Системаи арзёбии хатари пои диабетӣ дар ин таҳқиқот як равиши омӯзиши мошинӣ мебошад, ки тасвирҳои пойро аз чанд кунҷ бо зеҳни сунъии тавлидкунанда барчаспгузорӣ мекунад, шабакаҳои нейронии конволютсионии қаблан омӯзонидашударо (convolutional neural network, CNN) бо ин барчаспҳо fine-tuning мекунад ва пешгӯиҳои сатҳи тасвирро дар сатҳи бемор муттаҳид месозад. GPT-4o-mini ба ҳар тасвир барчаспи Low Risk, Medium Risk ё High Risk додааст; моделҳои ResNet50 ва VGG16 бо ҳамин барчаспҳо омӯзонида ва санҷида шудаанд. Маҷмӯи ниҳоии додаҳо 3255 тасвирро дар бар мегирад. Гарчанде кори умумии ду модел ба ҳам наздик буд, ResNet50 барои муайян кардани синфи High Risk recall ва F1 баландтар нишон дод ва барои истифода дар прототипи Streamlit интихоб шуд. Бо вуҷуди ин, таҳқиқот бо натиҷаҳои дарозмуддати клиникӣ тасдиқ накардааст, ки дар оянда воқеан захм пайдо мешавад ё не; барчаспҳои омӯзишӣ ва санҷишӣ асосан аз ҷониби GPT тавлид шудаанд. Аз ин рӯ, натиҷаҳо бояд на ҳамчун тасдиқи мустақими пешгӯии ояндаи клиникӣ, балки ҳамчун имконпазирии техникии pipeline-и таснифи хатари CNN бо барчаспгузории дастгиришудаи GenAI тафсир шаванд.

Дар зергуруҳи 87 бемор, ки барчаспҳои GPT бо мутахассисони тиббӣ муқоиса шуданд, мувофиқати %80,5 ба даст омад; барои 70 бемор барчаспҳо мувофиқ буданд ва дар 17 бемор номувофиқатӣ дида шуд. Муҳаққиқон ошкоро мегӯянд, ки GPT махсусан дар фарқиятҳои нозуки визуалӣ байни Low ва Medium Risk метавонад хато кунад ва барчаспҳои зеҳни сунъии тавлидкунанда набояд ҷойгузини барчаспгузории мутахассис шаванд.

Дар маҷмӯи санҷишӣ барои ResNet50 дақиқии сатҳи тасвир %75,05 ва дақиқии сатҳи бемор %72,54; барои VGG16 мутаносибан %75,48 ва %75,35 гузориш шудааст. Дар синфи High Risk бошад, recall-и ResNet50 дар сатҳи тасвир %80,95 ва дар сатҳи бемор %85,00; барои VGG16 ин арзишҳо %71,43 ва %75,00 буданд. Барои ҳар ду модел High Risk precision %100 гузориш шудааст. Ин натиҷаҳо нишон доданд, ки ResNet50 махсусан барои аз даст надодани ҳолатҳои хавфи баланд метавонад бартарӣ дошта бошад ва интихоби модел барои барнома ҳамин асосро дошт.

Дар мониторинги пои диабетӣ бо тасвир кадом масъала ҳал карда мешавад?

Арзёбии пои диабетӣ дар амалияи классикии клиникӣ танҳо ба муоинаи визуалӣ такя намекунад; ламс, ҳарорат, ҳисси ларзиш, гардиши хун ва набзи по низ арзёбӣ мешаванд. Бо вуҷуди ин, намуди зоҳирии пой метавонад дар бораи захм, тағйири ранг, хушкӣ, варам, каллус ва деформатсия маълумот диҳад.

Ҳадафи таҳқиқоти манбаъ истифодаи ҳамин маълумоти визуалӣ барои сохтани системаи автоматӣ мебошад, ки хатари гузариши пои диабетиро ба ҳолати ҷиддитар дар се синф — Low Risk, Medium Risk ва High Risk — арзёбӣ мекунад. Ба система нишонаҳои аз ҷониби бемор гузоришшуда ё маълумоти анамнез ворид нашудааст; модел танҳо бо хусусиятҳои визуалӣ аз тасвирҳо кор кардааст.

Яке аз далелҳои муҳаққиқон ин аст, ки дастрасӣ ба арзёбии мутахассис метавонад махсусан дар минтақаҳои дурдаст ё дорои захираҳои маҳдуди тандурустӣ кам бошад. Далели дигар ин аст, ки арзёбии визуалӣ метавонад вобаста ба таҷрибаи мутахассис фарқ кунад. Таҳлили автоматии тасвир на барои иваз кардани арзёбии инсон, балки ҳамчун қабати ёрирасони такроршаванда омӯхта шудааст.

Зеҳни Сунъии Тавлидкунанда Дар Ин Таҳқиқот Чӣ Кор Кард?

Зеҳни сунъии тавлидкунанда дар ин таҳқиқот ҳамчун классификатори ниҳоии CNN истифода нашуд, балки ҳамчун барчаспгузори маҷмӯи омӯзишӣ хизмат кард: GPT-4o-mini аломатҳои клиникии намоёнро дар тасвирҳои пой арзёбӣ карда, ба ҳар тасвир Low Risk, Medium Risk ё High Risk дод ва ResNet50 ва VGG16 бо ҳамин барчаспҳои GPT омӯзонида шуданд.

Занҷири барчаспгузорӣ

Шакли 1 дар саҳифаи 5-и манбаъ усулро бо ин занҷир нишон медиҳад:

1. Ҷамъоварии тасвирҳои клиникии пои диабетӣ.
2. Интиқоли тасвир тавассути OpenAI API ба pipeline-и барчаспгузории зеҳни сунъии тавлидкунанда.
3. Эҷоди барчаспи Low Risk, Medium Risk ё High Risk барои ҳар тасвир.
4. Аз нав тартиб додани тасвирҳо мувофиқи синфҳои хатар.
5. Омӯзонидани моделҳои ResNet50 ва VGG16.
6. Равандҳои validation ва test.
7. Эҷоди пешгӯии хатар барои ҳар тасвир.
8. Якҷо кардани тасвирҳои як бемор зери як барчаспи сатҳи бемор.
9. Намоиши натиҷа дар барномаи Streamlit.

Чаро ба ҷойи як тасвир чор кунҷи гуногун истифода шуд?

Дар маҷмӯи додаҳои клиникӣ намуди кафи пой, рӯйи пой, тарафи рост ва тарафи чап-и як пой истифода шудааст. Сабаб ин аст, ки нишонаи хатар, ба мисли захм, тағйири ранг ё варам, метавонад танҳо аз як кунҷи муайян дида шавад, дар ҳоле ки бофта аз кунҷи дигар муқаррарӣ намояд.

Шакли 2 дар саҳифаи 5-и манбаъ ин чор намуди тасвирро бо тасвирҳои воқеии клиникӣ нишон медиҳад. Равиши чандкунҷа барои кам кардани талафи иттилоот аз минтақаҳои ноаён дар қарорҳои вобаста ба як акс пешбинӣ шудааст.

Prompt-и GPT кадом аломатҳои визуалиро арзёбӣ мекард?

Prompt-и сохторёфта дар Замимаи A нишон медиҳад, ки барчаспгузории хатар ба тафсири озоди тасвир вогузор нашудааст. Prompt махсусан сифати тасвир ва фарогирӣ, инчунин хусусиятҳои намоёни зеринро арзёбӣ мекунад:

• каллус ва гиперкератоз,
• хушкӣ, тарқиш ва пулакшавӣ,
• эритема ва сурхшавии маҳаллӣ,
• масератсия,
• осебҳои пешаззахмӣ ва тағйири ранг,
• деформатсияҳои сохтории пой,
• варам,
• тағйироти пӯст, ки намуди рагҳоро нишон дода метавонанд,
• захм, сироят ё некроз,
• нишонаҳои намоёни ампутатсияи қаблӣ.

Дар роҳнамои хавфи prompt пӯсти солим ва яклухт Low Risk; хушкӣ, тағйири сабуки ранг ё осеби сатҳӣ Medium Risk; захми кушода, сироят, некроз, варами назаррас, деформатсияи ҷиддӣ ё нишонаҳои ампутатсия High Risk ҳисоб шудаанд.

Ин барчаспҳо синфҳои амалиётии тасвирӣ барои ин таҳқиқот мебошанд. Набояд фарз кард, ки пешомади воқеии клиникии бемор танҳо бо ҳамин синфҳои тасвирӣ муайян мешавад.

Барчаспи Хатари Сатҳи Бемор Чӣ Гуна Ташкил Шуд?

Барчаспи хатари сатҳи бемор бо муттаҳид кардани чанд пешгӯии тасвирии як бемор бо қоидаи пешакӣ муайяншудаи worst-case ташкил шуд: агар ҳадди ақал як тасвир High Risk бошад, бемор High Risk; дар акси ҳол, агар шумораи тасвирҳои Medium аз Low бештар ё баробар бошад, Medium Risk; ва дар дигар ҳолатҳо Low Risk тасниф шуд.

Қоидаи агрегатсия

• High Risk: Агар ҳадди ақал як тасвири бемор High Risk бошад, тамоми бемор High Risk ҳисоб шуд.
• Medium Risk: Агар тасвири High Risk набошад ва шумораи Medium Risk аз Low Risk бештар ё баробар бошад, бемор Medium Risk барчасп гирифт.
• Low Risk: Агар тасвири High Risk набошад ва Low Risk аз Medium Risk бештар бошад, бемор Low Risk барчасп гирифт.

Ин сохтор барои пешгирӣ аз он аст, ки нишонаи High Risk, ки танҳо аз як кунҷ дида мешавад, бо дигар намудҳои муқаррарӣ суст гардад. Аммо як таснифи нодурусти High Risk метавонад тамоми барчаспи беморро ба High Risk боло барад. Аз ин рӯ, профили хатои сатҳи тасвир барои механизми қарори сатҳи бемор муҳим аст.

Оё Барчаспҳои GPT Ҷойи Барчаспҳои Мутахассисро Гирифтанд?

Не. Гарчанде барчаспҳои GPT дар зергуруҳи 87 бемори аз ҷониби мутахассис барчаспшуда %80,5 мувофиқат доштанд, дар 17 бемор фарқият дида шуд ва муҳаққиқон таъкид карданд, ки барчаспҳои зеҳни сунъии тавлидкунанда набояд ҷойгузини барчаспгузории мутахассиси инсон шаванд.

Натиҷаи муқоисаи мутахассисон

Аз 87 беморе, ки бо мутахассисон муқоиса мешуданд, дар 70 нафар барчаспи GPT бо барчаспи мутахассис мувофиқ буд. Аз 17 номувофиқатӣ:

• 9-то байни синфҳои ҳамсоя, ба мисли Low→Medium ё Medium→High,
• 8-то номувофиқати ҷиддӣ, ки ҳатто байни Low ва High рух додаанд

тасниф шуданд.

Шакли 4 дар саҳифаи 9-и PDF инчунин нишон медиҳад, ки GPT нисбат ба мутахассисон Medium ва High Risk бештар додааст. Тақсимоти мутахассисон бештар ба Low Risk майл дорад. Ин фарқ нишон медиҳад, ки барчаспҳои GPT на танҳо аз рӯи шумора, балки аз рӯи тақсимоти синфҳо ҳам метавонанд аз истиноди мутахассис ба таври низомнок фарқ кунанд.

Чаро Low Risk ва Medium Risk бештар омехта мешаванд?

Манбаъ таъкид мекунад, ки нишонаҳои Low Risk ва Medium Risk метавонанд ба ҳам монанд бошанд. Намуди хушкшавии сабук метавонад дар як ҳолат Low ва дар ҳолати дигар Medium арзёбӣ шавад. Азбаски сарҳадҳои синфҳо қатъӣ нестанд, ҷудо кардани ин ду синф ҳам дар барчаспгузории GPT ва ҳам дар таснифи CNN нисбат ба High Risk душвортар аст.

Дар синфи High Risk нишонаҳои намоёнтар, ба мисли захми кушода, некроз, сирояти возеҳ ё деформатсияи калон, метавонанд сабаби кори беҳтари моделҳо дар ин синф бошанд.

Grad-CAM бо кадом мақсад истифода шуд?

Gradient-weighted Class Activation Mapping (Grad-CAM) усули тафсиршавандагӣ мебошад, ки нишон медиҳад CNN ҳангоми таснифи тасвир ба кадом минтақаҳои тасвир бештар такя кардааст.

Дар прототипи Streamlit дар паҳлуи тасвири аслии пой харитаи гармии Grad-CAM нишон дода мешавад. Ҳамин тавр, корбар метавонад бинад, ки модел ба минтақаи аз ҷиҳати клиникӣ муҳим, мисли захм ё пӯсти хушк, диққат кардааст ё ба қисми номарбути тасвир.

Таъкид шудани минтақа дар Grad-CAM исбот намекунад, ки он минтақа сабаби беморӣ аст. Grad-CAM танҳо ба тафсири минтақаҳое кумак мекунад, ки ба қарори модел саҳм гузоштаанд.

Усул ва Натиҷаҳои Таҳқиқот

Маҷмӯи Додаҳо Чӣ Гуна Омода Шуд?

Маҷмӯи додаҳои таҳқиқот аз тасвирҳои чандкунҷаи пои диабетӣ, ки барои лоиҳаи DFAA дар як воҳиди маҳаллии тандурустии Португалия ҷамъоварӣ шуда буданд, сохта шуд; барои кам кардани номувозунии синфҳо тасвирҳои оммавии Kaggle низ илова шуданд ва маҷмӯи ниҳоӣ 1807 Low Risk, 1294 Medium Risk ва 154 High Risk, дар маҷмӯъ 3255 тасвир дошт.

Манбаи тасвирҳои клиникӣ

Тасвирҳои клиникӣ бо системаи камераи лоиҳаи DFAA — Diabetic Foot Automated Assessment дар беморхонаи ULS-и системаи тандурустии Португалия гирифта шуданд. Додаҳои аслӣ аз рӯи бемор папкабандӣ шуда, тасвирҳои як пой аз кунҷҳои гуногунро дар бар мегирифтанд.

Илова кардани тасвирҳои Kaggle

Дар маҷмӯи аслӣ синфи High Risk хеле кам намояндагӣ мешуд. Манбаъ барои зиёд кардани мисолҳои ҷиддии хавфи баланд тасвирҳои оммавии Kaggle-ро илова кардааст.

Манбаъ ошкоро қайд мекунад, ки тасвирҳои беруна метавонанд аз тасвирҳои клиникӣ аз рӯи ҳалкунандагӣ, рӯшноӣ, камераи истифодашуда ва демографияи беморон фарқ кунанд. Ин метавонад ба тақсимоти тасвирие, ки модел меомӯзад, фарқи domain ворид кунад.

Ҷудокунии омӯзиш/validation/test дар сатҳи бемор

Азбаски паҳн шудани тасвирҳои як бемор ба маҷмӯаҳои омӯзиш ва test метавонад боиси data leakage шавад, ҷудокунии додаҳо дар сатҳи идентификатори бемор анҷом дода шуд. Беморон:

• %70 омӯзиш,
• %15 validation,
• %15 test

ҷудо шуданд; ҳамаи тасвирҳои як бемор дар як қисм нигоҳ дошта шуданд.

Ин қарор як қувваи муҳимми методологӣ барои таҳқиқоти тасвирӣ аст. Агар тасвирҳои хеле монанди як пой аз кунҷҳои гуногун ҳам ба омӯзиш ва ҳам ба test дохил мешуданд, кори модел метавонист сунъӣ баланд намояд.

Масъалаи гузориши шумораи беморон дар манбаъ

Манбаъ мегӯяд, ки ҳамагӣ 946 бемор мавҷуд аст, аммо тақсимотро “428 Low Risk, 383 Medium Risk ва 135 Low Risk” менависад. Категорияи сеюм аз рӯи контекст ва ҷамъбаст метавонад High Risk бошад; аммо чун дар матни манбаъ “Low Risk” навишта шудааст, дар ин мақолаи Verianla арзиши 135 ҳамчун шумораи ислоҳшудаи беморони High Risk пешниҳод намешавад.

ResNet50 ва VGG16 чӣ гуна мутобиқ шуданд?

ResNet50 ва VGG16 ду меъмории CNN мебошанд, ки бо вазнҳои ImageNet пешакӣ омӯзонида шудаанд. Дар таҳқиқот ҳар модель бо include_top=false бор карда шуд; яъне қабатҳои классификатории аслии ImageNet хориҷ ва танҳо backbone-и конволютсионии пешомӯхта нигоҳ дошта шуд.

Ба болои backbone сарлавҳаи нави классификатории махсус барои таҳқиқот илова шуд:

Global Average Pooling → Dense 512 → Dense 256 → Dense 128 → Softmax-и 3-синфа.

Бо қабатҳои Dense ҳамчунин batch normalization ва dropout истифода шуд.

Омӯзиши ду марҳила

Омӯзиш дар ду марҳила анҷом шуд:

1. Head Training: Backbone ях карда шуд ва танҳо сарлавҳаи нави классификатор 8 epoch омӯзонида шуд.
2. Fine-Tuning: %50 қисми болоии backbone кушода шуда, бо learning rate пасттар 15 epoch fine-tuning анҷом шуд.

Ин сохтор барои мутобиқ кардани модел ба тасвирҳои пои диабетӣ бе аз даст додани хусусиятҳои умумии аз ImageNet омӯхташуда пешбинӣ шудааст.

Чаро Loss-и Вазндор ва Oversampling Истифода Шуд?

Loss-и вазндор ва oversampling-и High Risk барои кам кардани таъсири номувозунии шадиди синфҳо ва зиёд кардани саҳми мисолҳои камшумори High Risk дар омӯзиш истифода шуданд.

Функсияи loss

Дар таҳқиқот sparse categorical cross-entropy истифода ва бо вазни синф тағйир дода шуд:

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

Дар ин ҷо \(y_i\) барчаспи воқеии омӯзишии намунаи i-ум; \(p_{i,y_i}\) эҳтимоли аз ҷониби модел ба ин синф додашуда; \(w_{y_i}\) вазни синфи мувофиқро ифода мекунад. Ҳар қадар вазни синф калон бошад, саҳми хатои он синф ба loss бештар мешавад.

Вазнҳои ибтидоии эмпирикӣ:

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

муайян ва баъд нормализатсия шуданд.

High Risk oversampling

Намунаҳои High Risk танҳо дар маҷмӯи омӯзишӣ бо 10 маротиба oversampling зиёд шуданд. Истифода нашудани oversampling дар validation ва test барои пешгирӣ аз зиёд нишон додани кори test муҳим аст.

Афзоиши додаҳо

Манбаъ flipping-и уфуқӣ, rotation, zoom, contrast, brightness ва translation-и хурдро ҳамчун афзоиши тасвир истифода кардааст. Дар Ҷадвали 2 барои augmentasiya-и консервативӣ rotation тақрибан ±4,6°, zoom [0,85–1,15]; барои High Risk augmentasiya-и қавитар rotation тақрибан ±8,6° ва тағйироти пурқуввати contrast/brightness гузориш шудааст.

Гиперпараметрҳои омӯзиш

Натиҷаҳои test

Чаро ResNet50 Барои Барномаи Streamlit Интихоб Шуд?

Гарчанде ResNet50 аз рӯи дақиқии умумӣ дар ҳамаи ченакҳо аз VGG16 беҳтар набуд, барои High Risk recall ва F1 баландтар дошт ва барои Streamlit интихоб шуд; муҳаққиқон муайян кардани тасвирҳои клиникӣ муҳимтари хавфи баландро авлавият доданд.

Ин фарқ муҳим аст. Дақиқии умумии сатҳи бемор барои VGG16 %75,35 ва барои ResNet50 %72,54 буд. Аммо High Risk recall-и сатҳи бемор барои ResNet50 %85,00, барои VGG16 %75,00; High Risk F1 мутаносибан %91,89 ва %85,71 буд.

Пас ибораи “ResNet50 беҳтарин модел аст” набояд ҳамчун бартарӣ дар ҳама метрикаҳо фаҳмида шавад. Дар манбаъ сабаби интихоби модел махсусан кори муайянкунии High Risk аст.

Натиҷаҳои precision, recall ва F1 чӣ гуна хонда мешаванд?

Precision нишон медиҳад, ки чанд қисми пешгӯиҳои мусбати модел барои як синф воқеан ба ҳамон барчасп мувофиқанд; recall нишон медиҳад, ки чанд қисми намунаҳои он синф пайдо шудаанд; F1 мувозинати precision ва recall-ро ҷамъбаст мекунад.

%100 precision барои High Risk дар ҳамаи моделҳо нишон медиҳад, ки намунаҳои High Risk-и пешгӯишуда дар test бо синфи эталонии High Risk, ки GPT муайян кардааст, сахт мувофиқ буданд. Аммо азбаски барчаспҳои эталонӣ худ аз GPT тавлид шудаанд, ин арзиш бевосита дақиқии мутахассиси тиббӣ ё дақиқии пешомади воқеии клиникӣ нест.

Прототипи Streamlit чӣ мекунад?

Барномаи прототипӣ бо Python 3.13 ва Streamlit сохта шудааст. Вақте корбар тасвирҳои пои диабетиро бор мекунад, система:

• барчаспи хатар барои ҳар тасвир,
• холҳои эътимоди се синфи хатар,
• синфи муттаҳидшудаи хатар дар сатҳи бемор,
• харитаи гармии Grad-CAM

тавлид мекунад.

Шакли 5 дар саҳифаи 12-и манбаъ экрани асосии барномаро, Шакли 6 натиҷаи хатар барои як бемор ва Grad-CAM-ро нишон медиҳад.

Оё Ин Система Воситаи Клиникии Тасдиқшудаи Ташхисист?

Не. Барномаи Streamlit дар манбаъ ҳамчун прототипи марҳилаи R&D тавсиф шуда, гуфта мешавад, ки ба ҳеҷ мақомоти танзимкунанда ё сертификатсия пешниҳод нашудааст; инчунин кори CNN бар зидди натиҷаҳои дарозмуддати клиникӣ ё маҷмӯи калони мустақили берунии аз ҷониби мутахассисон барчаспшуда санҷида нашудааст.

Муҳимтарин маҳдудияти validation

Барчаспҳое, ки таҳқиқот барои омӯзиш ва арзёбии асосии test-и CNN истифода кардааст, аз GPT тавлид шудаанд. Мутахассисони тиббӣ дар зергуруҳи алоҳидаи 87 бемор барои арзёбии барчаспҳои GPT истифода шуданд; ҷадвали асосии кори CNN бевосита бар асоси ҳамин барчаспҳои мутахассисон гузориш нашудааст.

Аз ин рӯ, дақиқии test бояд дар ду сатҳ тафсир шавад:

1. Модел синфҳои GPT-ро то чӣ андоза хуб бозмеомӯзад?
2. Синфҳои GPT то чӣ андоза бо назари мутахассис ва натиҷаҳои воқеии ояндаи бемор мувофиқанд?

Таҳқиқот ба саволи аввал бо метрикаҳои муфассали CNN ҷавоб медиҳад ва ба қисми саволи дуюм танҳо бо муқоисаи GPT-мутахассис дар 87 бемор. Validation-и проспективӣ бо натиҷаҳои воқеии захм, сироят, шифо ё ампутатсия дар манбаъ гузориш нашудааст.

Grad-CAM ҷойи validation-и клиникиро намегирад

Нишон додани он ки модел ба минтақаи клиникӣ маънодори пой диққат кардааст, маънои дуруст будани пешгӯиро надорад. Тафсиршавандагӣ санҷиши қарорро осон мекунад, аммо ҷойи далели мустақили эътибори клиникиро намегирад.

Ҷиҳатҳои қавии таҳқиқот

• Тасвирҳои як пой аз чанд кунҷ истифода шуданд.
• Ҷудокунии додаҳо дар сатҳи бемор анҷом шуд ва ихроҷи тасвирҳои як бемор ба split-ҳои гуногун пешгирӣ гардид.
• ResNet50 ва VGG16 дар шароити умумии яксон муқоиса шуданд.
• Номувозунии синфҳо эътироф ва oversampling танҳо дар маҷмӯи омӯзишӣ истифода шуд.
• Гиперпараметрҳо муфассал гузориш шуданд.
• Барчаспҳои GPT ҳамчун барчаспи пурраи мутахассис қабул нашуда, дар 87 бемор муқоиса анҷом шуд.
• Интихоби модел танҳо ба accuracy не, балки ба High Risk recall/F1 низ такя кард.
• Grad-CAM барои санҷидани минтақаҳои тасвирии таъсиргузор истифода шуд.
• Равиш бо интерфейси прототипии Streamlit аз аввал то охир намоиш дода шуд.

Маҳдудиятҳои асосии таҳқиқот

Масъалаи барчаспи истинодӣ: Барчаспҳои омӯзишӣ ва test-и асосии CNN аз GPT омадаанд, на аз мутахассисон. Аз ин рӯ, кори модел ҳамчун clinical gold-standard хонда намешавад.

Номувофиқати GPT-мутахассис: Дар 87 бемор %19,5 барчаспҳо мувофиқ набуданд ва ҳашттои онҳо ихтилофи ҷиддии синфӣ буданд.

Номуайянии Low/Medium: Фарқиятҳои нозуки визуалӣ барои барчаспгузорӣ ва тасниф душвортаранд.

Номувозунии синф: Шумораи аслии High Risk танҳо 77 буд; бо тасвирҳои беруна ба 154 расид ва дар омӯзиш ×10 oversampling истифода шуд.

Фарқи domain-и тасвирҳои беруна: Тасвирҳои Kaggle метавонанд аз рӯи ҳалкунандагӣ, рӯшноӣ, камера ва демография аз маҷмӯи клиникӣ фарқ кунанд.

Натиҷаи дарозмуддат вуҷуд надорад: Пешгӯии модел бар зидди пайдоиши воқеии захм дар оянда проспективӣ тасдиқ нашудааст.

Статуси танзимкунандаи прототип: Streamlit дар сатҳи R&D аст ва ба ягон мақомоти танзимкунанда/сертификатсия пешниҳод нашудааст.

Маҳдудияти додаҳои визуалӣ: Усул танҳо тасвирҳои пойро истифода мебарад; тестҳои невропатия, гардиши хун, ҳарорат, лаборатория ё анамнез воридот нестанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Pipeline-и автоматии барчаспгузории тасвири пой бо GPT-4o-mini сохта шудааст.
• Барчаспҳои GPT ва мутахассис дар 87 бемор %80,5 мувофиқ буданд.
• ResNet50 ва VGG16 дар test-и GPT-барчаспшуда тақрибан %72-75 accuracy-и умумии бемор/тасвир нишон доданд.
• High Risk нисбат ба Low ва Medium F1 қавитар дошт.
• ResNet50 барои High Risk recall ва F1 аз VGG16 баландтар буд.
• Ҷудокунии сатҳи бемор ва oversampling танҳо дар омӯзиш истифода шуд.
• Бо Grad-CAM ва Streamlit прототипи таҳқиқотӣ аз аввал то охир сохта шуд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Гуфтан мумкин нест, ки система захмҳои ояндаи пои диабетиро бо %75 дақиқӣ пешгӯӣ мекунад.
• Хулоса кардан мумкин нест, ки GPT метавонад ҷойи табиби мутахассисро гирад.
• Гуфтан мумкин нест, ки ResNet50 дар ҳамаи метрикаҳо аз VGG16 беҳтар аст.
• %100 High Risk precision дар муҳити воқеии клиникӣ маънои сифр false positive надорад.
• Нишон дода нашудааст, ки модел дар беморхонаҳо, кишварҳо, камераҳо ё аҳолии дигар ҳамон корро мекунад.
• Grad-CAM дақиқии ташхисӣ ё сабабиятро исбот намекунад.
• Прототипи Streamlit дастгоҳи тиббии танзимшуда ё системаи тасдиқшудаи ташхисӣ нест.
• Исбот нашудааст, ки таҳлили тасвир метавонад ҷойи муоинаи ҷисмонӣ, гардиши хун ё арзёбии невропатияро гирад.

Ёддоштҳои гузориш ва тафсири дохили манбаъ

Манбаъ 946 беморро “428 Low Risk, 383 Medium Risk ва 135 Low Risk” гузориш мекунад. “Low Risk”-и сеюм аз рӯи контекст метавонад иштибоҳи навишт бошад; аммо чун манбаъ ислоҳ нашудааст, Verianla онро ҳамчун “135 High Risk” тасдиқшуда истифода намекунад.

Хулосаи мақола мегӯяд, ки ResNet50 умуман беҳтар буд. Аммо дар Ҷадвали 3 accuracy-и умумии сатҳи тасвир ва бемор барои VGG16 аз ResNet50 баландтар аст. Бартарии равшани ResNet50 махсусан дар High Risk recall ва F1 аст. Аз ин рӯ, “ResNet50 бартарӣ дорад” бояд дар контексти интихоби модел бо авлавияти High Risk тафсир шавад, на ҳамчун бартарии умумӣ дар ҳама метрикаҳо.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Monitoring Diabetic Foot Using Images and Generative AI

Муаллифон: Afonso Nobre; João Silva Sequeira.

Corresponding author: João Silva Sequeira.

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

Маҷалла: Diabetology.

Ношир: MDPI.

Маълумоти нашр: Diabetology 2026, 7(5), 95.

DOI: 10.3390/diabetology7050095

Ирсол: 2 марти 2026.

Ревизия: 8 майи 2026.

Қабул: 8 майи 2026.

Нашр: 12 майи 2026.

Навъи манбаъ: Таҳқиқоти барчаспгузории додаҳо бо зеҳни сунъии тавлидкунанда, transfer learning ва таҳия/арзёбии модели омӯзиши мошинӣ дар маҷмӯи тасвирҳои клиникӣ.

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

Барнома: Прототипи Streamlit бо Python 3.13.

Литсензия: Creative Commons Attribution (CC BY).

Маблағгузорӣ: Таҳқиқот аз ҷониби Fundação para a Ciência e Tecnologia-и Португалия дар доираи DFAA-2023.12465.PEX маблағгузорӣ шудааст.

Шарҳи ахлоқӣ/институтсионалӣ: Муаллифон мегӯянд, ки тасвирҳои пои диабетӣ дар доираи Барномаи Миллии Диабети Португалия, дар Unidade Local de Saúde de Loures-Odivelas аз ҷониби мутахассисони тиббӣ дар кори муқаррарӣ гирифта шудаанд; аз ин рӯ иҷозаи ҷудогонаи кумитаи ахлоқ ва розигии инфиродии огоҳона талаб нашудааст.

Анонимизатсия: Манбаъ мегӯяд, ки додаҳои тасвирӣ ҳангоми ҷамъоварӣ анонимизатсия шудаанд.

Дастрасии додаҳо: Маҷмӯи додаҳо бо дархости асоснок тавассути corresponding author дастрас буда метавонад.

Тазоди манфиатҳо: Муаллифон тазоди манфиатҳоро рад кардаанд; маблағгузор дар тарҳ, ҷамъоварӣ/таҳлил/тафсир, навиштан ё қарори нашр нақш надоштааст.

Саҳми муаллифон: Консептуализатсия A.N. ва J.S.S.; нармафзор, таҳқиқот ва матни аввал A.N.; курацияи додаҳо, бозбинӣ/таҳрир, назорат, идоракунии лоиҳа ва дарёфти маблағ J.S.S.

Маҳдудияти асосии методологӣ: Кори test асосан тавассути бозтаснифи барчаспҳои GPT чен шудааст. Муқоисаи 87 бемор нишон медиҳад, ки барчаспҳои GPT clinical gold standard-и пурра нестанд. Validation-и натиҷаҳои воқеии дарозмуддат ва validation-и калони мустақили беруна гузориш нашудааст.

Статуси барнома: Streamlit прототипи R&D аст ва дар манбаъ ошкоро гуфта мешавад, ки ба ягон мақомоти танзимкунанда ё сертификатсия пешниҳод нашудааст.

Ёддошти манбаи визуалӣ: Шакли 1 дар саҳифаи 5 pipeline-и усул; Шакли 2 чор кунҷи як пой; Шакли 3 дар саҳифаи 8 мисолҳои Low/Medium/High Risk; Шакли 4 дар саҳифаи 9 барчаспҳои GPT ва мутахассис; Шаклҳои 5-6 дар саҳифаи 12 интерфейси Streamlit ва Grad-CAM-ро нишон медиҳанд. Барои Verianla ба ҷойи бознашри айнии тасвирҳои беморон, раванд, меъмории модел ва робитаҳои кор бо схемаҳои аслӣ аз нав кашида шаванд.

Ҳадди иттилооти саломатӣ: Ин мавод шарҳи илмии таҳқиқоти нашршуда аст. Барои ташхиси инфиродии пои диабетӣ ё қабули қарори хатар танҳо аз рӯи акси пой истифода нашавад.