Artificial Intelligence-Based Models for Diabetic Foot Ulcer Assessment : A Scoping Review (Preprint)
Notice bibliographique
Résumé
Background: Diabetic foot ulcers (DFU) are serious complications of diabetes that contribute substantially to morbidity, mortality, and health care burden. Accurate and timely wound assessment is essential for effective DFU management; however, conventional assessment methods are limited by subjectivity, time constraints, and interobserver variability. Objective: This scoping review aimed to map and synthesize evidence regarding the development and application of artificial intelligence (AI)-based models for DFU assessment. Methods: A scoping review was conducted following the Arksey and O'Malley framework and reported according to the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews) guidelines. Literature searches were performed in PubMed, ProQuest, and Scopus for studies published between 2014 and 2026. Study selection and data charting were conducted independently by two reviewers using predefined inclusion criteria based on the PCC (population, concept, context) framework. Extracted data were synthesized narratively and categorized according to major AI application domains. Results: A total of 654 records were identified, of which 46 studies met the inclusion criteria. The included studies predominantly focused on image segmentation, diagnostic classification, and risk prediction or monitoring of DFUs. Convolutional neural networks were the most commonly applied models, with performance evaluated using metrics such as accuracy, Dice similarity coefficient, and area under the curve. Most studies relied on retrospective, single-center datasets, with limited external validation and minimal real-world clinical implementation. Conclusions: AI-based models demonstrate strong potential to enhance DFU assessment and monitoring by improving accuracy and efficiency. However, significant gaps remain in terms of dataset diversity, external validation, and integration into clinical workflows. Future research should prioritize prospective validation, standardized datasets, and real-world implementation to support safe and effective clinical adoption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».