看見不可見：AI 如何徹底改變糖尿病併發症

1: 看見不可見：AI 如何徹底改變糖尿病足部病變的診斷模式

詳細說明： 這張開場投影片確立了演講的核心主旨：從「被動反應」到「主動預防」的典範轉移。

當前被動模式 (Reactive Treatment)： 傳統醫療往往是在症狀明顯（如潰瘍、感染）後才介入。這種延遲導致了高昂的治療成本和不可逆的損傷（如截肢）。

未來主動模式 (Proactive Prevention)： 透過 AI 分析多維數據（影像、生理指標），我們能在微觀病變階段（如微血管血流異常、小纖維神經受損）就識別風險，實現真正的「預防醫學」。

核心價值： 這種轉變不僅是技術升級，更是為了降低糖尿病足部潰瘍 (DFU) 帶來的災難性致死率與經濟負擔。

2: 一場悄然蔓延的全球危機

詳細說明： 用數據量化了問題的嚴重性，強調 DPN 和 DFU 是全球性的流行病。

龐大基數： 全球約有 **5.37 億*糖尿病患者，這是潛在的風險池。

高發病率： 這些患者中，約 19% 至 34% 的人一生中會發展出糖尿病足部潰瘍 (DFU)。這意味著數以億計的人面臨截肢風險。

截肢頻率： 統計顯示，全球每 20 秒 就有一人因糖尿病而失去肢體，顯示目前的預防措施遠遠不足。

3: 災難的連鎖反應：從神經損傷到生命的終結

詳細說明： 展示了疾病惡化的「死亡螺旋」，強調早期干預的必要性。

DPN (神經病變)： 起點。約 15%-50% 的病友會受影響，導致感覺喪失，使足部失去痛覺保護機制。
DFU (潰瘍)： 轉折點。因缺乏感覺，微小創傷演變為潰瘍。一旦發生，預後急劇惡化。
截肢 (Amputation)： 14%-24% 的潰瘍患者最終需要截肢。
死亡 (Mortality)： 最令人震驚的數據在於截肢後的 5 年死亡率高達 54% - 91.7%。這比許多癌症的致死率還高。DFU 患者的死亡風險是無潰瘍糖友的 2.5 倍。

4: 無法忽視的經濟重擔

詳細說明： 從經濟角度分析為何「預防」優於「治療」。

治療成本： 單一潰瘍的治療費用約為 $7,500 -$ 20,600 美元。
截肢代價： 若進展到截肢，單次手術成本激增至約 $70,400 美元。
終身負擔： 考慮到併發症、復健和長期照護，一位患者一生的醫療支出可高達 50 萬美元。
結論： 巨大的財務支出證明，投資於早期 AI 篩檢技術（即使初期有建置成本），長遠來看能為醫療系統省下數百萬美元。

5: 現有診斷工具的根本困境

詳細說明： 透過「客觀性」與「速度」的矩陣圖，分析傳統工具的侷限，並指出市場缺口。

皮膚切片 (Skin Biopsy)： 雖然位於「慢/客觀」象限（黃金標準），但具侵入性且需等待 1-3 週，無法用於大規模快篩。

QST/臨床評估： 位於「快/主觀」象限，檢查快但依賴患者感覺，變異性大，準確率低。

診斷缺口 (The Diagnostic Gap)： 右上角「快/客觀」的區域是空白的。臨床迫切需要一種既像切片一樣客觀，又像問診一樣快速的工具，這正是 AI 的切入點。

6: 為何我們總是錯失早期預警的黃金時機？

詳細說明： 深入探討三大傳統工具的「致命缺陷」。

神經傳導 (NCS)： 僅測量大型神經纖維。但糖尿病神經病變最早發生於「小纖維」。NCS 對早期病變的 AUC 僅 0.582-0.615，形同猜測。
定量感覺測試 (QST)： 本質是主觀的。若患者注意力不集中或無法配合，結果就不可信。
皮膚切片： 雖然準確，但「拆毀一堵牆來檢查結構」是不切實際的篩檢手段。其 1-3 週的等待期對於進展迅速的感染來說太慢了。

7: AI 突破：賦予我們看見亞臨床病變的能力

詳細說明： 介紹機器學習 (ML) 如何解決上述困境。

客觀量化： AI 演算法能從影像中提取人眼無法辨識的高維度特徵，移除人為判斷的主觀雜訊。

即時分析： 將數週的病理分析縮短至幾分鐘。

非侵入性： 利用角膜顯微鏡或熱影像，無需切片即可觀察組織變化。

8: 角膜：窺探全身神經健康的「窗口」

詳細說明： 介紹核心技術之一：角膜共焦顯微鏡 (CCM)。

原理： 角膜擁有極高密度的神經纖維 (C纖維)。因為角膜透明，這是人體唯一可以「非侵入性」直接看到活體神經結構的地方。

關聯性： 角膜神經的受損程度與周邊神經（如腳部）的病變高度相關。

AI 角色： AI 能自動計算神經纖維的長度、密度和分支複雜度，識別出肉眼難以察覺的「微小鏽蝕」（早期神經退化）。

9: 經實證的卓越診斷能力

詳細說明： 展示 AI-CCM 模型的具體效能數據。

AUC 0.95： 整體診斷準確性極高（接近完美）。

敏感度 91%： 能有效找出 91% 的病患（低偽陰性），這對於篩檢工具至關重要。

特異性 93%： 能準確排除健康者。

技術架構： 這些結果是基於修改版的 ResNet-50 深度學習架構所達成。

10: 溫度變化：足部潰瘍前的無聲警報

詳細說明： 介紹核心技術之二：紅外線熱影像 (Thermography)。

生理基礎： 在潰瘍形成前，局部組織會因為發炎而升溫（Hot Spots），或因缺血而降溫（Cold Spots）。

AI 角色： AI 分析熱圖中的溫度分布模式。傳統檢查就像「肉眼找裂縫」，AI 熱影像則像「紅外線結構掃描」，能透視內部的異常。

11: 在潰瘍形成前，精準鎖定高風險區域

詳細說明： 展示 AI 熱影像模型的效能數據。

Fine KNN 模型： 準確率達 96.8%，特異性高達 99.1%（極少誤報）。

SVM 模型： 準確率 95.61%，敏感度 96.5%。

應用延伸： 除了預防，AI 還能以 97% 的準確率區分已形成潰瘍中的「缺血」與「感染」，指導醫生進行清創或血管重建。

12: 步態中隱藏的線索：智慧鞋墊與生物力學分析

詳細說明： 介紹穿戴式技術在連續監測中的應用。

技術： 智慧鞋墊 (Smart Insoles) 內建壓力傳感器。

AI 分析： 收集走路時的動態足底壓力數據。AI 模型 (如 SVM, K-NN) 能從步態模式的細微異常中識別出 DPN 風險。

成效： 識別 DPN 患者的精準度達 90% 以上，甚至能在糖尿病前期 (Prediabetes) 就發出警訊。

13: 運用臨床數據進行風險分層：預測誰是高風險族群

詳細說明： 釐清「預測模型」與「診斷模型」的差異與協同作用。

預測模型 (Predictive)： 使用年齡、HbA1c、BMI 等臨床數據。例如 **SGBT 模型 ** (AUC 0.811) 可用於大規模、低成本的初篩，回答「誰未來可能會得病？」。

診斷模型 (Diagnostic)： 針對被預測為高風險的族群，進一步使用 AI-CCM 或熱影像進行確診，回答「誰現在已經有病？」。

策略： 這種分級篩檢能最大化醫療資源效率。

14: 新舊典範的對決：決定性的優勢

詳細說明： 一張綜合比較表，總結 AI 方法在各維度上的壓倒性優勢。

準確率： AI (AUC 0.95) vs NCS (AUC ~0.6)。

速度： 即時 vs 數週。

客觀性： AI 完全量化 vs QST 高度主觀。

介入時機： AI 可在亞臨床階段介入，傳統方法多在症狀出現後。

15: AI：糖尿病足的「高靈敏度煙霧偵測器」

詳細說明： 運用比喻強化概念。

傳統方法 = 為時已晚的警報： 等到看到明火（潰瘍、疼痛）才響警報，往往火勢已大（組織壞死），難以控制。

AI = 爭分奪秒的預警： 在還沒看見火苗前，偵測到微量的煙霧（細微神經損失或溫度異常），讓醫生能及早撲滅火源，避免災情擴大。

16: 從實驗室到臨床：我們必須跨越的四大障礙

詳細說明： 誠實面對 AI 落地面臨的挑戰。

數據 (Data)： 缺乏多樣化、前瞻性的驗證數據，存在偏誤風險。解方：外部驗證。
信任 (Trust)： 「黑盒子」問題。解方：可解釋性 AI (XAI)。
法規 (Regulation)： 傳統審批跟不上 AI 迭代。解方：全產品生命週期 (TPLC) 監管。
流程 (Workflow)： 需無縫整合至現有看診流程。

17: 打開「黑盒子」：透過可解釋性 AI (XAI) 建立臨床信任

詳細說明： 展示如何解決信任問題。

Grad-CAM 熱圖： 這是 CCM 研究中使用的技術。它能將 AI「看到」的重點區域（如神經斷裂處）用熱圖標示出來。

意義： 讓醫生知道 AI 為什麼做出這個判斷，從而願意採納 AI 的建議。

18: 監測的未來：更多非侵入性技術正在興起

詳細說明： 展望未來的技術藍圖。

光聲介觀成像 (PAI)： 3D 視覺化皮膚微血管。

瞳孔測量法 (Pupillometry)： 評估自主神經病變。

無創血糖監測： 如拉曼光譜技術。

神經調控 (Neuromodulation)： 不僅止痛，還能恢復神經信號 (如 Nevro HFX)。

19: 一個整合的預測性護理生態系統

詳細說明： 描繪終極願景圖：一個閉環的照護系統。

持續監測： 智慧襪/鞋墊收集數據。
AI 風險預測： 整合數據與病歷，觸發警報。
精準診斷確認： 高風險者進行 AI-CCM 或熱影像檢查。
目標性介入： 在不可逆損傷前進行神經調控或治療。

20: 實現願景：採納 AI 於糖尿病足部護理的五大戰略建議

詳細說明： 給決策者的具體建議 (Call to Action)。

強制外部驗證： 消除偏誤。
投資 XAI： 建立信任。
分級篩檢： 預測模型(低成本) + 診斷模型(高精準) 結合。
推動監管敏捷性： 適應 AI 迭代。
整合持續監測： 最大化預防效益。

參考文獻

(Executive Summary & Section 1) Armstrong DG, et al. Diabetic Foot Ulcers and Their Recurrence. New Engl J Med. 2017. (Contextual based on RTF content regarding morbidity).
[2] McDermott K, et al. Etiology, Epidemiology, and Disparities in the Burden of Diabetic Foot Ulcers. Adv Wound Care (New Rochelle). 2023.
[1] Bodman MA, et al. Diabetic Peripheral Neuropathy. StatPearls [Internet]. 2023.
[2] McDermott K, et al. Etiology, Epidemiology, and Disparities in the Burden of Diabetic Foot Ulcers. Adv Wound Care. 2023.
[9] Oliver TI, et al. Diabetic foot ulcer: A comprehensive review of pathophysiology and management modalities. World J Clin Cases. 2022.
[3] Carls GS, et al. Podiatric foot health screening could save millions of dollars by preventing diabetic amputations. J Am Podiatr Med Assoc. 2011.
[5] Ponirakis G, et al. Limitations of quantitative sensory testing when patients are biased toward a bad outcome. J Peripher Nerv Syst. 2017.
[13] Pathology Reference Laboratory. How Long Do Biopsy Results Take? (General clinical standard).
[4] Breiner A, et al. Validity and reliability of a point-of-care nerve conduction device. Muscle Nerve. 2019.
[5] Ponirakis G, et al. J Peripher Nerv Syst. 2017.
[11] Moe S, et al. Accuracy and Cost-effectiveness of the Diabetic Foot Screen Proforma. Plos One. 2021.
[16] Preston F, et al. Artificial-Intelligence-Enhanced Analysis of In Vivo Confocal Microscopy in Corneal Diseases: A Review. Diagnostics (Basel). 2023.
[6] Preston FG, et al. Artificial Intelligence Based Analysis of Corneal Confocal Microscopy Images for Diagnosing Peripheral Neuropathy. Transl Vis Sci Technol. 2021.
[6] Preston FG, et al. Artificial Intelligence Based Analysis of Corneal Confocal Microscopy Images for Diagnosing Peripheral Neuropathy. Transl Vis Sci Technol. 2021.
[15] Williams BM, et al. Artificial Intelligence Based Analysis of Corneal Confocal Microscopy Images... Diagnostics. 2020.
[7] Khandakar A, et al. Machine Learning for Classification of Diabetic Foot Ulcer using Thermograms. Sensors (Basel). 2022.
[7] Khandakar A, et al. Machine Learning for Classification of Diabetic Foot Ulcer using Thermograms. Sensors (Basel). 2022.
[19] Goyal M, et al. Artificial Intelligence and Machine Learning in Diabetic Foot Ulcer... IEEE Rev Biomed Eng. 2022.
[26] Deschamps K, et al. New technologies applied in self-care to patients with diabetic foot ulcers: a scoping review. J Foot Ankle Res. 2023.
[21] Li P, et al. Machine learning-based prediction of diabetic peripheral neuropathy: model development and clinical validation. Front Endocrinol (Lausanne). 2023.
[22] Systematic Review on ML Prediction. (Synthesized context from RTF text).
[4, 5, 6, 7, 13] (Combined data from previous references: Breiner et al., Ponirakis et al., Preston et al., Khandakar et al., Pathology Ref Lab).
[19] Goyal M, et al. IEEE Rev Biomed Eng. 2022.
[24] Preston F, et al. Diagnostics. 2023.
[25] FDA. Generative Artificial Intelligence-Enabled Digital Mental Health Medical Devices. 2023.
[27] Frontiers in Endocrinology. Photoacoustic imaging... diabetic vascular disease. 2023.
[29] Telehealth technology for diabetes care.
[30] MIT News. Noninvasive imaging could replace finger pricks...
[31] diaTribe.org. Nevro HFX: Using AI Tech To Treat Diabetic Peripheral Neuropathy.