糖尿病足溃疡风险评分：基于深度学习的CNN模型与PyTorch实现

简介：这是一份基于深度学习构建的糖尿病足溃疡（DFU）风险评分系统完整代码包，面向医学图像分析、AI辅助诊断方向的开发者与研究者，也适合作为深度学习的课程设计或毕业设计参考。压缩包共54个文件，以24个Python源码为主体，涵盖数据处理、模型训练、验证评估与风险评分等核心流程，另有pyc编译文件、5张图像结果、4份Markdown说明文档和一个交互式Jupyter Notebook，整体仅2.37MB，轻量易用。目前已有71人学习下载，足见其在医疗AI入门中的实用价值。资源内置Det4DFU与Clf4DFU双任务框架，分别对应病灶检测与分类评级，并包含GradCAM可视化、多折交叉验证、RGB像素统计、多种数据读取脚本等工具，可直接复现实验结果，也可迁移到其他医学病灶风险评分任务，帮助开发者快速掌握整套深度学习工程实现思路，为模型调优与可解释性分析提供基础。

1. 糖尿病足溃疡风险评分，深度学习到底在评什么

糖尿病足溃疡（DFU）是糖尿病最棘手的并发症之一，临床上的困境在于：溃疡一旦发展到深部感染，截肢风险成倍上升，而大量早期患者在基层门诊只能靠医生目测和经验评分。把深度学习模型接到这个场景里，目标不是替代医生做诊断，而是给出一致的、可量化的风险评分——同一张足部图像，模型输出的分数应该在多次评估间保持稳定，并且与临床结局有相关性。这样一个基于深度学习开发的DFU风险评分系统，包含图像预处理、卷积神经网络推理、分数映射和后端服务封装四个部分；对软件工程师和医学影像研究者来说，它同时涉及迁移学习、数据增强和模型部署，是一条完整可复现的落地路径。这个方向适合两类人：手上已有DFU图像数据但不知道怎么组织训练的算法工程师，以及想用深度学习框架验证“AI辅助筛查”是否值得投入的临床科研工作者。

2. 方案选型与系统骨架：把DFU评分拆成可落地的模型管线

2.1 为什么要用CNN做DFU风险评分而不是手工特征

早几年做足溃疡评估，主流做法是先做分割网络把溃疡区域抠出来，再统计面积、深度、色调等手工特征，最后套一个逻辑回归打分。这个方案的缺点很明显：分割模型的错误会直接传导到评分模型，而且“色调偏暗=缺血”这类规则在不同光线、不同肤色条件下非常脆弱。后来大家逐步转向端到端的CNN思路——把一张经过标准化处理的足部图像直接映射到风险分数。这样做确实损失了计算溃疡面积的直观指标，但换来了两个临床更关心的能力：一是对溃疡边缘、周围红肿、肉芽组织状态等复合特征的自动感知，二是评分的一致性不再依赖某条拍脑袋定的阈值。

按我做过类似医学影像项目的经验，DFU风险评分本质上是细粒度图像分类问题，而不是语义分割问题。用ResNet18/34这类成熟分类网络做骨干，在ImageNet预训练权重上微调，是投入产出比最高的起点。CNN自己会去学习“局部破损+周边红肿”这类共现特征，比手工特征对光照和角度的鲁棒性更好；这也是深度学习与经典方法在医学影像场景里最大的差别。如果你只想要一个能跑通的基线系统，不要一开始就上U-Net或者Transformer分割方案，先把分类评分跑出一个可解释的分数，再逐步升级结构。

2.2 系统骨架：数据流、模型输出与评分映射

一个可落地的DFU风险评分系统通常按四段组装。第一段是图像入库与预处理，包括统一缩放、归一化、数据增强；第二段是模型推理，骨干网络输出一个特征向量；第三段是评分头，把特征向量映射成我们定义的0～10分或0～4级；第四段是服务封装，用FastAPI或Flask把模型包成一个可调用的HTTP服务，前端上传图像就能拿到分数和置信度。

评分映射这块我建议不要直接从网络输出层接“回归一个连续值”，而是先做多分类，再按类别对应分数加权求和。原因是：连续回归训练在样本量小的时候极不稳定，模型倾向于输出一个平均值，而分类任务每个类别的样本相对独立，训练更稳。比如定义四个等级：无风险（0分）、低风险（2分）、中风险（5分）、高风险（9分），推理时按Softmax概率加权得到最终评分。这个分数对齐到SINBAD这类临床评分体系也相对容易——SINBAD本身就是按部位、缺血、神经病变、细菌感染、面积、深度六个维度分别打分的结构。

这里的关键点是“模型输出的是概率分布，不是单一的有/无风险判断”。我会把概率分布直接透传给调用方，这样医生能看到模型对“高风险”到底有多确信，而不是只收到一个干巴巴的数字。系统骨架定型后再做数据准备，顺序不要反：先定评分口径，再定模型结构，最后才整理数据，否则后面样本标注会反复返工。

3. 构建DFU训练数据：标注规范与预处理管道，别让脏数据砸了模型

3.1 数据来源与标注规范：先定评分口径再定标签

做DFU系统第一个要确认的是评分口径。常见做法是对齐英国皇家医院SINBAD评分或IWGDF指南里可观察的标准：是否存在溃疡、溃疡是否延伸到深层组织、周边是否有感染迹象、血供状况如何。每条标准映射到一个风险等级，再汇总成0～10分。这个映射关系必须在标注前定死，否则两个医生标同一张图会给出完全不同的分数。

数据方面，公开的DFU图像数据集能覆盖一部分训练需求，比如DFUC挑战赛发布的那类数据，但真实项目里我更建议同时收集院内历史病例，因为公开数据集大多经过筛选，与你实际部署场景的脚光、肤色、拍摄距离有明显偏差。标注时应该让有经验的临床医生按“等级标签+边界框或分割掩码”双重标注：等级标签用于训练评分分类，掩码用于后续可解释性分析。每个样本至少两人独立标注，分歧样本由第三人仲裁，这套流程能显著降低噪声标签比例。

提示：标注字段建议包含 severity_level（0/1/2/3）、has_ischemia（是否缺血）、ulcer_location（足趾/足背/足跟等），以及临床随访结局 label_outcome（两周后是否恶化）。后者在验证评分有效性时价值极大，但多数团队会忽略这字段，导致模型评分无法与临床结局挂钩。

3.2 预处理管道的参考实现：归一化、裁切与增强参数

下面是一段我常用的数据加载与预处理实现，可以直接套进PyTorch项目。

import torch from torch.utils.data import Dataset from PIL import Image import torchvision.transforms as T class DFUDataset(Dataset): def __init__(self, image_paths, labels, train=True): self.paths = image_paths self.labels = labels if train: self.transform = T.Compose([ T.Resize((256, 256)), # 先统一放缩，保证进入网络的图像尺寸一致 T.RandomHorizontalFlip(p=0.5), # 水平翻转增强，足部图像左右对称，不引入不真实样本 T.RandomRotation(10), # 小角度旋转，模拟拍摄角度偏差 T.ColorJitter(0.15, 0.15, 0.15, 0.05), # 轻微亮度/对比度抖动，抵抗光照不均 T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], # ImageNet统计均值，迁移学习必须沿用 std=[0.229, 0.224, 0.225]) ]) else: self.transform = T.Compose([ T.Resize((256, 256)), # 推理阶段不做随机增强，保证结果可复现 T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) def __len__(self): return len(self.paths) def __getitem__(self, idx): img = Image.open(self.paths[idx]).convert("RGB") label = torch.tensor(self.labels[idx], dtype=torch.long) return self.transform(img), label

这里有两处特别说明。第一，Resize选256×256而不是直接上224×224，目的是让模型能吃到更大一点的溃疡边缘细节，再靠骨干网络内部的全局池化把特征压缩到固定维度；如果你以后换EfficientNet，直接Resize到对应输入尺寸即可。第二，Normalize的mean和std必须用ImageNet统计值，因为骨干网络是在ImageNet上预训练的；换成别的归一化参数会导致迁移学习的特征分布错位，这是很多复现“翻车”的第一现场。

关于增强参数，RandomRotation的角度不建议超过15度。溃疡图像不像自然图像，大幅旋转会让溃疡区域的相对位置偏离临床常识。ColorJitter的幅度也宜小不宜大——皮肤色调是DFU评分的重要线索，色调增强过头会把红肿特征洗掉，等于给模型灌噪声。这组参数在多数足部数据集上能用，但你在自己数据上仍应做一轮消融实验：对比增强前后验证集评分的均方差变化。

还有一个容易被忽略的点：DFU特征由溃疡区域和周边皮肤上下文共同构成。若做局部裁切，必须在溃疡掩码外保留至少10～15%像素的环境皮肤，否则模型会丢失“红肿范围”这个关键信息，导致中风险和高风险之间区分度下降。

4. 用PyTorch实现DFU风险评分模型：网络设计、L2正则化与训练参数怎么定

4.1 网络结构：从预训练ResNet到评分头的完整代码

模型部分我常用ResNet18作为骨干，兼顾推理速度和精度。下面是一个带评分头的完整实现。

import torch.nn as nn from torchvision import models class DFUScorer(nn.Module): def __init__(self, num_classes=4, pretrained=True): super().__init__() # 用ResNet18作为骨干，预训练权重来自ImageNet if pretrained: self.backbone = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) else: self.backbone = models.resnet18(weights=None) in_features = self.backbone.fc.in_features self.backbone.fc = nn.Identity() # 去掉原始分类头，只拿特征向量 self.drop = nn.Dropout(p=0.3) # 全连接前加Dropout，缓解小样本过拟合 self.head = nn.Sequential( nn.Linear(in_features, 128), nn.ReLU(inplace=True), nn.Linear(128, num_classes) # 输出4个类别的logits ) def forward(self, x): feats = self.backbone(x) return self.head(self.drop(feats))

为什么保留整个ResNet而不是只取前几层冻结？因为DFU图像的纹理和边缘细节集中在浅层和中层特征里，如果只微调最后一个全连接层，模型学不到“周边红肿扩大”这类中层特征。常见做法是解冻所有层，用一个小学习率端到端微调；只有当数据量低于500张时，才退回到只解冻最后两个stage的策略。

评分头也不要堆太多全连接层。医学图像样本量通常只有几千张，全连接层参数越多，越容易把训练集分布背下来。一层128维中间层加Dropout已经够用，往上再加层的收益很小，验证集只会出现过拟合。这里的4类输出对应前面定义的0/2/5/9分映射，推理时再按Softmax概率加权。

4.2 训练循环与关键超参：学习率、批大小与调度策略

训练代码直接用标准PyTorch训练循环即可，重点是几个超参怎么选。优化器我用AdamW而不是SGD；对医学图像微调来说，AdamW的自适应学习率能省去大量手动摸索时间，配合weight_decay做L2正则化比SGD稳定。学习率在迁移学习场景里通常以1e-4起步，逐层微调时再用1e-5收尾。批大小取决于显存，ResNet18在224×224输入下，batch size 32是常见起点。

from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR model = DFUScorer(num_classes=4, pretrained=True) optimizer = AdamW(model.parameters(), lr=1e-4, weight_decay=1e-2) scheduler = CosineAnnealingLR(optimizer, T_max=30, eta_min=1e-6) criterion = nn.CrossEntropyLoss()

weight_decay设1e-2，这是L2正则化的直接体现：把参数的平方和加进损失约束，让模型权重不要长得过大，从而压缩对训练集噪声的拟合。这个数值配AdamW是常见组合，不是拍脑袋——下面一节单独说怎么调。学习率调度用余弦退火，T_max设为30个epoch，eta_min设为1e-6，让学习率在后半段缓慢逼近极小值，比阶梯下降更容易落在平滑的收敛点。

best_loss = float("inf") for epoch in range(30): model.train() for batch_x, batch_y in train_loader: optimizer.zero_grad() out = model(batch_x) loss = criterion(out, batch_y) loss.backward() optimizer.step() model.eval() val_loss = 0.0 with torch.no_grad(): for batch_x, batch_y in val_loader: out = model(batch_x) val_loss += criterion(out, batch_y).item() scheduler.step() if val_loss < best_loss: best_loss = val_loss torch.save(model.state_dict(), "best_model.pt")

这里有个容易踩的细节：每个epoch结束必须调用model.eval()再验证，而且验证过程要包在torch.no_grad()里。否则BatchNorm层的运行统计会继续被验证集更新，验证损失永远降不到稳定值。最终模型不是取第30轮的权重，而是取val_loss最小时保存的best_model.pt。

4.3 L2正则化的取舍：weight_decay到底设多少

关于L2正则化，有一件事容易被误导：以为weight_decay越大，验证集分数一定越稳。实际表现是“先降后升”——太小（1e-4或更低）时训练损失降得很快但验证集抖动剧烈，太大（1e-1量级）时模型欠拟合，训练损失都压不下去。在DFU这类千张级数据集上，我的常见落点是1e-2，偶尔用5e-3。判断标准很简单：训练损失正常下降、验证损失逐步走平且抖动幅度小，就说明正则强度合适。

另一个正则化手段是early stopping。上面代码里已经体现了：保留验证集上最小损失的权重副本，不拿最后一轮的权重当最终模型。这相当于在训练过程中自动选择正则强度，成本低收益高。配合Dropout的0.3，三者合起来能明显压住小样本场景下的过拟合。

下表是我在类似DFU项目里常用的参数组合，可以直接抄作业：

如果你用EfficientNet-B0替代ResNet18，输入尺寸改成240×240，其余参数不用动。模型容量更大，但DFU评分场景优先保证可复现性和低方差，我一般还是先跑ResNet18基线，再对比EfficientNet的增益是否值得额外的推理耗时。

5. 封装评分系统与避坑排查：从模型到可调用服务的5个高频故障

5.1 封装：把模型输出转成可调用的评分接口

模型训练完，下一步是把权重打包成可调用的评分服务。常见方案是FastAPI写一个最小接口：接收上传图像，跑预处理，推理，输出风险分数和置信度。我一般还会记录一份评估日志（病例ID、图像hash、分数、模型版本号），方便后续复盘；交付包通常是一个zip压缩包，里面包含模型权重、预处理配置、推理脚本和一份README，解压后按说明启动服务即可，不用再依赖训练环境。

from fastapi import FastAPI, UploadFile import torch from PIL import Image app = FastAPI() model = DFUScorer(num_classes=4, pretrained=False) model.load_state_dict(torch.load("best_model.pt")) model.eval() # 必须切到评估模式，否则BatchNorm和Dropout行为不对 with torch.no_grad(): @app.post("/score") async def score_image(file: UploadFile): img = Image.open(file.file).convert("RGB") # 推理预处理必须与训练时完全一致 img = img.resize((256, 256)) import torchvision.transforms as T tf = T.Compose([ T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) x = tf(img).unsqueeze(0) logits = model(x) probs = torch.softmax(logits, dim=1).squeeze().tolist() risk_score = round(0 * probs[0] + 2 * probs[1] + 5 * probs[2] + 9 * probs[3], 1) return {"risk_score": risk_score, "probabilities": probs}

这段代码里最值得注意的是model.eval()那行。很多翻车案例就是漏了它，导致同一张图每次调用分数都不同。另外推理预处理必须与训练脚本共用同一份配置，不要手动写一遍Resize和Normalize，否则一处符号不对，评分整体漂移。

5.2 踩坑一：换一批图像分数集体偏高或偏低

现象：训练集和验证集上loss都很漂亮，模型看起来收敛了，但换上临床新拍的图像后，评分系统给出的分数整体偏离医生判断。

原因：预处理不一致。训练时用了ColorJitter和RandomRotation，本地推理脚本却忘了写，或Normalize的mean/std填错；另一个常见原因是色彩空间处理不一致，部分手机拍摄的广色域图像在PIL打开后RGB通道数值范围和训练数据不一致。

解决：把预处理管道抽成一份公共配置文件，训练和推理都从这里读取。图像统一convert("RGB")。验证阶段单独留一个采集批次做推理对比，不能只看训练集同一来源的数据。

5.3 踩坑二：类别不平衡导致模型“都评低分”

现象：训练集里约80%是无风险样本，模型在测试集上准确率很高，但把所有高风险溃疡都判成低分，调阈值也拉不回来。

原因：损失函数直接用了默认的CrossEntropyLoss，模型学会了“全部输出低风险”这种捷径——这样做整体loss最小，但临床意义为零。

解决：改用带类别权重的损失，按每个类别样本数的倒数归一化成权重。做法很简单：

class_weights = torch.tensor([1.0, 2.0, 4.0, 8.0], device=device) criterion = nn.CrossEntropyLoss(weight=class_weights)

权重具体值按训练集各类别数量比例的反比设置，让少数类样本的梯度贡献放大。这比在数据层面复制少数类样本更稳定，也不容易过拟合。

5.4 踩坑三：评分服务时好时坏

现象：同一个服务，上午调用和下午调用结果不一致，同一张图评分波动很大。

原因：模型被加载后处于训练模式，BatchNorm层在接收新输入时仍会更新运行统计量；模型权重在服务容器里反复保存和加载时也容易丢掉评估模式状态。

解决：在加载封装函数里显式调用model.eval()，并把推理包进torch.no_grad()或torch.inference_mode()。这个问题大多源于“训练代码直接改成了推理代码”，把训练脚本里的dropout残留带进了服务。

5.5 踩坑四：只有溃疡特写图导致评分失真

现象：模型评分与医生直觉分数相关性差，溃疡面积很小的重感染病例被低估。

原因：训练数据包含了完整足部轮廓，真实部署输入却只裁剪了溃疡局部放大图。模型没有“溃疡在整足中的占比”这个概念，自然无法正确推断严重程度。

解决：输入口径要在标注时明确——训练用包含足部整体的图像，推理时要求调用方上传这样的图像而不是特写。在接口文档里用示意图标出可接受的图像范围，这条在落地时能挡掉一大部分后续投诉。如果确实只能拿到特写图，那就得在同一口径下重新标注一批特写数据，不能混合训练。

6. 验证评分可用性的一个技巧：校准曲线与阈值复盘

6.1 用校准曲线判断评分是否“可信”

很多做深度学习评分的人只看准确率，但DFU风险评分场景里，医生更关心的是“模型说高风险，真的高风险吗”。这就需要画校准曲线：把测试集按模型输出的分数分箱，横轴是模型预测分数，纵轴是真实高风险比例；理想情况下两者应该落在45度对角线上。如果校准曲线明显偏离，说明模型输出的是“排名”而不是“概率”，需要做温度缩放后再对外提供分数。

这里给一段直接可用的绘图代码：

import matplotlib.pyplot as plt import numpy as np def plot_calibration(probs, y_true, n_bins=10): bins = np.linspace(0, 1, n_bins + 1) pred_mean = np.zeros(n_bins) true_mean = np.zeros(n_bins) for i in range(n_bins): mask = (probs >= bins[i]) & (probs < bins[i + 1]) if mask.sum() > 0: pred_mean[i] = probs[mask].mean() true_mean[i] = y_true[mask].mean() plt.plot(pred_mean, true_mean, marker="o") plt.plot([0, 1], [0, 1], linestyle="--", color="gray") plt.xlabel("model predicted probability") plt.ylabel("observed high-risk rate") plt.show()

用的时候注意只对“高风险”类别的概率做校准，而不是对加权后的风险分数做。校准曲线偏离45度线时，先用温度缩放：在验证集上搜索一个温度T，让Softmax(logits / T)的期望概率与真实频率对齐。温度缩放不改变排序，只改变置信度，特别适合DFU这类评分场景。

6.2 阈值复盘：把“漏报”单列出来看

在实际复查时我习惯结合混淆矩阵，把“误报高风险”和“漏报高风险”分开看。漏报高风险指模型判0分但临床结局两周后恶化，这是最不能接受的错误。每次迭代我都把漏报样本单独挑出来，逐张看模型和医生判断的分歧来源：是图像光照太暗，还是溃疡被趾缝遮挡，还是这类病例本身在训练集里就没有相似样本。把这些样本加进训练集，比单纯调阈值有效得多。

另一个实践是输出结构化评分报告：风险等级、类别概率、预测所针对的图像区域。用梯度加权类激活映射标出模型关注区域，一方面方便医生复核，另一方面能暴露模型是否在“看背景不看伤口”。如果热力图标到了正常皮肤和背景物体上，说明训练数据里混入了与标签相关的环境噪声，这时候优先查数据而不是查网络结构。这个复盘习惯帮我挡掉了好几次临床试用的信任危机——医生第一眼不会信模型，但看到热力图标在溃疡边缘时，沟通成本立刻降下来。希望帮到你。

本文还有配套的精品资源，点击获取