説明可能な糖尿病性足潰瘍トリアージとモバイル展開のための重症度認識型マルチタスクCNN-Transformerフレームワーク

糖尿病性足潰瘍(DFU)の画像分類は、タイムリーな臨床トリアージを支援できるが、既存システムは重症度の粒度が限定的で、単一ソースのデータセットに依存し、ピクセルレベルの説明方法が主流である。本研究では、解釈可能なDFU画像分析とスマートフォンクラス展開のための、7クラスの重症度認識型マルチタスクAIフレームワークを開発した。このフレームワークは、SimCLR事前学習、U-Netベースの画像洗練、EfficientNet-B0特徴抽出、軽量ウィンドウ化Transformer融合ブロック、および並列分類と順序重症度回帰ヘッドを組み合わせている。DFUC 2020/2021、AZH、Medetec、およびIWGDFに準拠した順序リポジトリの4つの公開データソースを調和・重複排除し、24,925枚のオリジナル画像からなる分析コーパスを生成した。評価には、3,739枚の画像からなるホールドアウトテストセット、5分割層化交差検証、1ソース除外テスト、366枚の画像からなる独立した前向き臨床医監査コホート、キャリブレーションと不確実性分析、概念ベースの解釈可能性評価、およびモバイルデバイスプロファイリングが含まれた。ホールドアウトテストセットでは、フレームワークは精度95.5%(95% CI、94.7–96.1)とマクロF1スコア0.953を達成し、平均5分割交差検証精度は96.5% ± 0.3パーセントポイントであった。外部順序重症度推定は、Spearman相関ρ=0.91を示した。臨床医監査コホートでは、モデルと臨床医の重症度一致における加重Cohenのκは0.952であった。モデル支援レビューは、27.6%のケースで記録された管理意図の変化と関連し、生成された説明の92.6%が臨床的に有用であると評価された。Snapdragon 8 Gen 1デバイスでは、勾配重み付けクラス活性化マッピングと概念ベースの説明生成を含む完全なオンデバイス推論は、画像あたり322ミリ秒を必要とした。提案されたフレームワークは、マルチソース表現学習、マルチタスク重症度モデリング、不確実性評価、概念ベースの解釈可能性、および効率的なエッジ展開が、DFU画像分析のための統一AIパイプライン内にどのように統合できるかを示している。結果は、高い分類性能、強い順序重症度の一致、臨床的に解釈可能な出力、および技術的に実行可能なスマートフォンクラス推論を示唆している。日常的な臨床意思決定支援設定への導入には、多様な集団と取得条件にわたるさらなる多施設前向き検証が必要である。