Бул изилдөөдөгү диабеттик бут коркунучун баалоо системасы — буттун көп бурчтуу сүрөттөрүн генеративдүү жасалма интеллект менен белгилеп, ошол белгилер аркылуу алдын ала үйрөтүлгөн конволюциялык нейрон тармактарын (convolutional neural network, CNN) майда жөндөп, сүрөт деңгээлиндеги божомолдорду бейтап деңгээлинде бириктирген машиналык үйрөнүү ыкмасы. GPT-4o-mini ар бир сүрөткө Low Risk, Medium Risk же High Risk белгисин берген; ушул белгилер менен ResNet50 жана VGG16 моделдери үйрөтүлүп, текшерилген. Акыркы маалымат топтомунда 3255 сүрөт бар. Эки моделдин жалпы көрсөткүчтөрү бири-бирине жакын болгону менен, ResNet50 High Risk классын аныктоодо жогорураак recall жана F1 маанилерин бергендиктен, прототиптик Streamlit колдонмосунда пайдалануу үчүн тандалган. Бирок изилдөө келечекте чындап жара пайда болобу же жокпу деген суроону узак мөөнөттүү клиникалык натыйжалар менен ырастаган эмес; моделди үйрөтүү жана тесттик белгилер негизинен GPT тарабынан түзүлгөн. Ошондуктан жыйынтыктар клиникалык келечекти түздөн-түз божомолдоонун ырастоосу катары эмес, GenAI колдогон белгилөө жана CNN негизиндеги коркунуч классификациясы pipeline'ынын техникалык ишке ашуусунун мүмкүнчүлүгү катары түшүндүрүлүшү керек.

GPT түзгөн белгилер медициналык адистер менен салыштырылган 87 бейтаптан турган кошумча топто %80,5 дал келүү болгон; 70 бейтапта белгилер дал келген, 17 бейтапта айырма чыккан. Изилдөөчүлөр GPT өзгөчө Low жана Medium Risk ортосундагы майда визуалдык айырмачылыктарда жаңылышы мүмкүн экенин жана генеративдүү жасалма интеллект түзгөн белгилер адистин белгилөөсүнүн ордун баспашы керектигин ачык белгилешет.

Тесттик топтомдо ResNet50 үчүн сүрөт деңгээлиндеги тактык %75,05, бейтап деңгээлиндеги тактык %72,54; VGG16 үчүн тиешелүүлүгүнө жараша %75,48 жана %75,35 деп билдирилген. Ал эми High Risk классында ResNet50нин recall мааниси сүрөт деңгээлинде %80,95 жана бейтап деңгээлинде %85,00; VGG16 үчүн тиешелүү маанилер %71,43 жана %75,00 болгон. Эки моделде тең High Risk precision %100 деп көрсөтүлгөн. Бул жыйынтыктар ResNet50 өзгөчө жогорку коркунучтагы учурларды өткөрүп жибербөө жагынан артыкчылыктуу болушу мүмкүн экенин көрсөтүп, колдонмо үчүн тандоого таасир эткен.

Диабеттик бутту сүрөт аркылуу көзөмөлдөөдө кандай маселе чечилүүгө аракет кылынууда?

Диабеттик бутту баалоо классикалык клиникалык практикада бир гана визуалдык кароого таянбайт; тийүү, температура, вибрация сезими, кан айлануу жана бут артериясынын пульсу сыяктуу башка клиникалык баалоолор да колдонулат. Ошентсе да буттун көрүнүшү жара, түс өзгөрүшү, кургактык, шишик, мүйүздөнүү жана деформация сыяктуу көптөгөн клиникалык белгилер жөнүндө маалымат бере алат.

Булак изилдөөнүн максаты — ушул визуалдык маалыматты колдонуп, диабеттик буттун убакыттын өтүшү менен оор абалга өтүү коркунучун Low Risk, Medium Risk жана High Risk болуп үч класста баалаган автоматтык система иштеп чыгуу. Системага бейтап билдирген симптомдор же анамнез маалыматтары киргизилген эмес; модель сүрөттөрдөн алынган визуалдык өзгөчөлүктөр менен гана иштеген.

Изилдөөчүлөр келтирген себептердин бири — адистин баалоосуна жетүү өзгөчө алыскы же саламаттык сактоо ресурстары чектелген аймактарда кыйын болушу мүмкүн. Экинчи себеп — визуалдык баалоо адистин тажрыйбасына жараша өзгөрүшү мүмкүн. Автоматтык сүрөт талдоосу адамдык баалоонун ордун басуудан көрө, кайра-кайра колдонууга боло турган жардамчы катмарды камсыз кылуу мүмкүнчүлүгү катары изилденген.

Генеративдүү Жасалма Интеллект Бул Изилдөөдө Эмне Кылды?

Генеративдүү жасалма интеллект бул изилдөөдө акыркы CNN классификатору катары эмес, үйрөтүүчү маалымат топтомун белгилөөчү курал катары колдонулган: GPT-4o-mini бут сүрөттөрүндөгү көрүнгөн клиникалык белгилерди баалап, ар бир сүрөткө Low Risk, Medium Risk же High Risk белгисин берген жана ResNet50 менен VGG16 ушул GPT түзгөн белгилерди колдонуу менен үйрөтүлгөн.

Белгилөө чынжыры

Булактын 5-бетиндеги 1-сүрөт ыкманы төмөнкү чынжыр менен көрсөтөт:

1. Диабеттик буттун клиникалык сүрөттөрүн чогултуу.
2. Сүрөттү OpenAI API аркылуу генеративдүү жасалма интеллекттин белгилөө pipeline'ына өткөрүү.
3. Ар бир сүрөт үчүн Low Risk, Medium Risk же High Risk белгисин түзүү.
4. Сүрөттөрдү коркунуч класстары боюнча кайра иреттөө.
5. ResNet50 жана VGG16 моделдерин үйрөтүү.
6. Валидация жана тест жүргүзүү.
7. Ар бир сүрөт үчүн коркунуч божомолун түзүү.
8. Бир бейтапка тиешелүү сүрөттөрдү бир бейтаптык белги астында бириктирүү.
9. Натыйжаны Streamlit колдонмосунда көрсөтүү.

Эмне үчүн бир сүрөттүн ордуна төрт башка бурч колдонулган?

Клиникалык маалымат топтомунда бир эле буттун таман, үстү, оң капталы жана сол капталы көрүнүштөрү колдонулган. Мунун себеби — жара, түс өзгөрүшү же шишик сыяктуу коркунуч белгиси белгилүү бир бурчтан гана көрүнүп, башка бурчтагы ткань кадимкидей көрүнүшү мүмкүн.

Булактын 5-бетиндеги 2-сүрөт ушул төрт көрүнүштү чыныгы клиникалык сүрөттөр менен көрсөтөт. Көп бурчтуу ыкма бир сүрөткө гана таянган чечимде көрүнбөй калган аймактардан улам маалымат жоготууну азайтууга багытталган.

GPT prompt'у кайсы визуалдык белгилерди караган?

Булактын А тиркемесиндеги түзүмдөлгөн prompt коркунуч белгисин берүү эркин формадагы сүрөт түшүндүрмөсүнө калтырылбаганын көрсөтөт. Prompt сүрөттүн сапаты жана камтуусу менен бирге төмөнкү көрүнгөн белгилерди баалоону талап кылган:

• мүйүздөнүү жана гиперкератоз,
• кургактык, жарака жана кабырчыктануу,
• эритема жана жергиликтүү кызаруу,
• мацерация,
• преульцеративдүү жабыркоолор жана түс өзгөрүштөрү,
• буттун түзүмдүк деформациялары,
• шишик,
• кан тамыр көрүнүшүн көрсөтүшү мүмкүн болгон тери өзгөрүштөрү,
• жара, инфекция же некроз,
• мурунку ампутацияга байланыштуу көрүнгөн белгилер.

Prompt'тагы коркунуч көрсөтмөсүндө дени сак жана бүтүндүгү сакталган тери Low Risk; жеңил кургактык, түс өзгөрүшү же үстүртөн жабыркоолор Medium Risk; ачык жара, инфекция, некроз, ачык шишик, олуттуу деформация же ампутация белгилери High Risk катары бааланган.

Бул белгилер изилдөө үчүн түзүлгөн операциялык сүрөт класстары. Бейтаптын чыныгы клиникалык прогнозу ушул сүрөт класстары менен гана аныкталат деп кабыл алынбашы керек.

Бейтап Деңгээлиндеги Коркунуч Белгиси Кантип Түзүлгөн?

Бейтап деңгээлиндеги коркунуч белгиси бир бейтапка тиешелүү бир нече сүрөт божомолун алдын ала аныкталган worst-case эрежеси менен бириктирүү аркылуу түзүлгөн: сүрөттөрдүн жок дегенде бири High Risk болсо бейтап High Risk, болбосо Medium сүрөттөр Low сүрөттөрдөн көп же тең болсо Medium Risk, башка учурларда Low Risk деп классификацияланган.

Агрегация эрежеси

• High Risk: Бейтаптын жок дегенде бир сүрөтү High Risk болсо, бүт бейтап High Risk деп кабыл алынган.
• Medium Risk: High Risk сүрөт жок болсо жана Medium Risk сүрөттөрүнүн саны Low Risk санынан көп же ага тең болсо, бейтап Medium Risk деп белгиленген.
• Low Risk: High Risk сүрөт жок болсо жана Low Risk сүрөттөр Medium Risk сүрөттөрүнөн көп болсо, бейтап Low Risk деп белгиленген.

Бул түзүлүш High Risk белгиси бир гана бурчтан көрүнгөндө башка кадимки көрүнүштөр аны «суюлтуп» жибербеши үчүн иштелген. Бирок бир гана жаңылыш High Risk классификациясы бүт бейтаптын белгисин High Risk деңгээлине көтөрүп коюшу мүмкүн. Ошондуктан сүрөт деңгээлиндеги ката профили бейтап деңгээлиндеги чечим механизми үчүн маанилүү.

GPT Белгилери Адистин Белгилерин Алмаштырдыбы?

Жок. GPT белгилери адистер белгилеген 87 бейтаптык кошумча топто %80,5 дал келсе да, 17 бейтапта айырма болгон жана изилдөөчүлөр генеративдүү жасалма интеллект белгилери адам адистеринин белгилөөсүнүн ордун баспашы керектигин ачык белгилешкен.

Адистер менен салыштыруунун жыйынтыгы

Адистер менен салыштырууга мүмкүн болгон 87 бейтаптын 70инде GPT белгиси адистин белгисине дал келген. Жалпы 17 айырманын:

• 9у Low→Medium же Medium→High сыяктуу коңшу класстар арасындагы орточо деңгээлдеги айырмалар,
• 8и Low жана High класстарынын ортосунда да чыгышы мүмкүн болгон олуттуу айырмалар

деп классификацияланган.

PDFтин 9-бетиндеги 4-сүрөт дагы GPT адистердин белгилерине салыштырмалуу көбүрөөк Medium жана High Risk классификациясын бергенин көрсөтөт. Адистердин бөлүштүрүлүшү көбүрөөк Low Risk багытында. Бул айырма GPT белгилери сан жагынан эле эмес, класс бөлүштүрүүсү боюнча да адистик эталондон системалуу айырмаланышы мүмкүн экенин көрсөтөт.

Low Risk жана Medium Risk эмне үчүн көбүрөөк чаташат?

Булак Low Risk жана Medium Risk сүрөттөрүндөгү белгилер бири-бирине окшош болушу мүмкүн экенин баса белгилейт. Жеңил кургактык сыяктуу көрүнүш бир учурда Low, башка учурда Medium деп бааланышы мүмкүн. Класстардын чек аралары так болбогондуктан, GPT белгилөөсүндө да, CNN классификациясында да бул эки классты ажыратуу High Riskке караганда кыйыныраак.

High Risk классында ачык жара, некроз, көрүнүктүү инфекция же чоң деформация сыяктуу ачык визуалдык белгилердин болушу моделдердин бул класста күчтүүрөөк иштешине көмөктөшүшү мүмкүн.

Grad-CAM кандай максатта колдонулган?

Gradient-weighted Class Activation Mapping (Grad-CAM) — CNN сүрөттү классификациялоодо кайсы сүрөт аймактары божомолго көбүрөөк салым кошконун визуалдык жылуулук картасы менен көрсөткөн түшүндүрмөлүүлүк ыкмасы.

Streamlit прототибинде оригинал бут сүрөтүнүн жанында Grad-CAM жылуулук картасы көрсөтүлөт. Ошентип колдонуучу модель, мисалы, жара же кургак тери сыяктуу клиникалык маанилүү аймаккабы же тиешеси жок сүрөт бөлүгүнөбү көңүл бурганын текшере алат.

Grad-CAM бир аймакты бөлүп көрсөтүшү ал аймак оорунун себепчиси экенин далилдебейт. Grad-CAM модель чечимине салым кошкон сүрөт аймактарын чечмелөөгө гана жардам берет.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат Топтому Кантип Даярдалды?

Изилдөөнүн маалымат топтому Португалиянын саламаттык сактоо системасындагы жергиликтүү саламаттык бөлүмүндө DFAA долбоору үчүн чогултулган көп бурчтуу диабеттик бут сүрөттөрүнөн түзүлгөн; класс теңсиздигин азайтуу үчүн ачык Kaggle сүрөттөрү да кошулуп, акыркы маалымат топтому 1807 Low Risk, 1294 Medium Risk жана 154 High Risk болуп жалпы 3255 сүрөттү камтыган.

Клиникалык сүрөттөрдүн булагы

Клиникалык сүрөттөр DFAA — Diabetic Foot Automated Assessment долбоору үчүн түзүлгөн камера системасы менен Португалия саламаттык сактоо системасындагы ULS ооруканасында алынган. Оригинал маалыматтар бейтап боюнча папкаларга бөлүнүп, бир эле буттун ар башка бурчтардан тартылган сүрөттөрүн камтыган.

Kaggle сүрөттөрүнүн кошулушу

Оригинал маалымат топтомунда High Risk классы кыйла аз көрсөтүлгөн. Булак жогорку коркунучтагы олуттуу мисалдардын санын көбөйтүү үчүн ачык Kaggle сүрөттөрүн маалымат топтомуна кошкон.

Булак тышкы сүрөттөр клиникалык сүрөттөрдөн чечилиш, жарыктандыруу, колдонулган камера жана бейтап демографиясы боюнча айырмаланышы мүмкүн экенин ачык белгилейт. Бул модель үйрөнгөн сүрөт бөлүштүрүүсүнө domain айырмасын кошушу мүмкүн.

Бейтапка негизделген үйрөтүү/валидация/тест бөлүштүрүү

Бир бейтапка тиешелүү сүрөттөр үйрөтүү жана тест топторуна тарап кетсе маалымат агып кетиши мүмкүн болгондуктан, бөлүштүрүү бейтаптын идентификатору деңгээлинде жүргүзүлгөн. Бейтаптар:

• %70 үйрөтүү,
• %15 валидация,
• %15 тест

болуп бөлүнгөн; бир бейтапка тиешелүү бардык сүрөттөр бир эле бөлүмдө сакталган.

Бул сүрөткө негизделген изилдөөлөр үчүн маанилүү методологиялык күчтүү жагы. Бир эле буттун ар башка бурчтардан тартылган өтө окшош сүрөттөрү үйрөтүү жана тест топторуна бирдей түшүп калса, модель көрсөткүчү жасалма түрдө жогору көрүнүшү мүмкүн эле.

Булактагы бейтап саны боюнча отчет маселеси

Булак жалпы 946 бейтап бар экенин билдирет, бирок бөлүштүрүүнү “428 Low Risk, 383 Medium Risk жана 135 Low Risk” деп жазган. Үчүнчү категория контекст жана жалпы сан боюнча High Riskти билдириши мүмкүн; бирок булак текстинде “Low Risk” деп жазылгандыктан, бул Verianla макаласында 135 саны оңдолгон High Risk бейтап саны катары илимий маалымат түрүндө берилбейт.

ResNet50 жана VGG16 кантип ылайыкташтырылган?

ResNet50 жана VGG16 — ImageNet салмактары менен алдын ала үйрөтүлгөн эки CNN архитектурасы. Изилдөөдө ар бир модель include_top=false түрүндө жүктөлгөн; башкача айтканда ImageNetтин оригинал классификатор катмарлары алынып, алдын ала үйрөнүлгөн конволюциялык өзгөчөлүк чыгаруучу backbone гана сакталган.

Backbone үстүнө изилдөөгө тиешелүү жаңы классификатор башы кошулган:

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

Dense катмарлары менен бирге batch normalization жана dropout колдонулган.

Эки баскычтуу үйрөтүү

Үйрөтүү эки баскычта жүргүзүлгөн:

1. Head Training: Backbone тоңдурулуп, жаңы классификатор башы гана 8 epoch бою үйрөтүлгөн.
2. Fine-Tuning: Backbone'дун жогорку %50 бөлүгү ачылып, төмөнүрөөк үйрөнүү ылдамдыгы менен 15 epoch бою майда жөндөө жүргүзүлгөн.

Бул түзүлүш ImageNetтен үйрөнүлгөн жалпы сүрөт өзгөчөлүктөрүн толук жоготпой, моделди диабеттик бут сүрөттөрүнө ылайыкташтырууну максат кылган.

Салмакталган Жоготуу жана Ашыкча Үлгүлөө Эмне Үчүн Колдонулган?

Салмакталган жоготуу жана High Risk ашыкча үлгүлөө маалымат топтомундагы олуттуу класс теңсиздигинин моделди көпчүлүк класстарга оодарып кетишин азайтуу жана аз сандагы High Risk мисалдарынын үйрөтүүдө көбүрөөк таасирдүү болушун камсыз кылуу үчүн колдонулган.

Жоготуу функциясы

Изилдөөдө sparse categorical cross-entropy колдонулуп, класс салмагы менен өзгөртүлгөн:

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

Бул жерде \(y_i\) i-үлгүнүн чыныгы үйрөтүү белгисин; \(p_{i,y_i}\) моделдин ушул класска берген ыктымалдыгын; \(w_{y_i}\) тиешелүү класстын салмагын билдирет. Класс салмагы чоңойгон сайын ошол класстагы катанын жоготуу функциясына кошкон салымы да өсөт.

Булактагы эмпирикалык баштапкы салмактар:

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

деп белгиленип, кийин нормалдаштырылган.

High Risk oversampling

High Risk үлгүлөрү үйрөтүү топтомунда гана 10 эсе oversampling менен көбөйтүлгөн. Oversampling валидация жана тест топторуна колдонулбаганы жасалма көбөйтүүнүн тест көрсөткүчүн ашыкча жогорулатып жибербеши үчүн маанилүү.

Маалымат көбөйтүү

Булакта сүрөт көбөйтүү операцияларына горизонталдык оодаруу, ротация, zoom, контраст, жарыктык жана кичине жылдыруулар кирет. 2-таблицада консервативдүү augmentasiya үчүн ротация болжол менен ±4,6°, zoom аралыгы [0,85–1,15]; High Risk үчүн агрессивдүүрөөк augmentasiyaда ротация болжол менен ±8,6° жана күчөтүлгөн контраст/жарыктык өзгөрүүлөрү көрсөтүлгөн.

Үйрөтүү гиперпараметрлери

Тест жыйынтыктары

ResNet50 Эмне Үчүн Streamlit Колдонмосуна Тандалды?

ResNet50 жалпы тактыкта ар бир өлчөмдө VGG16дан жогору болбосо да, High Risk классында жогорураак recall жана F1 көрсөткөндүктөн Streamlit колдонмосунда пайдаланылган; изилдөөчүлөр модель тандоодо клиникалык жактан маанилүүрөөк жогорку коркунучтагы сүрөттөрдү аныктоону артыкчылыктуу кылышкан.

Бул айырма маанилүү. Бейтап деңгээлиндеги жалпы тактык VGG16 үчүн %75,35 болсо, ResNet50 үчүн %72,54. Бирок бейтап деңгээлиндеги High Risk recall ResNet50дө %85,00, VGG16да %75,00; High Risk F1 тиешелүүлүгүнө жараша %91,89 жана %85,71.

Ошондуктан “ResNet50 эң жакшы модель” деген сөз бардык метрикаларда артык дегенди билдирбеши керек. Булакта модель тандоонун негизги себеби өзгөчө High Riskти аныктоо көрсөткүчү.

Precision, recall жана F1 жыйынтыктарын кантип окуу керек?

Precision модель бир класс үчүн берген оң божомолдордун канчасы чынында ошол белгиге туура келерин; recall ошол класстагы үлгүлөрдүн канчасы табылганын; F1 болсо precision жана recall ортосундагы тең салмакты жыйынтыктайт.

High Risk классында бардык моделдер үчүн %100 precision көрсөтүлүшү тест топтомунда High Risk деп классификацияланган үлгүлөр GPT аныктаган эталон High Risk классы менен күчтүү дал келгенин көрсөтөт. Бирок эталон белгилердин өзү GPT тарабынан түзүлгөндүктөн, бул маани түздөн-түз медициналык адистин тактыгы же чыныгы клиникалык прогноз тактыгы эмес.

Streamlit прототиби эмне кылат?

Прототип колдонмо Python 3.13 жана Streamlit менен иштелип чыккан. Колдонуучу диабеттик буттун сүрөттөрүн жүктөгөндө система:

• ар бир сүрөт үчүн коркунуч белгисин,
• үч коркунуч классынын ишеним упайларын,
• бейтап деңгээлинде бириктирилген коркунуч классын,
• Grad-CAM жылуулук картасын

чыгарат.

Булактын 12-бетиндеги 5-сүрөт колдонмонун негизги экранын, 6-сүрөт болсо бир бейтап үчүн коркунуч натыйжасын жана модель көңүл бурган сүрөт аймактарын көрсөткөн Grad-CAM визуалын берет.

Бул Система Клиникалык Жактан Тастыкталган Диагностикалык Куралбы?

Жок. Streamlit колдонмосу булакта ачык түрдө изилдөө-өнүктүрүү баскычындагы прототип катары аныкталып, эч кандай жөнгө салуучу же сертификаттоо органына берилбегени айтылган; мындан тышкары CNN көрсөткүчү узак мөөнөттүү клиникалык натыйжаларга же көз карандысыз адистер белгилеген чоң тышкы валидация топтомуна каршы текшерилген эмес.

Эң маанилүү валидация чектөөсү

Изилдөөнүн CNN үйрөтүүдө жана негизги тест баалоосунда колдонгон белгилери GPT тарабынан түзүлгөн. Медициналык адистер GPT белгилерин баалоо үчүн 87 бейтаптан турган өзүнчө кошумча топто колдонулган; CNN моделдеринин негизги көрсөткүч таблицасы түздөн-түз ушул адистик белгилер боюнча берилген эмес.

Ошондуктан модель тестинин тактыгы эки катмарлуу түшүндүрүлүшү керек:

1. Модель GPT түзгөн класстарды канчалык жакшы кайра үйрөнөт?
2. GPT түзгөн класстар клиникалык адистин пикири жана келечектеги чыныгы бейтап натыйжалары менен канчалык дал келет?

Изилдөө биринчи суроого кеңири CNN метрикалары менен, экинчи суроонун бир бөлүгүнө гана 87 бейтаптык GPT-адис салыштыруусу менен жооп берет. Келечекте чыныгы жаранын пайда болушу, инфекция, айыгуу же ампутация сыяктуу натыйжалар боюнча проспективдүү валидация булакта билдирилген эмес.

Grad-CAM клиникалык валидациянын ордун баспайт

Grad-CAM моделдин буттун клиникалык маанилүү аймагына көңүл бурганын көрсөтүшү божомол клиникалык жактан туура дегенди билдирбейт. Түшүндүрмөлүүлүк модель чечимин текшерүүнү жеңилдетет, бирок көз карандысыз клиникалык жарактуулук далилинин ордун баспайт.

Изилдөөнүн күчтүү жактары

• Бир эле буттун бир нече бурчтагы сүрөттөрү колдонулган.
• Маалымат бейтап деңгээлинде бөлүнүп, бир бейтаптын сүрөттөрүнүн ар башка splitтерге өтүп кетүүсү алдын алынган.
• ResNet50 жана VGG16 бирдей жалпы үйрөтүү шарттарында салыштырылган.
• Класс теңсиздиги ачык таанылып, oversampling үйрөтүү топтомунда гана колдонулган.
• Үйрөтүү гиперпараметрлери кеңири берилген.
• GPT белгилери толук адистик белги катары кабыл алынбай, 87 бейтапта адистер менен салыштыруу жүргүзүлгөн.
• Модель тандоодо жалпы accuracy гана эмес, клиникалык жактан маанилүү High Risk recall/F1 көрсөткүчү эске алынган.
• Grad-CAM модель чечими кайсы сүрөт аймактарына таянганын текшерүү үчүн колдонулган.
• Изилдөө ыкмасы реалдуу прототиптик Streamlit интерфейси менен башынан аягына чейин көрсөтүлгөн.

Изилдөөнүн негизги чектөөлөрү

Эталон белги маселеси: CNNдердин үйрөтүү жана негизги тест белгилери адистерден эмес, GPTден алынган. Ошондуктан модель көрсөткүчү клиникалык gold-standard көрсөткүч катары окулбайт.

GPT-адис дал келбестиги: 87 бейтапта белгилердин %19,5 бөлүгү дал келген эмес жана алардын сегизи олуттуу класс карама-каршылыгы болгон.

Low/Medium класстагы белгисиздик: Майда визуалдык айырмачылыктар белгилөө жана классификациялоо үчүн кыйыныраак.

Класс теңсиздиги: Оригинал High Risk сүрөттөрүнүн саны болгону 77; тышкы сүрөттөр менен 154кө жеткирилип, үйрөтүүдө ×10 oversampling колдонулган.

Тышкы сүрөттөрдүн domain айырмасы: Kaggle сүрөттөрү чечилиш, жарыктандыруу, камера жана демографиялык түзүлүш боюнча клиникалык маалымат топтомунан айырмаланышы мүмкүн.

Узак мөөнөттүү натыйжа жок: Модель божомолу келечекте чындыгында жара пайда болобу же жокпу деген натыйжага каршы проспективдүү текшерилген эмес.

Прототиптин жөнгө салуучу статусу: Streamlit колдонмосу R&D деңгээлинде жана эч кандай жөнгө салуучу/сертификаттоо органына сунушталган эмес.

Визуалдык маалымат чектөөсү: Булак ыкмасы бут сүрөттөрүн гана колдонот; нейропатия тести, кан айланууну өлчөө, температура, лабораториялык маалымат же бейтап тарыхы модель киргизүүсүнө кирбейт.

Изилдөө колдогон жыйынтыктар

• GPT-4o-mini менен автоматтык бут сүрөттөрүн белгилөө pipeline'ы түзүлгөн.
• GPT жана адистин белгилери 87 бейтаптык кошумча топто %80,5 дал келген.
• ResNet50 жана VGG16 GPT белгилери бар тест топтомунда болжол менен %72-75 аралыгында жалпы бейтап/сүрөт тактыгын көрсөткөн.
• High Risk классы Low жана Medium класстарга караганда күчтүүрөөк F1 көрсөткүчүнө ээ.
• ResNet50 High Risk recall жана F1 боюнча VGG16дан жогорураак маанилерди берген.
• Бейтапка негизделген маалымат бөлүштүрүү жана үйрөтүү топтомунда гана oversampling колдонулган.
• Grad-CAM жана Streamlit менен башынан аягына чейинки изилдөө прототиби иштелип чыккан.

Изилдөө колдобогон жыйынтыктар

• Система келечекте пайда боло турган диабеттик бут жараларын %75 тактык менен божомолдойт деп айтууга болбойт.
• GPT адис дарыгерлердин ордун баса алат деген тыянак чыгарууга болбойт.
• ResNet50 бардык көрсөткүчтөрдө VGG16дан жогору деп айтууга болбойт.
• %100 High Risk precision реалдуу клиникалык чөйрөдө нөл жалган оң жыйынтык дегенди билдирбейт.
• Модель башка ооруканаларда, өлкөлөрдө, камера системаларында же бейтап популяцияларында ошол эле көрсөткүчтү берет деп далилденген эмес.
• Grad-CAM жылуулук картасы клиникалык диагностикалык тактыкты же себептүүлүктү далилдебейт.
• Streamlit прототиби жөнгө салынган медициналык аппарат же бекитилген клиникалык диагностика системасы эмес.
• Сүрөт талдоосу физикалык кароонун, кан айланууну же нейропатияны баалоонун ордун басары далилденген эмес.

Булактагы отчет жана түшүндүрмө эскертүүлөрү

Булак жалпы 946 бейтапты “428 Low Risk, 383 Medium Risk жана 135 Low Risk” деп билдирет. Үчүнчү “Low Risk” сөзү контекст боюнча мүмкүн болгон жазуу катасы сыяктуу көрүнөт; бирок булак оңдолбогондуктан Verianla тексти муну ырасталган “135 High Risk” маалыматы катары колдонбойт.

Макаланын кыскача бөлүгү ResNet50 жалпы алганда жакшыраак натыйжа бергенин айтат. Бирок 3-таблицада VGG16нын сүрөт жана бейтап деңгээлиндеги жалпы accuracy маанилери ResNet50дөн жогору. ResNet50нин ачык артыкчылыгы өзгөчө High Risk recall жана F1 маанилеринде. Ошондуктан “ResNet50 артык” деген тыянак бардык метрикалардан көз карандысыз жалпы артыкчылык катары эмес, авторлор High Risk аныктоону приоритет кылган модель тандоо контекстинде түшүндүрүлүшү керек.

Булак жана Ыкма Жөнүндө Эскертүү

Оригинал аталышы: Monitoring Diabetic Foot Using Images and Generative AI

Авторлор: Afonso Nobre; João Silva Sequeira.

Corresponding author: João Silva Sequeira.

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

Журнал: Diabetology.

Басма: MDPI.

Жарыя маалыматы: Diabetology 2026, 7(5), 95.

DOI: 10.3390/diabetology7050095

Тапшыруу: 2 Март 2026.

Ревизия: 8 Май 2026.

Кабыл алуу: 8 Май 2026.

Жарыя: 12 Май 2026.

Булак түрү: Клиникалык сүрөт маалымат топтомунда генеративдүү жасалма интеллект колдогон маалымат белгилөө, transfer learning жана машиналык үйрөнүү моделин иштеп чыгуу/баалоо изилдөөсү.

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

Колдонмо: Python 3.13 менен иштелген Streamlit прототиби.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө Португалия Fundação para a Ciência e Tecnologia тарабынан DFAA-2023.12465.PEX долбоорунун алкагында каржыланган.

Этикалык/институционалдык түшүндүрмө: Авторлор диабеттик бут сүрөттөрү Португалиянын Улуттук Диабет Программасынын алкагында, Unidade Local de Saúde de Loures-Odivelas мекемесинде саламаттык сактоо адистери тарабынан күнүмдүк милдеттердин ичинде алынганын; ошондуктан өзүнчө этика комитетинин уруксаты жана жеке маалыматтандырылган макулдук талап кылынбаганын билдиришет.

Анонимдештирүү: Булак сүрөт маалыматтары алынуу учурунда анонимдештирилгенин билдирет.

Маалымат жеткиликтүүлүгү: Маалымат топтомун негиздүү суроо боюнча corresponding author аркылуу алууга болору көрсөтүлгөн.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен; каржылоочунун изилдөө дизайны, маалымат чогултуу/талдоо/түшүндүрүү, текст жазуу же жарыялоо чечиминде ролу болбогону белгиленген.

Автордук салымдар: Концептуалдаштыруу A.N. жана J.S.S.; программалык камсыздоо, изилдөө жана биринчи текстти даярдоо A.N.; маалымат курациясы, карап чыгуу/редакциялоо, көзөмөл, долбоорду башкаруу жана каржылоону алуу J.S.S. тарабынан жүргүзүлгөн.

Негизги методологиялык чектөө: Тест көрсөткүчү негизинен GPT түзгөн белгилерди кайра классификациялоо аркылуу өлчөнгөн. 87 бейтаптык адистик салыштыруу GPT белгилери толук клиникалык gold standard эмес экенин көрсөтөт. Узак мөөнөттүү чыныгы клиникалык натыйжа валидациясы жана чоң көз карандысыз тышкы валидация булакта билдирилген эмес.

Колдонмо статусу: Streamlit колдонмосу изилдөө-өнүктүрүү прототиби жана булакта эч кандай жөнгө салуучу же сертификаттоо органына берилбегени ачык айтылган.

Визуалдык булак эскертүүсү: PDFтин 5-бетиндеги 1-сүрөт метод pipeline'ын; 2-сүрөт бир эле буттун төрт сүрөткө тартуу бурчун; 8-бетиндеги 3-сүрөт Low/Medium/High Risk мисалдарын; 9-бетиндеги 4-сүрөт GPT жана адис белгилерин; 12-бетиндеги 5-6-сүрөттөр Streamlit интерфейсин жана Grad-CAM чыгышын көрсөтөт. Verianla үчүн бейтап сүрөттөрүн түз көчүрүп жарыялоонун ордуна процесс, модель архитектурасы жана көрсөткүч байланыштарын өз алдынча схемалар менен кайра чийүү ылайыктуу.

Саламаттык маалымат чеги: Бул мазмун жарыяланган изилдөөнүн илимий түшүндүрмөсү. Бут сүрөтүнө карап жеке диабеттик бут диагнозун же коркунуч чечимин чыгаруу үчүн колдонулбашы керек.