tǒng)手工創(chuàng)面測(cè)量DFU進(jìn)行比較，傳統(tǒng)手工創(chuàng)面測(cè)量由訓(xùn)練有素的專科護(hù)士完成。從28例糖尿病患者中收集75處DFU圖像，創(chuàng)面平均面積為3.75 cm2，共分析547張創(chuàng)面圖像。通過(guò)分析同一創(chuàng)面的三幅不同圖像，觀察到CARES4WOUNDS系統(tǒng)的內(nèi)部可靠性極佳（0.933～0.994），而最重要的是CARES4WOUNDS系統(tǒng)與?？谱o(hù)士測(cè)量創(chuàng)面長(zhǎng)度、寬度和面積之間，評(píng)價(jià)者間信度很好（0.825～0.934）。CARES4WOUNDS系統(tǒng)是監(jiān)測(cè)DFU創(chuàng)面的有用輔助工具。

2 缺血/感染分類

DFU感染及缺血是導(dǎo)致糖尿病患者病情惡化的最重要因素，也是住院時(shí)間和醫(yī)療費(fèi)用增加的常見(jiàn)原因[12-13]。DFU患者就診時(shí)40%～70%已經(jīng)發(fā)生感染[14-15]，輕度感染者25%發(fā)展為重度深部感染[16]。糖尿病下肢血管病變是糖尿病患者常見(jiàn)慢性并發(fā)癥之一，不僅大、中動(dòng)脈受損，而且更多膝下中、小動(dòng)脈血管中膜鈣化、節(jié)段性狹窄或閉塞，從而導(dǎo)致缺血。感染/缺血的發(fā)生常導(dǎo)致截肢，重者導(dǎo)致死亡[17]。圖像識(shí)別技術(shù)對(duì)早期DFU感染/缺血評(píng)估可以幫助臨床醫(yī)生制定正確的治療方案，提高DFU創(chuàng)面愈合率。

Goyal等[18]將圖像識(shí)別技術(shù)應(yīng)用于DFU缺血/感染的分類評(píng)估。首先使用基于DFU深度定位算法技術(shù)，對(duì)1 459例DFU圖像的初始數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)擴(kuò)充。其次，通過(guò)超級(jí)像素顏色描述符（SPCD）的新方法，從DFU圖像中提取ROI顏色信息，以識(shí)別缺血/感染的視覺(jué)線索。使用幾種用于缺血/感染分類的算法，從機(jī)器學(xué)習(xí)開(kāi)始，提出隨機(jī)森林（RF）、貝葉斯網(wǎng)絡(luò)（BN）、多層感知機(jī)（MLP）及CNN算法，最后，采用集成CNN方法，結(jié)合三個(gè)CNN模型的特征，使用SVM來(lái)執(zhí)行分類。兩位醫(yī)學(xué)專家在數(shù)據(jù)庫(kù)圖像中確定缺血/感染。缺血/感染分類性能指標(biāo)包括準(zhǔn)確率、敏感度、特異度、F1-分?jǐn)?shù)，MCC，ROC曲線下面積，結(jié)論是集成CNN算法表現(xiàn)最好，在缺血分類準(zhǔn)確率為90%，感染分類準(zhǔn)確率為73%?？偟膩?lái)說(shuō)，檢測(cè)缺血比檢測(cè)感染效果更好，平均準(zhǔn)確率為83.3%對(duì)65.8%。

Al-Garaawi等[19]的研究旨在開(kāi)發(fā)一種基于CNN的DFU分類方法，除ROI的RGB圖像外，還使用DFU上的紋理信息。特別關(guān)注區(qū)分健康受試者和DFU受試者，以及區(qū)分缺血和非缺血，感染和非感染的能力。采用不同的模型，從基于RGB圖像的單個(gè)輸入開(kāi)始。之后，使用包含紋理信息的圖像補(bǔ)充RGB圖像，使用紋理描述的局部二進(jìn)制模式（LBP）技術(shù)從RGB圖像獲得紋理信息。通過(guò)逐步調(diào)整參數(shù)，如卷積層、最大池及濾波器數(shù)量，以產(chǎn)生紋理增強(qiáng)圖像，獲得最終的CNN模型。該模型經(jīng)過(guò)訓(xùn)練，并通過(guò)自適應(yīng)矩估計(jì)進(jìn)行優(yōu)化。以敏感度、特異度、準(zhǔn)確率、F1分?jǐn)?shù)和ROC曲線下面積表示性能，該模型與最先進(jìn)的AlexNet和GoogLeNet算法進(jìn)行比較，結(jié)果表明，以紋理增強(qiáng)圖像作為輸入的CNN分類模型最優(yōu)，提供更好的性能，獲得DFU缺血/感染分類的ROC曲線下面積更大。

Xu等[20]的研究基于確定DFU缺血/感染的存在，在CNN測(cè)試階段，分類取決于單個(gè)輸入圖像和訓(xùn)練網(wǎng)絡(luò)參數(shù)，但訓(xùn)練數(shù)據(jù)中提供的知識(shí)沒(méi)有被明確充分利用。為了更好地使用訓(xùn)練數(shù)據(jù)知識(shí)，提出經(jīng)典知識(shí)庫(kù)（CKB）方法。在該方法中，使用CKB中的每個(gè)單元來(lái)計(jì)算與輸入圖像的相似度。CKB中的單元之間的平均相似性是輸入圖像的代表性參數(shù)，可以有助于圖像分類，因?yàn)榉诸惒粌H取決于圖像和訓(xùn)練參數(shù)，而且取決于從訓(xùn)練數(shù)據(jù)提取并存儲(chǔ)在CKB中的數(shù)據(jù)。數(shù)據(jù)庫(kù)包括628例非感染病例和831例感染病例，以及1 249例非缺血病例和210例缺血病例。由于缺血/非缺血分類存在明顯的不平衡問(wèn)題，因此應(yīng)用數(shù)據(jù)擴(kuò)充策略，缺血/非缺血圖像塊9 870個(gè)，感染/非感染圖像塊5 892個(gè)。性能指標(biāo)包括準(zhǔn)確度、敏感度、特異度、F1分?jǐn)?shù)、ROC曲線下面積?；谏疃葘W(xué)習(xí)的感染分類顯示出很好的性能，特別是深度神經(jīng)網(wǎng)絡(luò)從DFU圖像中提取辨別特征，預(yù)測(cè)感染/缺血的能力。

Güley等[21]開(kāi)展一項(xiàng)旨在解決DFU“經(jīng)典”四分類，即感染、缺血、感染和缺血及無(wú)感染和無(wú)缺血的鑒別。利用DFUC2021數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)包括15 863張圖像，通過(guò)深度學(xué)習(xí)框架提供快速結(jié)合交叉驗(yàn)證、數(shù)據(jù)預(yù)處理和數(shù)據(jù)擴(kuò)充策略等，促進(jìn)模型開(kāi)發(fā)。通過(guò)評(píng)估一系列VGG網(wǎng)絡(luò)結(jié)構(gòu)，包括不同的層、訓(xùn)練策略、數(shù)據(jù)預(yù)處理和增強(qiáng)技術(shù)，訓(xùn)練出三個(gè)版本的VGG網(wǎng)絡(luò)結(jié)構(gòu)，即VGG11、VGG16和VGG19。根據(jù)ROC曲線下面積、F1分?jǐn)?shù)等性能指標(biāo)，該研究中的最佳模型與DFUC2021數(shù)據(jù)庫(kù)中的其他模型相比，排名第2至第7之間。

早期識(shí)別革蘭染色細(xì)菌類型有助于提供正確的治療方案，提高DFU愈合率。Illuminate?是一種多光譜自體熒光成像新型設(shè)備，有助于快速識(shí)別和分類細(xì)菌。Viswanathan等[22]評(píng)估Illuminate?與標(biāo)準(zhǔn)細(xì)菌檢測(cè)方法相比在檢測(cè)革蘭染色細(xì)菌類型方面的準(zhǔn)確性，以及對(duì)革蘭染色細(xì)菌類型（陽(yáng)性或陰性）或有無(wú)感染情況進(jìn)行分類的能力。該研究共收集178例DFU患者資料，Illuminate?由訓(xùn)練有素的研究人員操作，以拍攝DFU圖像。從DFU創(chuàng)面處采取203份樣本，樣本取自設(shè)備人工智能算法所指示的顏色編碼感染區(qū)域，樣本送細(xì)菌學(xué)檢測(cè)，將細(xì)菌學(xué)檢測(cè)與Illuminate?推斷進(jìn)行比較，研究發(fā)現(xiàn)Illuminate?檢測(cè)革蘭陽(yáng)性菌的陽(yáng)性預(yù)測(cè)值（PPV）為86.27%，革蘭陰性菌陽(yáng)性預(yù)測(cè)值（PPV）為80.77%，無(wú)感染為91.67%。革蘭陽(yáng)性菌的陰性預(yù)測(cè)值（NPV）為87.25%，革蘭陰性菌的陰性預(yù)測(cè)值（NPV）為92%，無(wú)感染為96.12%。結(jié)果表明，這種新型多光譜自體熒光成像設(shè)備在識(shí)別和分類革蘭染色細(xì)菌類型方面具有較高準(zhǔn)確性，有助于臨床醫(yī)生進(jìn)行早期感染評(píng)估和治療。

3 評(píng)估療效

Wang等[23]根據(jù)基于深度學(xué)習(xí)算法的磁共振成像（MRI）數(shù)據(jù)特征評(píng)估復(fù)合皮片移植治療DFU效果。78例DFU患者隨機(jī)分為試驗(yàn)組和對(duì)照組，每組39例患者，試驗(yàn)組采用復(fù)合皮片移植治療，對(duì)照組采用自體皮片移植治療。治療前后行MRI掃描。單次多盒檢測(cè)器（SSD）深度學(xué)習(xí)算法被應(yīng)用于MRI圖像分析，以定位和提取需要皮片移植的足部傷口特征。SSD利用CNN檢測(cè)與滑動(dòng)窗方法不同的是在試驗(yàn)組中MRI圖像的一些參數(shù)，如信號(hào)強(qiáng)度參數(shù)在治療前后有所不同，治療后試驗(yàn)組掃描序列的T1加權(quán)成像（T1WI）顯著增加，脂肪抑制T2加權(quán)成像（T2WI）和脂肪抑制T1WI增強(qiáng)序列的信號(hào)強(qiáng)度顯著降低（Plt;0.05）。此外，與對(duì)照組相比，試驗(yàn)組的復(fù)發(fā)率、愈合時(shí)間和瘢痕評(píng)分顯著降低（Plt;0.01），MRI成像信息對(duì)評(píng)價(jià)DFU療效的準(zhǔn)確性、特異度及敏感度分別為85.2%、89.75%和86.47%。根據(jù)特異度和敏感度，繪制受試者操作特征曲線，曲線下面積為0.838。因此，基于深度學(xué)習(xí)算法的MRI圖像數(shù)據(jù)特征可以為DFU復(fù)合皮片移植的療效評(píng)估提供輔助參考信息。

4 預(yù)測(cè)預(yù)后

Kim等[24]進(jìn)行旨在預(yù)測(cè)DFU愈合情況的研究，該研究資料來(lái)自從患者的電子健康記錄（EHR）中提取的臨床特征和從智能手機(jī)或平板電腦拍攝照片中提取的圖像特征。根據(jù)三年內(nèi)2 291次就診的EHR，對(duì)155例患者的381處DFU進(jìn)行臨床特征（48個(gè)變量）的研究。手動(dòng)分割DFU照片，然后提取顏色和紋理特征，以及基于深度學(xué)習(xí)的特征。使用ResNet50的全局平均池化層深度CNN，在ImageNet數(shù)據(jù)庫(kù)上訓(xùn)練，提供預(yù)訓(xùn)練版本。然后訓(xùn)練隨機(jī)森林和支持向量機(jī)以預(yù)測(cè)最終DFU愈合情況。使用手工制作影像學(xué)特征構(gòu)建的模型優(yōu)于僅使用臨床特征或深度學(xué)習(xí)模型。使用功能訓(xùn)練模型與使用手工制作訓(xùn)練模型在影像學(xué)特征性能（ROC曲線下面積、準(zhǔn)確度、精確度和F1分?jǐn)?shù)等）方面相似。Kim等[24]認(rèn)為由于最重要的特征主要是手工制作的成像特征，可能更適合在智能手機(jī)上操作。

在Yogapriya等[25]的研究中，假設(shè)感染對(duì)預(yù)測(cè)DFU患者截肢的可能性具有重要意義。分析的數(shù)據(jù)庫(kù)包括5 890張DFU圖像，2 945張感染圖像和2 945張非感染圖像。數(shù)據(jù)庫(kù)經(jīng)過(guò)適當(dāng)?shù)臄?shù)據(jù)擴(kuò)充方法，形成擁有29 450張圖像的數(shù)據(jù)庫(kù)。然后，根據(jù)DFU圖像開(kāi)發(fā)出稱為糖尿病足感染網(wǎng)絡(luò)（DFINET）的CNN，以預(yù)測(cè)感染或非感染，該網(wǎng)絡(luò)基于22層CNN架構(gòu)，批量歸一化層和丟棄層，對(duì)DFINET超參數(shù)進(jìn)行分析和微調(diào)，以提高模型性能。DFINET與其他網(wǎng)絡(luò)模型，如AlexNet、GoogLeNet及VGG16的多項(xiàng)性能指標(biāo)（準(zhǔn)確度、敏感度、特異度、精確度、F1評(píng)分、MCC、PPV和NPV）進(jìn)行比較。DFINET在幾乎所有指標(biāo)上都優(yōu)于所有其他網(wǎng)絡(luò)模型。DFINET精度達(dá)到91.98%，遠(yuǎn)高于精度不超過(guò)83%其他網(wǎng)絡(luò)模型。

鑒于DFU的復(fù)雜性和多因素性，在可能涉及的眾多變量中識(shí)別與DFU相關(guān)的變量，人工智能圖像識(shí)別技術(shù)似乎是一種有用的方法。近年來(lái)的研究表明圖像識(shí)別技術(shù)在DFU智能診療、預(yù)測(cè)預(yù)后方面的應(yīng)用已取得了令人滿意的結(jié)果，利用圖像識(shí)別技術(shù)的非侵入檢測(cè)方法，可以更好地監(jiān)測(cè)DFU，而不會(huì)對(duì)DFU患者造成任何傷害。未來(lái)的研究需要設(shè)計(jì)開(kāi)發(fā)更有效、簡(jiǎn)單而廉價(jià)的工具和技術(shù)。

參考文獻(xiàn)

[1] ZHANG P，LU J，JING Y，et al.Global epidemiology of diabetic foot ulceration：a systematic review and meta-analysis[J].Ann Med，2017，49（2）：106-116.

[2] JIANG Y，WANG X，XIA L，et al.A cohort study of diabetic patients and diabetic foot ulceration patients in China[J].Wound Repair Regen，2015，23（2）：222-230.

[3] HASSANEIN M，AFANDI B，YAKOOB AHMEDANI M，et al.

Diabetes and Ramadan：Practical guidelines 2021[J].Diabetes Res Clin Pract，2022，185：109185.

[4]中華醫(yī)學(xué)會(huì)糖尿病學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)感染病學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)組織修復(fù)與再生分會(huì).中國(guó)糖尿病足防治指南（2019版）（Ⅰ）[J].中華糖尿病雜志，2019，11（2）：92-108.

[5] BELLOMO T R，LEE S，MCARTHY M，et al.Management of the diabetic foot[J].Semin Vasc Surg，2022，35（2）：219-227.

[6] CHAN K S，LIANG S，CHO Y T，et al.Clinical validation of a machine-learning-based handheld 3-dimensional infrared wound imaging device in venous leg ulcers[J].Int Wound J，2022，19（2）：436-446.

[7] CHAN K S，LO Z J.Wound assessment，imaging and monitoring systems in diabetic foot ulcers：a systematic review[J].Int Wound J，2020，17（6）：1909-1923.

[8] MALONE M，SCHWARZER S，WALSH A，et al.Monitoring wound progression to healing in diabetic foot ulcers using three-dimensional wound imaging[J].J Diabetes Complications，2020，34（2）：107471.

[9] GOYAL M，REEVES N D，RAJBHANDARI S，et al.Robust methods for real-time diabetic foot ulcer detection and localization on mobile devices[J].IEEE J Biomed Health Inform，2019，23（4）：1730-1741.

[10] GOYAL M，REEVES N D，DAVISON A K，et al.DFUNet：convolutional neural networks for diabetic foot ulcer classifification[J].IEEE Trans Emerg Top Comput Intell，2020，4（5）：728-739.

[11] CHAN K S，CHAN Y M，TAN A H M，et al.Clinical validation of an artifificial intelligence-enabled wound imaging mobile application in diabetic foot ulcers[J].Int Wound J，2022，19（1）：114-124.

[12] JIANG Y，RAN X，JIA L，et al.Epidemiology of type 2 diabetic foot problems and predictive factors for amputation in China[J].Int J Low Extrem Wounds，2015，14（1）：19-27.

[13] SEN C K.Human wound and its burden：updated 2020 compendium of estimates[J].Adv Wound Care （New Rochelle），2021，10（5）：281-292.

[14] ATLAW A，KEBEDE H B，ABDELA A A，et al.Bacterial isolates from diabetic foot ulcers and their antimicrobial resistance profile from selected hospitals in Addis Ababa，Ethiopia[J].Front Endocrinol （Lausanne），2022，13：987487.

[15] SHAHROKH S，ALIYE T，YAZDI M，et al.Bacterial profile and antimicrobial resistance patterns of infected diabetic foot ulcers in Iran：a systematic review and meta-analysis of cross-sectional studies[J].Int J Low Extrem Wounds，2022，21（4）：364-373.

[16] HAWKINS B K，BARNARDd M，BARBER K E，et al.Diabetic foot infections：a microbiologic review[J].Foot（Edinb），2022，51：101877.

[17]中華醫(yī)學(xué)會(huì)糖尿病學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)感染病學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)組織修復(fù)與再生分會(huì).中國(guó)糖尿病足防治指南（2019版）（Ⅲ）[J].中華糖尿病雜志，2019，11（4）：238-247.

[18] GOYAL M，REEVES N D，RAJBHANDARI S，et al.Recognition of ischaemia and infection in diabetic foot ulcers：dataset and techniques[J].Comput Biol Med，2020，117：103616.

[19] AL-GARAAWI N，EBSIM R，ALHARAN A F H，et al.Diabetic foot ulcer classifification using mapped binary patterns and convolutional neural networks[J].Comput Biol Med，2021，140：105055.

[20] XU Y，HAN K，ZHOU Y，et al.Classifification of diabetic foot ulcers using class knowledge banks[J].Front Bioeng Biotechnol，2021，9：811028.

[21] GüLEY O，PATI S，BAKAS S.Classification of infection and ischemia in diabetic foot ulcers using VGG architectures[J].Diabet Foot Ulcers Grand Chall（2021），2022，13183：76-89.

[22] VISWANATHAN V，GOVINDAN S，SELVARAJ B，et al.

A clinical study to evaluate autofluorescence imaging of diabetic foot ulcers using a novel artificial intelligence enabled noninvasive device[J].Int J Low Extrem Wounds，2021：15347346211047098.

[23] WANG C，YU X，SUI Y，et al.Magnetic resonance imaging data features to evaluate the effificacy of compound skin graft for diabetic foot[J].Contrast Media Mol Imaging，2022：5707231.

[24] KIM R B，GRYAK J，MISHRA A，et al.Utilization of smartphone and tablet camera photographs to predict healing of diabetes-related foot ulcers[J].Comput Biol Med，2020，126：104042.

[25] YOGAPRIYA J，CHANDRAN V，SUMITHRA M G，et al.

Automated detection of infection in diabetic foot ulcer images using convolutional neural network[J].J Healthc Eng，2022，2022：2349849.

（收稿日期：2023-03-07） （本文編輯：田婧）