机器学习在糖尿病足诊断与管理中的应用进展

机器学习在糖尿病足诊断与管理中的应用进展【摘要】糖尿病足是导致糖尿病患者截肢并产生高额医疗费用的首要原因。传统诊治依赖医师经验与人工评估，存在主观性强、标准化不足及早期识别困难等问题。随着人工智能技术的迅速发展，机器学习在糖尿病足筛查、诊断、预后预测及个体化管理中展现出广阔前景。该文系统阐述了近5年来机器学习在糖尿病足诊疗领域的研究进展，总结其在影像识别、风险预测、智能监测及远程管理中的应用成果，为糖尿病足精准防治提供参考。【关键词】糖尿病足；机器学习；诊断；预后糖尿病足是糖尿病患者常见且严重的慢性并发症之一，其发生与下肢血管病变、周围神经损伤及免疫功能异常密切相关［1］。流行病学研究显示，15%~25%的糖尿病患者在病程中会发生足部溃疡，糖尿病足患者的截肢风险显著高于非糖尿病人群，且5年死亡率超过40%［2］。高发病率、致残率及经济负担提示糖尿病足防控形势严峻，亟须探索更加客观、标准化的早期识别与风险评估手段，以辅助临床决策。目前，糖尿病足的诊断与评估主要依赖医师对创面形态、感染表现及血供状态的经验性判断，尽管Wagner、PEDIS等分级系统在临床中得到广泛应用，但其在早期识别和动态风险评估方面仍存在一定局限［34］。如何借助客观、可重复的技术手段实现糖尿病足的早期筛查、风险分层与精准干预，已成为当前研究的重要方向［56］。近些年来，已有综述对机器学习在糖尿病足领域的应用进行了总结，但多侧重单一技术方向或算法层面的概述，对不同临床任务下的方法学差异、动态建模及智能监测的系统整合仍相对有限。基于此，本文从临床任务出发，围绕影像识别、风险预测、预后评估及智能监测等主要应用场景，对近5年糖尿病足相关文献进行归纳总结，重点比较不同方法的输入特征、建模策略及其临床适用性差异，以期为相关研究与临床实践提供参考。一、机器学习概述机器学习是人工智能的重要分支，其核心在于通过算法从既往数据中自动学习规律，并用于分类或预测未知样本［7］。根据学习方式不同，机器学习主要包括监督学习、无监督学习、半监督学习及强化学习［8］。其中，监督学习在糖尿病足的诊断分类与预后预测中应用最为广泛；无监督学习常用于患者亚群划分；半监督学习可缓解医学标注数据不足的问题；强化学习则逐渐被探索用于序贯治疗策略优化。深度学习作为机器学习的重要分支，依托多层神经网络实现高维特征的自动提取。卷积神经网络在创面识别与分割中应用最为成熟，而循环神经网络及其变体更适合处理随访及生理时序数据［9］。相较于传统统计模型，机器学习更有利于刻画高维、非线性及变量交互关系，为糖尿病足的客观评估与风险分层提供了新的技术手段［10］。二、机器学习在糖尿病足诊断中的应用糖尿病足的诊断依赖于创面形态、感染程度及血流灌注等多维度信息的综合评估。传统方法主要依靠临床医师的视觉判断与临床经验，存在主观性强、重复性差及早期识别能力有限等局限［11］。近年来，机器学习与深度学习技术的快速发展，为糖尿病足的自动化、定量化诊断提供了新的解决思路。其核心在于将视觉与临床特征转化为可量化的计算模型，实现创面识别、病灶分割与病程分级的智能化处理［4］。1.影像识别与创面分割：从分类判别到自动分级。基于影像的创面识别与分割是机器学习在糖尿病足诊断中最为成熟的应用领域。相关文献显示，影像识别与创面分割是当前机器学习用于糖尿病足诊断中较为集中的研究方向，其技术演进呈现出从基础分类向精细、可解释自动化诊断发展的清晰路径。早期工作多以卷积神经网络完成二元分类任务。例如，AlGaraawi等［6］以糖尿病足溃疡图像为输入，采用标准卷积神经网络提取创面图像特征，并完成糖尿病足溃疡的自动识别；其模型在私有数据集不同实验设置下的分类准确率为82%~98%，提示深度学习用于糖尿病足影像识别具有可行性，但其样本量、外部验证及泛化评估相对有限。随着公开数据集的出现，研究逐渐转向分级与病理特征识别。Sait和Nagaraj［12］基于DFUC2020与2021数据集，构建了融合轻量级卷积网络与Transformer的混合模型，用于识别糖尿病足溃疡图像中的缺血和感染严重程度，并采用夏普利加性解释（Shapleyadditiveexplanations，SHAP）提供可解释性分析；该模型在DFUC2021数据集上的F1分数约为97%，并在DFUC2020数据集上显示出一定的跨数据集泛化能力。在分割任务方面，U型网络等结构被广泛用于溃疡区域定位，多数研究通过数据增强、加权损失或采样策略缓解溃疡区域与背景之间的类别不平衡，从而提升分割稳定性与可用性。总体来看，该领域主要沿两条路径发展：其一是引入注意力机制或Transformer强化对复杂病灶的表征能力［13］；其二是在单一影像模态内部进行多层特征融合（如浅层纹理与深层语义表征联合建模）以增强鲁棒性［14］。需说明的是，此处“特征融合”指同一模态内的多层特征联合建模，与跨来源数据整合的“多模态数据融合”不同，现有模型尽管在特定数据集上表现良好，但其临床推广仍需多中心数据与前瞻性研究进一步验证。2.热成像与早期缺血识别：基于机器学习的研究进展。红外热成像通过无创监测足部温度分布，将微观的微循环灌注状态转化为可视化的宏观影像，为糖尿病足早期缺血提供了超越形态学的功能学评估手段。现有研究显示，该领域的方法学演进主要体现在输入特征选择与建模策略的变化。早期研究多基于感兴趣区域提取手工特征，如双足温差、局部温度梯度及纹理统计量，并结合支持向量机、k近邻等传统分类器进行风险判别［1516］。Alshayeji等［17］利用热图纹理特征构建分类模型，实现了对足部异常热分布的识别，ArteagaMarrero等［18］通过分析足底温度非对称性，提高了缺血风险筛查的敏感性。该类方法具有一定可解释性，但对图像分割及参数设定依赖较强。近年来，研究逐渐转向基于深度学习的端到端建模策略。Khandakar等［15］采用轻量化卷积神经网络直接处理足底热图，在多种压缩分辨率下仍保持较稳定的分类性能。相较传统方法，深度学习模型在复杂温度分布模式识别方面表现更为稳健，但其结果仍易受到环境温度、设备差异及采集姿态等因素影响。总体而言，已有研究显示，热成像结合机器学习可为糖尿病足早期缺血识别提供有价值的功能学信息，但其临床应用仍需依赖标准化采集流程及多中心验证。3.多模态融合诊断：从单一信息到综合评估。糖尿病足的发生与进展涉及血管、神经及代谢等多方面病理改变，单一类型数据往往难以全面反映病情特征。近年来，相关研究逐步探索多模态数据融合方法，通过联合影像、临床指标及功能学检测信息，对疾病状态进行综合评估。需要区分的是，多特征融合通常指在同一数据模态内整合不同层级或类型的特征，而多模态融合则是指不同来源数据之间的联合建模。已有研究报道，将非传统影像信息与结构化临床数据相结合，有助于提升糖尿病足风险评估的准确性。例如，Tian等［19］通过融合舌象影像与结构化临床数据构建深度学习预测模型，实现了对糖尿病足风险的精准预测（曲线下面积为0.92），这证实了跨器官、跨模态信息在揭示系统性病理状态中的独特价值。此外，将踝肱指数、经皮氧分压等功能学指标与足底压力图像进行联合分析，有助于区分缺血型与神经病变相关亚型［14］。前沿探索正将融合范畴扩展至实时动态数据，部分研究进一步引入随访数据，尝试对疾病风险进行动态评估，但相关方法仍需在数据标准化和多中心研究基础上进一步验证其临床适用性。三、机器学习在糖尿病足风险预测与预后评估中的应用糖尿病足的发病与转归受病程、血糖水平、神经与血管病变、感染状态等多维因素复杂交互影响［20］。传统上依赖logistic回归等模型进行风险评估，虽具可解释性，但难以充分刻画变量间的非线性关系与高阶交互效应。机器学习凭借其在高维、多模态数据中自动挖掘复杂模式的能力，为构建更精准的风险预测与预后评估模型提供了全新范式［21］。纵观其发展，该领域的研究范式大致遵循从单模态统计预测到多维特征学习，并进一步向模型解释与临床整合演进的清晰脉络。1.糖尿病足风险预测与创面愈合评估：从静态分层到动态建模。早期研究多基于单一时间点的结构化临床数据开展静态风险分层，其中随机森林、梯度提升树等集成学习方法因其对非线性关系的建模能力，在多项研究中表现出优于传统logistic回归的预测性能［22］。例如，楼佳烨等［23］基于年龄、血糖、血脂及足部临床特征构建随机森林模型，其受试者工作特征曲线下面积高于对照模型；Basiri等［24］在ZivotDFU数据集中验证了随机森林模型在溃疡愈合阶段分类中的可行性。随着模型应用的深入，研究者逐渐关注预测结果的可解释性与临床一致性。多项研究引入夏普利加性解释（Shapleyadditiveexplanations，SHAP）等可解释性方法，对模型输出进行特征贡献分析，结果显示血糖波动、感染程度及血管病变指标是影响风险预测的重要因素［2526］，该发现与糖尿病足的既有病理认识基本一致。近年来，部分研究进一步由静态风险评估转向基于纵向数据的动态愈合预测。通过整合随访时间点的创面影像特征、炎症指标及治疗信息，构建时序预测模型，以刻画创面愈合轨迹并识别不良结局风险［27］。已有研究报道，此类模型在预测愈合延迟或截肢风险方面具有一定优势［28］，但其推广应用仍受限于数据连续性不足及模型复杂度较高等问题。总体来看，现有证据表明，机器学习在糖尿病足风险预测与预后评估中具有一定应用价值，但相关模型仍需在多中心数据集上进行前瞻性验证，以明确其在临床决策支持中的实际作用。2.感染与治疗反应预测：从经验性判断到分子表型指导。糖尿病足创面的精准管理需要可靠的分子标志物支持。传统评估主要依赖临床表现和经验性用药，难以准确预测感染进展和治疗反应。机器学习通过整合多组学数据与临床信息，为感染分子表型和治疗反应预测提供了新的技术路径。在感染预测方面，CarrilloLarco等［29］开发的机器学习模型基于临床特征对糖尿病足感染的抗生素耐药谱进行预测，为抗感染治疗的决策提供了参考信息，但其对临床用药决策的实际影响仍需进一步验证。在治疗反应评估领域，研究者通过机器学习方法发现了多个与治疗应答相关的分子标志物。Chen等［30］结合单细胞测序数据，鉴定出巨噬细胞相关基因HMOX1作为治疗反应的关键预测因子，其表达水平与愈合延迟显著相关。Fang等［31］通过分析线粒体自噬相关基因表达谱，建立了基于跨膜蛋白16F和乙醛脱氢酶2的治疗反应预测模型，提示相关分子特征可能与治疗反应存在关联。Lu等［32］使用机器学习方法结合基因表达综合数据库及关联图谱数据库，对潜在可用于糖尿病足治疗的药物进行了筛选分析，为相关发病机制研究及候选治疗策略的探索提供了线索。当前基于机器学习的预测模型研究仍面临数据异质性、样本量有限等挑战。未来需要开展更大规模的多中心验证，并探索将分子标志物与临床特征相结合的智能诊疗体系，以评估其在糖尿病足管理中的实际应用价值。3.截肢风险预测：从单因素关联到决策辅助。截肢风险预测是糖尿病足管理中最具临床价值的方向之一。传统方法主要依赖单一临床指标（如感染程度或血供状态）进行评估，难以全面反映多因素共同作用导致的综合风险。多项研究报道，机器学习方法通过整合多模态临床数据，在截肢风险预测任务中表现出较高的判别性能。研究表明RF、XGBoost等集成学习模型在截肢风险预测中的曲线下面积普遍超过0.80，显著优于传统统计方法［3335］。SHAP等可解释性技术分析显示，感染范围、骨髓炎严重程度、炎症指标及血管病变状况是影响预测结果的关键因素［34］，这为模型预测结果的临床可解释性提供了一定支持。相较于其他预测任务，截肢风险预测更贴近临床决策支持系统的实际需求。模型输出不仅提供风险概率，更能直接转化为治疗决策参考，辅助医师制订手术或保守治疗方案。目前，部分研究已尝试将预测模型整合至电子病历系统，用于入院风险评估与预警，其临床可行性仍需在更大规模研究中进一步评估［36］。四、机器学习在糖尿病足智能监测与远程管理中的应用糖尿病足患者因外周神经病变和下肢血管障碍，常出现疼痛及温度感知减退，致使早期损伤难以被发现。溃疡形成后若缺乏持续监测与规范管理，极易进展为严重感染或坏疽［37］。传统随访模式依赖患者主观症状和定期门诊检查，存在依从性低、监测间隔长、信息反馈滞后等局限。随着可穿戴设备、物联网和人工智能技术的融合发展，基于机器学习的智能监测与远程管理系统正成为糖尿病足防治的新方向。1.智能感知与远程评估：从单点测量到动态监测。在智能感知方面，嵌入了温度与压力传感器的智能鞋垫等设备可实时采集足部生理数据，为早期风险识别提供连续监测基础［38］，研究表明，足底温度分布异常可有效提示局部炎症或溃疡前病变。Berugu等［39］通过整合温度与压力传感器数据，结合机器学习算法构建了早期溃疡检测系统。Alshayeji等［17］利用热成像技术结合特征包方法实现了糖尿病足溃疡的早期检测。Alwashmi等［40］和Khandakar［15］等的研究发现，结合人工智能分析的热成像技术可用于识别糖尿病患者足底温度异常。在远程评估领域，患者可通过智能手机拍摄创面图像并上传至云平台进行自动分析［4142］，Cassidy等［43］开发了基于智能手机的人工智能系统，在真实世界临床评估中实现了糖尿病足溃疡的自动检测，灵敏度达91.57%，特异性达88.57%。Lo等［44］和Raizman等［41］的研究进一步验证了患者自有的伤口监测系统在糖尿病足溃疡护理中的可行性，通过移动应用实现了创面的远程监测与评估。这些系统通过深度学习算法自动分析创面特征，为临床动态评估提供了量化参考信息。2.多模态融合与个体化管理：从监测数据到智能决策。智能监测系统的进阶方向是融合多源异构数据，实现综合风险评估与个体化干预。多模态机器学习模型通过整合影像特征、传感器数据与实验室指标，能够识别不同病程阶段的特异性风险特征，为精准干预提供依据。在临床决策支持方面，基于机器学习的智能系统已能够根据多源数据自动生成个体化治疗建议。Gao等［45］开发的预测模型结合XGBoost算法与SHAP解释性分析，能够为糖尿病足溃疡患者的治疗决策提供量化依据；Basiri等［24］则实现了创面愈合阶段的自动分类，为治疗方案调整提供支持。上述研究提示，基于机器学习的多源数据整合方法在糖尿病足管理中具有一定应用前景。值得注意的是，Ardelean等［38］的研究进一步指出，人工智能与可穿戴技术的结合将为糖尿病足预防和管理带来新的机遇，通过持续监测与实时干预，有望构建完整的“监测评估干预”闭环管理系统。五、总结与展望近年来，机器学习在糖尿病足的影像识别、风险预测及智能监测等方面取得了积极进展，为提高诊断一致性和风险评估精度提供了新的技术支持。然而，现有研究多基于回顾性、小样本或单中心数据，模型的泛化能力与临床适用性仍有待进一步验证。未来研究需重点关注以下方面：构建多中心、大样本、标准化的数据资源；加强模型的可解释性与临床可理解性；开展前瞻性研究评估其对患者结局的真实影响；并推动算法与临床流程的有效整合。通过循证研究与多学科协作，机器学习有望逐步成为糖尿病足管理中的重要辅助工具。参考文献[1]ArmstrongDG,TanTW,BoultonA,etal.Diabeticfootulcers:areview[J].JAMA,2023,330(1):62-75.DOI:10.1001/jama.2023.10578.[2]YapMH,CassidyB,ByraM,etal.Diabeticfootulcerssegmentationchallengereport:benchmarkandanalysis[J].MedImageAnal,2024,94:103153.DOI:10.1016/j.media.2024.103153.[3]刘彦,张真稳,徐刚,等.糖尿病足多学科团队诊疗的机遇与挑战[J].中华糖尿病杂志,2024,16(3):285-291.DOI:10.3760/115791-20230916-00154.[4]SilvaMA,HamiltonEJ,RussellDA,etal.Diabeticfootulcerclassificationmodelsusingartificialintelligenceandmachinelearningtechniques:systematicreview[J].JMedInternetRes,2025,27:e69408.DOI:10.2196/69408.[5]YuX,WuZ,ZhangN.Machinelearning-drivendiscoveryofnoveltherapeutictargetsindiabeticfootulcers[J].MolMed,2024,30(1):215.DOI:10.1186/s10020-024-00955-z.[6]Al-GaraawiN,EbsimR,AlharanA,etal.Diabeticfootulcerclassificationusingmappedbinarypatternsandconvolutionalneuralnetworks[J].ComputBiolMed,2022,140:105055.DOI:10.1016/pbiomed.2021.105055.[7]AsnicarF,ThomasAM,PasseriniA,etal.Machinelearningformicrobiologists[J].NatRevMicrobiol,2024,22(4):191-205.DOI:10.1038/s41579-023-00984-1.[8]GhaziL,AhmadT,WilsonFP.AClinicalframeworkforevaluatingmachinelearningstudies[J].JACCHeartFail,2022,10(9):648-650.DOI:10.1016/j.jchf.2022.07.002.[9]vanderVeldenB,KuijfHJ,GilhuijsK,etal.Explainableartificialintelligence(XAI)indeeplearning-basedmedicalimageanalysis[J].MedImageAnal,2022,79:102470.DOI:10.1016/j.media.2022.102470.[10]ChenX,WangX,ZhangK,etal.Recentadvancesandclinicalapplicationsofdeeplearninginmedicalimageanalysis[J].MedImageAnal,2022,79:102444.DOI:10.1016/j.media.2022.102444.[11]LuS,YangJ,GuY,etal.Advancesinmachinelearningprocessingofbigdatafromdiseasediagnosissensors[J].ACSSens,2024,9(3):1134-1148.DOI:10.1021/acssensors.3c02670.[12]SaitA,NagarajR.Diabeticfootulcersdetectionmodelusingahybridconvolutionalneuralnetworks-visiontransformers[J].Diagnostics(Basel),2025,15(6):736.DOI:10.3390/diagnostics15060736.[13]ZhouGX,TaoYK,HouJZ,etal.Constructionandvalidationofadeeplearning-baseddiagnosticmodelforsegmentationandclassificationofdiabeticfoot[J].FrontEndocrinol(Lausanne),2025,16:1543192.DOI:10.3389/fendo.2025.1543192.[14]LiY,ZhouS,RenB,etal.Theapplicationofartificialintelligencemodelsinpredictingtheriskofdiabeticfoot:amulticenterstudy[J].BioDataMin,2025,18(1):57.DOI:10.1186/s13040-025-00477-2.[15]KhandakarA,ChowdhuryM,IbneReazMB,etal.Amachinelearningmodelforearlydetectionofdiabeticfootusingthermogramimages[J].ComputBiolMed,2021,137:104838.DOI:10.1016/pbiomed.2021.104838.[16]Arteaga-MarreroN,HernándezA,VillaE,etal.Segmentationapproachesfordiabeticfootdisorders[J].Sensors(Basel),2021,21(3):934.DOI:10.3390/s21030934.[17]AlshayejiMH,SindhuSC,AbedSE.Earlydetectionofdiabeticfootulcersfromthermalimagesusingthebagoffeaturestechnique[J].Biomedicalsignalprocessingandcontrol,2023,79:260-269.[18]Arteaga-MarreroN,Hernández-GuedesA,Ortega-RodríguezJ,etal.State-of-the-artfeaturesforearly-stagedetectionofdiabeticfootulcersbasedonthermograms[J].Biomedicines,2023,11(12):3209.DOI:10.3390/biomedicines11123209.[19]TianZ,WangD,SunX,etal.Predictingthediabeticfootinthepopulationoftype2diabetesmellitusfromtongueimagesandclinicalinformationusingmulti-modaldeeplearning[J].FrontPhysiol,2024,15:1473659.DOI:10.3389/fphys.2024.1473659.[20]Omo-OkhuasuyiA,JinYF,ElHefnawiM,etal.Multimodalidentificationofmolecularfactorslinkedtoseverediabeticfootulcersusingartificialintelligence[J].IntJMolSci,2024,25(19):10686.DOI:10.3390/ijms251910686.[21]BasuS,JohnsonKT,BerkowitzSA.Useofmachinelearningapproachesinclinicalepidemiologicalresearchofdiabetes[J].CurrDiabRep,2020,20(12):80.DOI:10.1007/s11892-020-01353-5.[22]ZhangY,SunX,ChengC,etal.DevelopmentofanXGBoost-basedpredictionmodelforwoundrecurrenceriskindiabeticfootulcerpatientstreatedwithantibiotic-loadedbonecement[J].FrontEndocrinol(Lausanne),2025,16:1610884.DOI:10.3389/fendo.2025.1610884.[23]楼佳烨,王艳梅,潘欣欣,等.基于机器学习的糖尿病足发病风险预测模型构建[J].护理学杂志,2025,40(9):26-30.DOI:10.3870/j.issn.1001-4152.2025.09.026.[24]BasiriR,deMestralC,PopovicMR,etal.Accessiblehealingphaseclassificationofdiabeticfootulcer[J].ComputBiolMed,2025,197(PtB):111066.DOI:10.1016/pbiomed.2025.111066.[25]MostafaviF,AminiMR,MehrabiY,etal.Machinelearninginsightsintoamputationrisk:evaluatingwoundclassificationsystemsindiabeticfootulcers[J].IntWoundJ,2025,22(6):e70515.DOI:10.1111/iwj.70515.[26]PanY,TaoG,ChenB,etal.Thepredictivemodelandriskfactoridentificationforperipheralvasculardiseaseanddiabeticfootindiabetesbasedonmachinelearningmodelsandexplainablealgorithms[J].Medicine(Baltimore),2025,104(40):e44871.DOI:10.1097/MD.0000000000044871.[27]MillsJL,ConteMS,ArmstrongDG,etal.TheSocietyforVascularSurgeryLowerExtremityThreatenedLimbClassificationSystem:riskstratificationbasedonwound,ischemia,andfootinfection(WIfI)[J].JVascSurg,2014,59:220-34.e1-e2.[28]LindborgK,KarlssonM,KotorriA,etal.AccurateAI-basedcharacterizationofwoundsizeandtissuecompositioninhard-to-healwounds[J].JClinMed,2025,14(16):5838.DOI:10.3390/jcm14165838.[29]Carrillo-LarcoRM,OrrilloEDEM,Castillo-caraM,etal.Identificationofantibioticresistanceprofilesindiabeticfootinfections:amachinelearningproof-of-conceptanalysis[J].InternationalJournalofDiabetesinDevelopingCountries,2025,46:193-200.[30]ChenY,ZhangY,JiangM,etal.HMOX1asatherapeutictargetassociatedwithdiabeticfootulcersbasedonsingle-cellanalysisandmachinelearning[J].IntWoundJ,2024,21(3):e14815.DOI:10.1111/iwj.14815.[31]FangS,ZhangH,LiuW,etal.Analysisandvalidationofmitophagy-relatedgenesindiabeticfootulcers[J].JInflammRes,2025,18:4367-4379.DOI:10.2147/JIR.S504001.[32]LuZ,AnN,ShengS,etal.Machinelearningcombiningexternalvalidationtoexploretheimmunopathogenesisofdiabeticfootulcerandpredicttherapeuticdrugs[J].PLoSOne,2025,20(8):e0328906.DOI:10.1371/journal.pone.0328906.[33]StefanopoulosS,QiuQ,RenG,etal.AMachinelearningmodelforpredictionofamputationindiabetics[J].JDiabetesSciTechnol,2024,18(4):874-881.DOI:10.1177/19322968221142899.[34]TaoH,YouL,HuangY,etal.Aninterpretingmachinelearningmodelstopredictamputationriskinpatientswithdiabeticfootulcers:amulti-centerstudy[J].FrontEndocrinol(Lausanne),2025,16:1526098.DOI:10.3389/fendo.2025.1526098.[35]DemirkolD,ErolÇS,TannierX,etal.Predictionofamputationriskofpatientswithdiabeticfootusingclassificationalgorithms:aclinicalstudyfromatertiarycenter[J].IntWoundJ,2024,21(1):e14556.DOI:10.1111/iwj.14556.[36]MisirA.Artificialintelligenceandmachinelearningindiabeticfootulcercare:advancesindiagnosis,treatment,prognosis,andnoveltherapeuticstrategies[J].JDiabetesSciTechnol,2025:19322968251363632.DOI:10.1177/19322968251363632.[37]DoğruelH,AydemirM,BalciMK.Managementofdiabeticfootulcersandthechallengingpoints:anendocrineview[J].WorldJDiabetes,2022,13(1):27-36.DOI:10.4239/wjd.v13.i1.27.[38]ArdeleanA,BaltaDF,NeamtuC,etal.Personalizedandpredictivestrategiesfordiabeticfootulcerpreventionandtherapeuticmanagement:potentialimprovementsthroughintroducingArtificialIntelligenceandwearabletechnology[J].MedPharmRep,2024,97(4):419-428.DOI:10.15386/mpr-2818.[39]BeruguS,BajjuriN,ReddyMS,etal.EarlydetectionofdiabeticfootulcerusingIoTandML[EB/OL].[