Bu tədqiqatdakı diabetik ayaq riskinin qiymətləndirilməsi sistemi, ayağın çoxbucaqlı görüntülərini generativ süni intellektlə etiketləyən, bu etiketlərlə əvvəlcədən öyrədilmiş konvolyusiya neyron şəbəkələrini (convolutional neural network, CNN) incə sazlamadan keçirən və görüntü səviyyəsindəki proqnozları pasiyent səviyyəsində birləşdirən maşın öyrənməsi yanaşmasıdır. GPT-4o-mini hər görüntüyə Low Risk, Medium Risk və ya High Risk etiketi vermiş; bu etiketlərlə ResNet50 və VGG16 modelləri öyrədilmiş və sınaqdan keçirilmişdir. Son məlumat dəstində 3255 görüntü vardır. İki modelin ümumi performansı bir-birinə yaxın olsa da, ResNet50 High Risk sinfinin aşkarlanmasında daha yüksək recall və F1 dəyərləri verdiyi üçün prototip Streamlit tətbiqində istifadə olunmaq üçün seçilmişdir. Bununla belə, tədqiqat gələcəkdə həqiqətən xora yaranıb-yaranmayacağını uzunmüddətli klinik sonlanımlarla təsdiqləməmiş; modelin öyrədilməsi və test etiketləri əsasən GPT tərəfindən yaradılmışdır. Buna görə nəticələr klinik gələcək proqnozunun birbaşa təsdiqi kimi deyil, GenAI dəstəkli etiketləmə ilə CNN əsaslı risk təsnifatı pipeline-ının texniki mümkünlüyü kimi şərh edilməlidir.

GPT tərəfindən yaradılan etiketlərin tibbi mütəxəssislərlə müqayisə edildiyi 87 pasiyentlik alt qrupda %80,5 uyğunluq əldə edilmiş; 70 pasiyent üçün etiketlər uyğun gəlmiş, 17 pasiyentdə uyğunsuzluq görülmüşdür. Tədqiqatçılar GPT-nin xüsusilə Low və Medium Risk arasındakı daha incə vizual fərqlərdə səhv edə bildiyini və generativ süni intellekt etiketlərinin mütəxəssis etiketləməsini əvəz etməməli olduğunu açıq şəkildə bildirirlər.

Test dəstində ResNet50 üçün görüntü səviyyəsində dəqiqlik %75,05, pasiyent səviyyəsində dəqiqlik %72,54; VGG16 üçün isə müvafiq olaraq %75,48 və %75,35 kimi bildirilmişdir. Buna qarşılıq High Risk sinfində ResNet50-nin recall dəyəri görüntü səviyyəsində %80,95 və pasiyent səviyyəsində %85,00; VGG16-nın dəyərləri isə %71,43 və %75,00-dır. Hər iki modeldə High Risk precision %100 kimi bildirilmişdir. Bu nəticələr ResNet50-nin xüsusilə yüksək riskli halları qaçırmamaq baxımından daha üstün ola biləcəyini düşündürmüş və tətbiq seçimini müəyyən etmişdir.

Diabetik ayağın görüntü ilə izlənməsində hansı problem həll edilməyə çalışılır?

Diabetik ayağın qiymətləndirilməsi klassik klinik praktikada yalnız vizual müayinəyə əsaslanmır; toxunma, temperatur, vibrasiya hissi, qan dövranı və pedal nəbz kimi başqa klinik qiymətləndirmələr də istifadə olunur. Bununla belə, ayağın görünüşü xora, rəng dəyişikliyi, quruluq, şişkinlik, qabar və deformasiya kimi bir çox klinik əlamət barədə məlumat daşıya bilər.

Mənbə tədqiqatın məqsədi bu vizual məlumatdan istifadə edərək diabetik ayağın zamanla daha ciddi vəziyyətə irəliləmə riskini Low Risk, Medium Risk və High Risk olmaqla üç sinifdə qiymətləndirən avtomatik sistem hazırlamaqdır. Sistemə pasiyentin bildirdiyi simptom və ya anamnez məlumatı daxil edilməmiş; model yalnız görüntülərdən əldə olunan vizual xüsusiyyətlər üzərində işləyib.

Tədqiqatçıların əsaslandırmalarından biri mütəxəssis qiymətləndirməsinə çıxışın xüsusilə uzaq və ya səhiyyə resurslarının məhdud olduğu bölgələrdə məhdud ola bilməsidir. Digər əsaslandırma isə vizual qiymətləndirmənin mütəxəssis təcrübəsinə görə dəyişə bilməsidir. Avtomatik görüntü analizi bu insan qiymətləndirməsini əvəz etməkdən daha çox, təkrarlana bilən köməkçi qat təmin etmə potensialı baxımından araşdırılmışdır.

Generativ Süni İntellekt Bu Tədqiqatda Nə Etdi?

Generativ süni intellekt bu tədqiqatda son CNN təsnifləndiricisi kimi deyil, təlim məlumat dəstinin etiketləyicisi kimi istifadə olunmuşdur: GPT-4o-mini ayaq görüntülərindəki görünən klinik əlamətləri qiymətləndirərək hər görüntüyə Low Risk, Medium Risk və ya High Risk etiketi vermiş və ResNet50 ilə VGG16 bu GPT tərəfindən yaradılmış etiketlərdən istifadə olunaraq öyrədilmişdir.

Etiketləmə zənciri

Mənbənin 5. səhifəsindəki Şəkil 1 metodu aşağıdakı zəncirlə göstərir:

1. Diabetik ayağın klinik görüntülərinin toplanması.
2. Görüntünün OpenAI API vasitəsilə generativ süni intellekt etiketləmə pipeline-ına ötürülməsi.
3. Hər görüntü üçün Low Risk, Medium Risk və ya High Risk etiketinin yaradılması.
4. Görüntülərin risk siniflərinə görə yenidən təşkil edilməsi.
5. ResNet50 və VGG16 modellərinin öyrədilməsi.
6. Doğrulama və test əməliyyatları.
7. Hər görüntü üçün risk proqnozunun yaradılması.
8. Eyni pasiyentə aid görüntülərin vahid pasiyent etiketi altında birləşdirilməsi.
9. Nəticənin Streamlit tətbiqində göstərilməsi.

Niyə tək görüntü əvəzinə dörd fərqli bucaq istifadə olundu?

Klinik məlumat dəstində eyni ayağın alt, üst, sağ yan və sol yan görünüşlərindən istifadə edilmişdir. Bunun səbəbi xora, rəng dəyişikliyi və ya şişkinlik kimi risk əlamətinin yalnız müəyyən bucaqdan görünə bilməsi, başqa bucaqdakı toxumanın isə normal görünə bilməsidir.

Mənbənin 5. səhifəsindəki Şəkil 2 bu dörd görünüşü real klinik görüntülərlə göstərir. Çoxbucaqlı yanaşma, tək fotoya əsaslanan qərarın görünməyən sahələr səbəbindən yarada biləcəyi məlumat itkisini azaltmağı hədəfləyir.

GPT promptu hansı vizual tapıntılara baxırdı?

Mənbənin Əlavə A bölməsindəki strukturlaşdırılmış prompt risk etiketləmə əməliyyatının sərbəst formada görüntü şərhi kimi buraxılmadığını göstərir. Prompt xüsusilə görüntü keyfiyyəti və əhatəsi ilə yanaşı aşağıdakı görünən xüsusiyyətlərin qiymətləndirilməsini istəyir:

• qabar və hiperkeratoz,
• quruluq, çat və qabıqlanma,
• eritem və lokal qızartı,
• maserasiya,
• preülserativ lezyonlar və rəng dəyişiklikləri,
• struktur ayaq deformasiyaları,
• ödem,
• vaskulyar görünüşü düşündürə bilən dəri dəyişiklikləri,
• xora, infeksiya və ya nekroz,
• əvvəlki amputasiyaya aid görünən əlamətlər.

Promptun risk bələdçisində sağlam və bütövlüyü qorunmuş dəri Low Risk; yüngül quruluq, rəng dəyişikliyi və ya səthi lezyonlar Medium Risk; açıq xora, infeksiya, nekroz, aydın şişkinlik, ciddi deformasiya və ya amputasiya əlamətləri isə High Risk istiqamətində qiymətləndirilmişdir.

Bu etiketlər tədqiqatın hazırladığı əməliyyat görüntü sinifləridir. Pasiyentin real klinik proqnozunun yalnız bu görüntü sinifləri tərəfindən müəyyən edildiyi fərz edilməməlidir.

Pasiyent Səviyyəsində Risk Etiketi Necə Yaradıldı?

Pasiyent səviyyəsində risk etiketi eyni pasiyentə aid bir neçə görüntü proqnozunun əvvəlcədən müəyyən edilmiş worst-case qaydası ilə birləşdirilməsi nəticəsində yaradılmışdır: görüntülərdən ən az biri High Risk-dirsə pasiyent High Risk, əks halda Medium görüntülərin sayı Low görüntülərdən çox və ya bərabərdirsə Medium Risk, digər hallarda Low Risk kimi təsnif edilmişdir.

Aqreqasiya qaydası

• High Risk: Pasiyentin ən az bir görüntüsü High Risk-dirsə bütün pasiyent High Risk qəbul edilmişdir.
• Medium Risk: High Risk görüntü yoxdursa və Medium Risk görüntülərinin sayı Low Risk sayından çox və ya ona bərabərdirsə pasiyent Medium Risk kimi etiketlənmişdir.
• Low Risk: High Risk görüntü yoxdursa və Low Risk görüntülər Medium Risk görüntülərdən çoxdursa pasiyent Low Risk kimi etiketlənmişdir.

Bu struktur High Risk əlamətinin yalnız bir bucaqdan görünməsi halında digər normal görünüşlər tərəfindən zəiflədilməsinin qarşısını almağı hədəfləyir. Buna qarşılıq qayda eyni zamanda bir səhv High Risk təsnifatının bütün pasiyent etiketini High Risk səviyyəsinə qaldıra bilməsi deməkdir. Buna görə görüntü səviyyəsində səhv profili pasiyent səviyyəsində qərar mexanizmi baxımından vacibdir.

GPT Etiketləri Mütəxəssis Etiketlərini Əvəz Etdimi?

Xeyr. GPT etiketləri 87 pasiyentlik mütəxəssis etiketli alt qrupda %80,5 nisbətində uyğun gəlsə də, 17 pasiyentdə fərq görülmüş və tədqiqatçılar generativ süni intellekt etiketlərinin insan mütəxəssis etiketləməsini əvəz etməməli olduğunu açıq şəkildə qeyd etmişdir.

Mütəxəssis müqayisəsinin nəticəsi

Mütəxəssislərlə müqayisə edilə bilən 87 pasiyentin 70-ində GPT etiketi mütəxəssis etiketi ilə uyğun gəlmişdir. Ümumilikdə 17 uyğunsuzluğun:

• 9-u Low→Medium və ya Medium→High kimi qonşu siniflər arasındakı orta səviyyəli uyğunsuzluqlar,
• 8-i Low və High sinifləri arasında belə meydana çıxa bilən ciddi uyğunsuzluqlar

kimi təsnif edilmişdir.

PDF-in 9. səhifəsindəki Şəkil 4 həmçinin GPT-nin mütəxəssis etiketləri ilə müqayisədə daha çox Medium və High Risk təsnifatı verdiyini göstərir. Mütəxəssislərin paylanması daha çox Low Risk istiqamətindədir. Bu fərq GPT etiketlərinin yalnız say baxımından deyil, sinif paylanması baxımından da mütəxəssis istinadından sistematik şəkildə fərqlənə biləcəyini göstərir.

Low Risk və Medium Risk niyə daha çox qarışır?

Mənbə Low Risk və Medium Risk görüntülərindəki əlamətlərin bir-birinə bənzəyə biləcəyini vurğulayır. Yüngül quruluq kimi görünüş bir halda Low, başqa halda Medium kimi qiymətləndirilə bilər. Sinif sərhədləri kəskin olmadığı üçün həm GPT etiketləməsində, həm də CNN təsnifatında bu iki sinfin ayrılması High Risk ilə müqayisədə daha çətindir.

High Risk sinfində açıq xora, nekroz, aydın infeksiya və ya böyük deformasiya kimi daha seçilən vizual əlamətlərin ola bilməsi modellərin bu sinifdə daha güclü performans göstərməsinə töhfə verə bilən amildir.

Grad-CAM hansı məqsədlə istifadə olundu?

Gradient-weighted Class Activation Mapping (Grad-CAM), CNN-nin bir görüntünü təsnif edərkən hansı görüntü bölgələrinin proqnoza daha çox töhfə verdiyini vizual istilik xəritəsi ilə göstərən şərh edilə bilənlik metodudur.

Streamlit prototipində orijinal ayaq görüntüsünün yanında Grad-CAM istilik xəritəsi göstərilir. Beləliklə istifadəçi modelin, məsələn, xora və ya quru dəri sahəsi kimi klinik baxımdan mənalı bir bölgəyəmi, yoxsa əlaqəsiz görüntü sahəsinəmi fokuslandığını yoxlaya bilər.

Grad-CAM-in bir bölgəni vurğulaması həmin bölgənin xəstəliyin səbəbi olduğunu sübut etmir. Grad-CAM yalnız model qərarına töhfə verən görüntü bölgələrinin şərh edilməsinə kömək edir.

Tədqiqatın Metodu və Nəticələri

Məlumat Dəsti Necə Hazırlandı?

Tədqiqatın məlumat dəsti Portuqaliya səhiyyə sistemində yerli səhiyyə vahidində DFAA layihəsi üçün toplanmış çoxbucaqlı diabetik ayaq görüntülərindən yaradılmışdır; sinif balanssızlığını azaltmaq üçün açıq Kaggle görüntüləri də əlavə edilmiş və yekun məlumat dəsti 1807 Low Risk, 1294 Medium Risk və 154 High Risk olmaqla cəmi 3255 görüntü ehtiva etmişdir.

Klinik görüntülərin mənbəyi

Klinik görüntülər DFAA — Diabetic Foot Automated Assessment layihəsi üçün yaradılmış kamera sistemi ilə Portuqaliya səhiyyə sistemindəki ULS xəstəxanasında əldə edilmişdir. Orijinal məlumatlar pasiyent əsasında qovluqlanmış və eyni ayağın fərqli bucaqlardan çəkilmiş görüntülərini ehtiva etmişdir.

Kaggle görüntülərinin əlavə edilməsi

Orijinal məlumat dəstində High Risk sinfi nəzərəçarpacaq dərəcədə az təmsil olunmuşdur. Mənbə ciddi yüksək riskli nümunələri artırmaq məqsədilə açıq Kaggle görüntülərini məlumat dəstinə əlavə etmişdir.

Mənbə xarici görüntülərin klinik görüntülərdən rezolyusiya, işıqlandırma, istifadə olunan kamera və pasiyent demoqrafiyası baxımından fərqlənə biləcəyini açıq şəkildə bildirir. Bu vəziyyət modelin öyrəndiyi görüntü paylanmasına domain fərqi əlavə edə bilər.

Pasiyent əsaslı təlim/doğrulama/test bölgüsü

Eyni pasiyentə aid görüntülərin təlim və test dəstlərinə yayılması məlumat sızmasına səbəb ola biləcəyi üçün məlumat bölməsi pasiyent identifikatoru səviyyəsində aparılmışdır. Pasiyentlər:

• %70 təlim,
• %15 doğrulama,
• %15 test

olaraq bölünmüş; bir pasiyentə aid bütün görüntülər eyni bölmədə saxlanılmışdır.

Bu qərar görüntü əsaslı tədqiqatlarda mühüm metodoloji güclü cəhətdir. Eyni ayağın fərqli bucaqlardan çəkilmiş çox oxşar görüntüləri həm təlim, həm də test dəstinə daxil olsaydı, model performansı süni şəkildə yüksək görünə bilərdi.

Mənbədə pasiyent sayının hesabat problemi

Mənbə cəmi 946 pasiyent olduğunu bildirsə də, paylanmanı “428 Low Risk, 383 Medium Risk və 135 Low Risk” kimi yazır. Üçüncü kateqoriya kontekst və ümumi say baxımından High Risk-i təmsil edə bilər; lakin mənbə mətnində “Low Risk” yazıldığı üçün bu Verianla məqaləsində 135 dəyərini düzəldilmiş High Risk pasiyent sayı kimi elmi məlumat şəklində təqdim etmirik.

ResNet50 və VGG16 necə uyğunlaşdırıldı?

ResNet50 və VGG16, ImageNet çəkiləri ilə əvvəlcədən öyrədilmiş iki CNN arxitekturasıdır. Tədqiqatda hər model include_top=false formasında yüklənmişdir; yəni ImageNet-ə aid orijinal təsnifləndirici qatlar çıxarılmış və yalnız əvvəlcədən öyrənilmiş konvolyusion xüsusiyyət çıxarıcı onurğa saxlanılmışdır.

Onurğanın üzərinə tədqiqata məxsus yeni təsnifləndirici başlıq əlavə edilmişdir:

Global Average Pooling → Dense 512 → Dense 256 → Dense 128 → 3 sinifli Softmax.

Dense qatlarla birlikdə batch normalization və dropout istifadə edilmişdir.

İki mərhələli təlim

Təlim iki mərhələdə aparılmışdır:

1. Head Training: Onurğa dondurulmuş, yalnız yeni təsnifləndirici başlıq 8 epoch ərzində öyrədilmişdir.
2. Fine-Tuning: Onurğanın üst %50-si açılmış və daha aşağı öyrənmə sürəti ilə 15 epoch ərzində incə sazlama aparılmışdır.

Bu struktur ImageNet-dən öyrənilmiş ümumi görüntü xüsusiyyətlərini tam itirmədən modelin diabetik ayaq görüntülərinə uyğunlaşdırılmasını hədəfləmişdir.

Çəkili İtki və Həddindən Artıq Nümunələmə Niyə İstifadə Olundu?

Çəkili itki və High Risk həddindən artıq nümunələməsi məlumat dəstindəki ciddi sinif balanssızlığının modelin çoxluq siniflərinə yönəlməsini azaltmaq və az saydakı High Risk nümunələrinin təlim zamanı daha çox təsirli olmasını təmin etmək üçün istifadə edilmişdir.

İtki funksiyası

Tədqiqatda sparse categorical cross-entropy istifadə edilmiş və sinif çəkisi ilə dəyişdirilmişdir:

\(\mathrm{Loss}_i = w_{y_i}(-\log p_{i,y_i})\)

Burada \(y_i\), i-ci nümunənin real təlim etiketini; \(p_{i,y_i}\), modelin bu sinfə təyin etdiyi ehtimalı; \(w_{y_i}\) isə müvafiq sinfin çəkisini ifadə edir. Sinif çəkisi artdıqca həmin sinifdəki səhvin itki funksiyasına töhfəsi də artır.

Mənbədə empirik başlanğıc çəkilər:

• Low Risk × 1,1,
• Medium Risk × 1,2,
• High Risk × 4,0

kimi müəyyən edilmiş və sonra normallaşdırılmışdır.

High Risk oversampling

High Risk nümunələri yalnız təlim dəstində 10 qat oversampling ilə artırılmışdır. Oversampling-in doğrulama və test dəstlərinə tətbiq edilməməsi eyni süni çoxaltmanın test performansını şişirtməsinin qarşısını almaq baxımından vacibdir.

Məlumat artırma

Mənbədə görüntü artırma əməliyyatları arasında üfüqi çevirmə, rotasiya, zoom, kontrast, parlaqlıq və kiçik translasiya dəyişiklikləri vardır. Cədvəl 2-də konservativ augmentasiya üçün rotasiya təxminən ±4,6°, zoom intervalı [0,85–1,15]; High Risk üçün daha aqressiv augmentasiyada rotasiya təxminən ±8,6° və gücləndirilmiş kontrast/parlaqlıq dəyişiklikləri bildirilmişdir.

Təlim hiperparametrləri

Test nəticələri

ResNet50 Niyə Streamlit Tətbiqi üçün Seçildi?

ResNet50 ümumi dəqiqlikdə hər ölçümdə VGG16-nı keçməsə də High Risk sinfində daha yüksək recall və F1 təmin etdiyi üçün Streamlit tətbiqində istifadə olunmuşdur; tədqiqatçılar klinik baxımdan daha kritik yüksək riskli görüntülərin aşkarlanmasını model seçimində üstün tutmuşdur.

Bu fərq vacibdir. Pasiyent səviyyəsində ümumi dəqiqlik VGG16 üçün %75,35 ikən ResNet50 üçün %72,54-dür. Buna qarşılıq pasiyent səviyyəsində High Risk recall ResNet50-də %85,00, VGG16-da %75,00; High Risk F1 isə müvafiq olaraq %91,89 və %85,71-dir.

Buna görə “ResNet50 ən yaxşı modeldir” ifadəsi bütün metriklərdə üstünlük mənasına gəlməməlidir. Mənbədə model seçiminin əsaslandırması xüsusilə High Risk aşkarlama performansıdır.

Precision, recall və F1 nəticələri necə oxunmalıdır?

Precision, modelin bir sinif üçün verdiyi müsbət proqnozların nə qədərinin həqiqətən həmin etiketə uyğun gəldiyini; recall, həmin sinifdəki nümunələrin nə qədərinin tutulduğunu; F1 isə precision və recall arasındakı tarazlığı ümumiləşdirir.

High Risk sinfində bütün modellər üçün %100 precision bildirilməsi test dəstində High Risk kimi təsnif olunan nümunələrin GPT tərəfindən müəyyən edilmiş istinad High Risk sinfi ilə güclü şəkildə üst-üstə düşdüyünü göstərir. Lakin istinad etiketlərin özləri GPT tərəfindən yaradıldığı üçün bu dəyər birbaşa tibbi mütəxəssis dəqiqliyi və ya real klinik proqnoz dəqiqliyi deyil.

Streamlit prototipi nə edir?

Prototip tətbiq Python 3.13 və Streamlit istifadə olunaraq hazırlanmışdır. İstifadəçi diabetik ayağa aid görüntüləri yüklədikdə sistem:

• hər görüntü üçün risk etiketi,
• üç risk sinfinin güvən skorları,
• pasiyent səviyyəsində birləşdirilmiş risk sinfi,
• Grad-CAM istilik xəritəsi

yaradır.

Mənbənin 12. səhifəsindəki Şəkil 5 tətbiqin əsas ekranını, Şəkil 6 isə bir pasiyent üçün risk çıxışını və modelin nəzərə aldığı görüntü sahələrini göstərən Grad-CAM vizualını təqdim edir.

Bu Sistem Klinik Cəhətdən Təsdiqlənmiş Diaqnostik Vasitədirmi?

Xeyr. Streamlit tətbiqi mənbədə açıq şəkildə tədqiqat-inkişaf mərhələsindəki prototip kimi təsvir edilmiş və heç bir tənzimləyici və ya sertifikasiya qurumuna təqdim edilmədiyi qeyd edilmişdir; həmçinin CNN performansı uzunmüddətli klinik sonlanımlara və ya müstəqil mütəxəssis etiketli böyük xarici doğrulama dəstinə qarşı göstərilməmişdir.

Ən vacib doğrulama məhdudiyyəti

Tədqiqatın CNN təlimində və əsas test qiymətləndirməsində istifadə etdiyi etiketlər GPT tərəfindən yaradılmışdır. Tibbi mütəxəssislər 87 pasiyentlik ayrıca alt qrupda GPT etiketlərini qiymətləndirmək üçün istifadə olunmuşdur; CNN modellərinin əsas performans cədvəli birbaşa bu mütəxəssis etiketləri üzərində verilməmişdir.

Buna görə modelin test dəqiqliyi iki qatlı şəkildə şərh edilməlidir:

1. Model GPT tərəfindən yaradılan sinifləri nə qədər yaxşı yenidən öyrənir?
2. GPT-nin yaratdığı siniflər klinik mütəxəssis rəyi və real gələcək pasiyent nəticələri ilə nə qədər uyğundur?

Tədqiqat birinci suala ətraflı CNN metrikləri ilə, ikinci sualın yalnız bir hissəsinə isə 87 pasiyentlik GPT-mütəxəssis müqayisəsi ilə cavab verir. Gələcəkdə real xora inkişafı, infeksiya, sağalma və ya amputasiya kimi sonlanımlar üzrə prospektiv doğrulama mənbədə bildirilməmişdir.

Grad-CAM klinik doğrulamanı əvəz etmir

Grad-CAM-in modelin ayağın klinik baxımdan mənalı sahəsinə fokuslandığını göstərməsi proqnozun klinik olaraq düzgün olduğu demək deyil. Şərh edilə bilənlik model qərarının araşdırılmasını asanlaşdırır, lakin müstəqil klinik keçərlilik sübutunu əvəz etmir.

Tədqiqatın güclü tərəfləri

• Eyni ayağın bir neçə bucaqdan görüntüsü istifadə edilmişdir.
• Məlumat bölgüsü pasiyent səviyyəsində aparılaraq eyni pasiyentin görüntülərinin fərqli split-lərə sızmasının qarşısı alınmışdır.
• ResNet50 və VGG16 eyni ümumi təlim şərtlərində müqayisə edilmişdir.
• Sinif balanssızlığı açıq şəkildə tanınmış və yalnız təlim dəstində oversampling tətbiq edilmişdir.
• Təlim hiperparametrləri ətraflı şəkildə bildirilmişdir.
• GPT etiketləri tamamilə mütəxəssis etiketi kimi qəbul edilməmiş; 87 pasiyentdə mütəxəssis müqayisəsi aparılmışdır.
• Model seçimi yalnız ümumi accuracy-yə deyil, klinik baxımdan kritik hesab edilən High Risk recall/F1 performansına əsaslanaraq edilmişdir.
• Grad-CAM model qərarının hansı görüntü sahələrinə əsaslandığını yoxlamaq üçün istifadə edilmişdir.
• Tədqiqat metodunu real prototip Streamlit interfeysi ilə uçdan-uça göstərmişdir.

Tədqiqatın əsas məhdudiyyətləri

İstinad etiket problemi: CNN-lərin təlim və əsas test etiketləri mütəxəssislərdən deyil, GPT-dən gəlir. Buna görə model performansı klinik gold-standard performansı kimi oxuna bilməz.

GPT-mütəxəssis uyğunsuzluğu: 87 pasiyentdə etiketlərin %19,5-i uyğun gəlməmiş və bunların səkkizi ciddi sinif ziddiyyətidir.

Low/Medium sinif qeyri-müəyyənliyi: İncə vizual fərqlər həm etiketləmə, həm də təsnifat üçün daha çətindir.

Sinif balanssızlığı: Orijinal High Risk görüntülərinin sayı yalnız 77-dir; xarici görüntülərlə 154-ə yüksəldilmiş və təlimdə ×10 oversampling tətbiq edilmişdir.

Xarici görüntü domain fərqi: Kaggle görüntüləri rezolyusiya, işıqlandırma, kamera və demoqrafik quruluş baxımından klinik məlumat dəstindən fərqli ola bilər.

Uzunmüddətli nəticə yoxdur: Model proqnozu gələcəkdə həqiqətən xora yaranıb-yaranmayacağına qarşı prospektiv şəkildə doğrulanmamışdır.

Prototip tənzimləyici statusu: Streamlit tətbiqi R&D səviyyəsindədir və heç bir tənzimləyici/sertifikasiya qurumuna təqdim edilməmişdir.

Vizual məlumat məhdudiyyəti: Mənbə metodu yalnız ayaq görüntülərindən istifadə edir; neyropatiya testi, dövran ölçümü, temperatur, laborator məlumat və ya pasiyent anamnezi model girişi deyil.

Tədqiqatın dəstəklədiyi nəticələr

• GPT-4o-mini ilə avtomatik ayaq görüntüsü etiketləmə pipeline-ı qurula bilmişdir.
• GPT və mütəxəssis etiketləri 87 pasiyentlik alt qrupda %80,5 nisbətində uyğun gəlmişdir.
• ResNet50 və VGG16, GPT-etiketli test dəstində təxminən %72-75 intervalında ümumi pasiyent/görüntü dəqiqliyi göstərmişdir.
• High Risk sinfi Low və Medium siniflərlə müqayisədə daha güclü F1 performansına malikdir.
• ResNet50 High Risk recall və F1 baxımından VGG16-dan daha yüksək dəyərlər vermişdir.
• Pasiyent əsaslı məlumat bölgüsü və yalnız təlim dəstində oversampling tətbiq edilmişdir.
• Grad-CAM və Streamlit ilə uçdan-uça tədqiqat prototipi hazırlanmışdır.

Tədqiqatın dəstəkləmədiyi nəticələr

• Sistemin gələcəkdə yaranacaq diabetik ayaq xoralarını %75 dəqiqliklə proqnozlaşdırdığı deyilə bilməz.
• GPT-nin mütəxəssis həkimləri əvəz edə biləcəyi nəticəsi çıxarıla bilməz.
• ResNet50-nin bütün performans metriklərində VGG16-dan üstün olduğu deyilə bilməz.
• %100 High Risk precision real klinik mühitdə sıfır yanlış müsbət demək deyil.
• Modelin fərqli xəstəxanalarda, ölkələrdə, kamera sistemlərində və ya pasiyent populyasiyalarında eyni performansı göstərəcəyi sübut edilməmişdir.
• Grad-CAM istilik xəritəsi klinik diaqnostik dəqiqliyi və ya səbəb-nəticəni sübut etmir.
• Streamlit prototipi tənzimlənən tibbi cihaz və ya təsdiqlənmiş klinik diaqnostik sistem deyil.
• Görüntü analizinin fiziki müayinə, qan dövranı və ya neyropatiya qiymətləndirməsini əvəz edə biləcəyi sübut edilməmişdir.

Mənbədaxili hesabat və şərh qeydləri

Mənbə cəmi 946 pasiyenti “428 Low Risk, 383 Medium Risk və 135 Low Risk” kimi bildirir. Üçüncü “Low Risk” ifadəsi kontekst baxımından mümkün yazı xətası təsiri bağışlayır; lakin mənbə düzəldilmədiyi üçün Verianla mətni bunu təsdiqlənmiş “135 High Risk” məlumatı kimi istifadə etmir.

Məqalənin xülasəsi ResNet50-nin ümumilikdə daha üstün nəticə verdiyini bildirir. Buna qarşılıq Cədvəl 3-də VGG16-nın görüntü və pasiyent səviyyəsində ümumi accuracy dəyərləri ResNet50-dən daha yüksəkdir. ResNet50-nin aydın üstünlüyü xüsusilə High Risk recall və F1 dəyərlərindədir. Buna görə “ResNet50 üstündür” nəticəsi metrikdən asılı olmayan ümumi üstünlük kimi deyil, müəlliflərin High Risk aşkarlanmasını prioritetləşdirən model seçimi kontekstində şərh edilməlidir.

Mənbə və Metod Qeydi

Orijinal başlıq: Monitoring Diabetic Foot Using Images and Generative AI

Müəlliflər: Afonso Nobre; João Silva Sequeira.

Corresponding author: João Silva Sequeira.

Qurum: Institute for Systems and Robotics, Instituto Superior Técnico, 1049-001 Lisbon, Portugal.

Jurnal: Diabetology.

Nəşriyyat: MDPI.

Nəşr məlumatı: Diabetology 2026, 7(5), 95.

DOI: 10.3390/diabetology7050095

Təqdim: 2 Mart 2026.

Reviziya: 8 May 2026.

Qəbul: 8 May 2026.

Nəşr: 12 May 2026.

Mənbə növü: Klinik görüntü məlumat dəstində generativ süni intellekt dəstəkli məlumat etiketləmə, transfer öyrənməsi və maşın öyrənməsi modelinin hazırlanması/qiymətləndirilməsi tədqiqatı.

Modellər: GPT-4o-mini; ResNet50; VGG16; Grad-CAM.

Tətbiq: Python 3.13 ilə hazırlanmış Streamlit prototipi.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqat Portuqaliya Fundação para a Ciência e Tecnologia tərəfindən DFAA-2023.12465.PEX layihəsi çərçivəsində maliyyələşdirilmişdir.

Etik/institusional açıqlama: Müəlliflər diabetik ayaq görüntülərinin Portuqaliya Milli Diabet Proqramı çərçivəsində, Unidade Local de Saúde de Loures-Odivelas-da səhiyyə mütəxəssisləri tərəfindən rutin vəzifələr daxilində əldə edildiyini; buna görə ayrıca etik komitə təsdiqi və fərdi məlumatlandırılmış razılığın tələb olunmadığını bildirirlər.

Anonimləşdirmə: Mənbə görüntü məlumatlarının əldə olunma zamanı anonimləşdirildiyini bildirir.

Məlumat əlçatanlığı: Məlumat dəstinin əsaslı sorğu əsasında corresponding author vasitəsilə əldə edilə biləcəyi bildirilmişdir.

Maraqların toqquşması: Müəlliflər maraqların toqquşması olmadığını bildirmiş; maliyyələşdirənin tədqiqat dizaynı, məlumat toplama/analiz/şərh, mətnin yazılması və ya nəşr qərarında rolu olmadığı qeyd edilmişdir.

Müəllif töhfələri: Konseptuallaşdırma A.N. və J.S.S.; proqram təminatı, tədqiqat və ilkin mətn hazırlığı A.N.; məlumat kurasiyası, nəzərdən keçirmə/redaktə, superviziya, layihə idarəetməsi və maliyyələşdirmənin əldə olunması J.S.S. tərəfindən həyata keçirilmişdir.

Əsas metodoloji məhdudiyyət: Test performansı böyük ölçüdə GPT tərəfindən yaradılmış etiketlərin yenidən təsnifatı üzərindən ölçülmüşdür. 87 pasiyentlik mütəxəssis müqayisəsi GPT etiketlərinin tam klinik gold standard olmadığını göstərir. Uzunmüddətli real klinik nəticə doğrulaması və geniş müstəqil xarici doğrulama mənbədə bildirilməmişdir.

Tətbiq statusu: Streamlit tətbiqi tədqiqat-inkişaf prototipidir və mənbədə hər hansı tənzimləyici və ya sertifikasiya qurumuna təqdim edilmədiyi açıq şəkildə qeyd olunur.

Vizual mənbə qeydi: PDF-in 5. səhifəsindəki Şəkil 1 metod pipeline-ını; Şəkil 2 eyni ayağın dörd görüntüləmə bucağını; 8. səhifədəki Şəkil 3 Low/Medium/High Risk nümunələrini; 9. səhifədəki Şəkil 4 GPT və mütəxəssis etiketlərini; 12. səhifədəki Şəkil 5-6 Streamlit interfeysini və Grad-CAM çıxışını göstərir. Verianla üçün pasiyent görüntülərini piksel-piksel yenidən yayımlamaq əvəzinə proses, model arxitekturası və performans əlaqələrinin orijinal sxemlərlə yenidən çəkilməsi uyğundur.

Sağlamlıq məlumatı sərhədi: Bu məzmun nəşr olunmuş tədqiqatın elmi izahıdır. Ayaq fotosuna baxaraq fərdi diabetik ayaq diaqnozu və ya risk qərarı vermək üçün istifadə edilməməlidir.