Ushbu tadqiqotdagi diabetik oyoq xavfini baholash tizimi — oyoqning ko‘p burchakli tasvirlarini generativ sun’iy intellekt yordamida belgilaydigan, shu belgilar asosida oldindan o‘qitilgan konvolyutsion neyron tarmoqlarini (convolutional neural network, CNN) nozik sozlaydigan va tasvir darajasidagi bashoratlarni bemor darajasida birlashtiradigan mashinaviy o‘rganish yondashuvidir. GPT-4o-mini har bir tasvirga Low Risk, Medium Risk yoki High Risk yorlig‘ini bergan; ushbu yorliqlar bilan ResNet50 va VGG16 modellari o‘qitilib, sinovdan o‘tkazilgan. Yakuniy ma’lumotlar to‘plamida 3255 ta tasvir mavjud. Ikki modelning umumiy ishlashi bir-biriga yaqin bo‘lsa-da, ResNet50 High Risk sinfini aniqlashda yuqoriroq recall va F1 qiymatlarini bergani sababli prototip Streamlit ilovasida foydalanish uchun tanlangan. Biroq tadqiqot kelajakda haqiqatan yara paydo bo‘ladimi-yo‘qmi, degan savolni uzoq muddatli klinik yakunlar bilan tasdiqlamagan; modelni o‘qitish va test yorliqlari asosan GPT tomonidan yaratilgan. Shu sababli natijalar klinik kelajak bashoratining to‘g‘ridan-to‘g‘ri tasdig‘i sifatida emas, balki GenAI yordamidagi belgilash va CNN asosidagi xavf tasnifi pipeline’ining texnik amalga oshiriluvchanligi sifatida talqin qilinishi kerak.

GPT tomonidan yaratilgan yorliqlar tibbiy mutaxassislar bilan solishtirilgan 87 bemordan iborat kichik guruhda %80,5 moslik kuzatilgan; 70 bemorda yorliqlar mos kelgan, 17 bemorda esa nomuvofiqlik aniqlangan. Tadqiqotchilar GPT ayniqsa Low va Medium Risk o‘rtasidagi nozik vizual farqlarda xato qilishi mumkinligini va generativ sun’iy intellekt yorliqlari mutaxassis tomonidan belgilash o‘rnini bosmasligi kerakligini aniq ta’kidlaydi.

Test to‘plamida ResNet50 uchun tasvir darajasidagi aniqlik %75,05, bemor darajasidagi aniqlik %72,54; VGG16 uchun esa mos ravishda %75,48 va %75,35 deb xabar qilingan. Biroq High Risk sinfida ResNet50 recall qiymati tasvir darajasida %80,95 va bemor darajasida %85,00; VGG16 uchun esa %71,43 va %75,00 bo‘lgan. Har ikki modelda High Risk precision %100 deb berilgan. Ushbu natijalar ResNet50 ayniqsa yuqori xavfli holatlarni o‘tkazib yubormaslik jihatidan afzal bo‘lishi mumkinligini ko‘rsatgan va ilova uchun model tanlovini belgilagan.

Diabetik oyoqni tasvir orqali kuzatishda qanday muammo hal qilinmoqda?

Diabetik oyoqni baholash klassik klinik amaliyotda faqat vizual ko‘rikka tayanmaydi; teginish, harorat, vibratsiya sezgisi, qon aylanishi va pedal puls kabi boshqa klinik baholashlar ham qo‘llanadi. Shunga qaramay, oyoqning tashqi ko‘rinishi yara, rang o‘zgarishi, quruqlik, shish, qadoq va deformatsiya kabi ko‘plab klinik belgilar haqida ma’lumot berishi mumkin.

Manba tadqiqotining maqsadi ushbu vizual ma’lumotdan foydalanib diabetik oyoqning vaqt o‘tishi bilan og‘irroq holatga o‘tish xavfini Low Risk, Medium Risk va High Risk bo‘yicha uch sinfda baholaydigan avtomatik tizim yaratishdir. Tizimga bemor xabar qilgan simptomlar yoki anamnez ma’lumotlari kiritilmagan; model faqat tasvirlardan olingan vizual xususiyatlar asosida ishlagan.

Tadqiqotchilar keltirgan sabablarning biri mutaxassis bahosiga kirish ayniqsa uzoq hududlarda yoki sog‘liqni saqlash resurslari cheklangan joylarda cheklanishi mumkinligidir. Ikkinchi sabab — vizual baholash mutaxassis tajribasiga qarab farq qilishi mumkin. Avtomatik tasvir tahlili inson bahosining o‘rnini bosish uchun emas, balki takrorlanuvchi yordamchi qatlamni ta’minlash imkoniyati sifatida o‘rganilgan.

Generativ Sun’iy Intellekt Ushbu Tadqiqotda Nima Qildi?

Generativ sun’iy intellekt ushbu tadqiqotda yakuniy CNN tasniflagichi sifatida emas, o‘quv ma’lumotlar to‘plamini belgilovchi vosita sifatida ishlatilgan: GPT-4o-mini oyoq tasvirlaridagi ko‘rinadigan klinik belgilarni baholab, har bir tasvirga Low Risk, Medium Risk yoki High Risk yorlig‘ini berdi va ResNet50 hamda VGG16 shu GPT yaratgan yorliqlar yordamida o‘qitildi.

Belgilash zanjiri

Manbaning 5-sahifasidagi 1-rasm usulni quyidagi zanjir bilan ko‘rsatadi:

1. Diabetik oyoqning klinik tasvirlarini to‘plash.
2. Tasvirni OpenAI API orqali generativ sun’iy intellekt belgilash pipeline’iga uzatish.
3. Har bir tasvir uchun Low Risk, Medium Risk yoki High Risk yorlig‘ini yaratish.
4. Tasvirlarni xavf sinflari bo‘yicha qayta tartibga solish.
5. ResNet50 va VGG16 modellarini o‘qitish.
6. Validatsiya va test jarayonlari.
7. Har bir tasvir uchun xavf bashoratini yaratish.
8. Bir bemorga tegishli tasvirlarni yagona bemor yorlig‘i ostida birlashtirish.
9. Natijani Streamlit ilovasida ko‘rsatish.

Nega bitta tasvir o‘rniga to‘rtta turli burchak ishlatilgan?

Klinik ma’lumotlar to‘plamida bir xil oyoqning tagi, usti, o‘ng yoni va chap yoni ko‘rinishlaridan foydalanilgan. Buning sababi yara, rang o‘zgarishi yoki shish kabi xavf belgisi faqat ma’lum bir burchakdan ko‘rinishi, boshqa burchakdagi to‘qima esa normal ko‘rinishi mumkinligidir.

Manbaning 5-sahifasidagi 2-rasm ushbu to‘rtta ko‘rinishni haqiqiy klinik tasvirlar bilan ko‘rsatadi. Ko‘p burchakli yondashuv bitta suratga tayanadigan qarorda ko‘rinmaydigan sohalar sababli yuzaga kelishi mumkin bo‘lgan axborot yo‘qotilishini kamaytirishni maqsad qiladi.

GPT prompti qaysi vizual belgilarni ko‘rib chiqardi?

Manbaning A ilovasidagi tuzilgan prompt xavf yorlig‘ini berish jarayoni erkin shakldagi tasvir talqiniga qoldirilmaganini ko‘rsatadi. Prompt ayniqsa tasvir sifati va qamrovi bilan birga quyidagi ko‘rinadigan xususiyatlarni baholashni talab qiladi:

• qadoq va giperkeratoz,
• quruqlik, yorilish va po‘st tashlash,
• eritema va mahalliy qizarish,
• maseratsiya,
• preulserativ lezyonlar va rang o‘zgarishlari,
• oyoqqa xos struktur deformatsiyalar,
• shish,
• vaskulyar ko‘rinishni ko‘rsatishi mumkin bo‘lgan teri o‘zgarishlari,
• yara, infeksiya yoki nekroz,
• oldingi amputatsiyaga oid ko‘rinadigan belgilar.

Promptning xavf qo‘llanmasida sog‘lom va butunligi saqlangan teri Low Risk; yengil quruqlik, rang o‘zgarishi yoki yuzaki lezyonlar Medium Risk; ochiq yara, infeksiya, nekroz, sezilarli shish, jiddiy deformatsiya yoki amputatsiya belgilari esa High Risk sifatida baholangan.

Ushbu yorliqlar tadqiqot uchun yaratilgan operatsion tasvir sinflaridir. Bemorning haqiqiy klinik prognozi faqat ushbu tasvir sinflari bilan belgilanadi, deb faraz qilinmasligi kerak.

Bemor Darajasidagi Xavf Yorlig‘i Qanday Yaratildi?

Bemor darajasidagi xavf yorlig‘i bir bemorga tegishli bir nechta tasvir bashoratlarini oldindan belgilangan worst-case qoidasi bilan birlashtirish orqali yaratildi: tasvirlardan kamida bittasi High Risk bo‘lsa bemor High Risk, aks holda Medium tasvirlar Low tasvirlardan ko‘p yoki teng bo‘lsa Medium Risk, boshqa hollarda Low Risk deb tasniflandi.

Agregatsiya qoidasi

• High Risk: Bemorning kamida bitta tasviri High Risk bo‘lsa, butun bemor High Risk deb qabul qilindi.
• Medium Risk: High Risk tasvir bo‘lmasa va Medium Risk tasvirlar soni Low Risk sonidan ko‘p yoki unga teng bo‘lsa, bemor Medium Risk deb belgilandi.
• Low Risk: High Risk tasvir bo‘lmasa va Low Risk tasvirlar Medium Risk tasvirlardan ko‘p bo‘lsa, bemor Low Risk deb belgilandi.

Bu tuzilma High Risk belgisi faqat bitta burchakdan ko‘rinadigan holatda uning boshqa normal ko‘rinishlar tomonidan susaytirilishining oldini olishni maqsad qiladi. Biroq qoida bitta noto‘g‘ri High Risk tasnifi butun bemor yorlig‘ini High Risk darajasiga ko‘tarishi mumkinligini ham anglatadi. Shu sababli tasvir darajasidagi xato profili bemor darajasidagi qaror mexanizmi uchun muhimdir.

GPT Yorliqlari Mutaxassis Yorliqlarining O‘rnini Bosdimi?

Yo‘q. GPT yorliqlari 87 bemorlik mutaxassis yorlig‘i mavjud kichik guruhda %80,5 darajada mos kelgan bo‘lsa-da, 17 bemorda farq kuzatilgan va tadqiqotchilar generativ sun’iy intellekt yorliqlari inson mutaxassis belgilashining o‘rnini bosmasligi kerakligini aniq ta’kidlagan.

Mutaxassis taqqoslashining natijasi

Mutaxassislar bilan taqqoslash mumkin bo‘lgan 87 bemorning 70 tasida GPT yorlig‘i mutaxassis yorlig‘iga mos kelgan. Jami 17 nomuvofiqlikning:

• 9 tasi Low→Medium yoki Medium→High kabi qo‘shni sinflar orasidagi o‘rta darajadagi nomuvofiqliklar,
• 8 tasi Low va High sinflari orasida ham yuzaga kelishi mumkin bo‘lgan jiddiy nomuvofiqliklar

deb tasniflangan.

PDFning 9-sahifasidagi 4-rasm, shuningdek, GPT mutaxassis yorliqlariga nisbatan ko‘proq Medium va High Risk tasniflarini berganini ko‘rsatadi. Mutaxassislar taqsimoti ko‘proq Low Risk tomonga yo‘nalgan. Bu farq GPT yorliqlari nafaqat son jihatidan, balki sinflar taqsimoti bo‘yicha ham mutaxassis mezonidan tizimli ravishda farq qilishi mumkinligini ko‘rsatadi.

Low Risk va Medium Risk nega ko‘proq chalkashadi?

Manba Low Risk va Medium Risk tasvirlaridagi belgilar bir-biriga o‘xshash bo‘lishi mumkinligini ta’kidlaydi. Yengil quruqlik kabi ko‘rinish bir holatda Low, boshqa holatda Medium deb baholanishi mumkin. Sinflar chegaralari keskin bo‘lmagani sababli ham GPT belgilashida, ham CNN tasnifida bu ikki sinfni ajratish High Riskga qaraganda qiyinroq.

High Risk sinfida ochiq yara, nekroz, yaqqol infeksiya yoki katta deformatsiya kabi aniqroq vizual belgilar bo‘lishi modellarning ushbu sinfda kuchliroq ishlashiga hissa qo‘shuvchi omil bo‘lishi mumkin.

Grad-CAM qanday maqsadda ishlatilgan?

Gradient-weighted Class Activation Mapping (Grad-CAM) — CNN tasvirni tasniflayotganda tasvirning qaysi hududlari bashoratga ko‘proq hissa qo‘shganini vizual issiqlik xaritasi orqali ko‘rsatadigan izohlanadiganlik usulidir.

Streamlit prototipida asl oyoq tasviri yonida Grad-CAM issiqlik xaritasi ko‘rsatiladi. Shu tariqa foydalanuvchi model, masalan, yara yoki quruq teri sohasi kabi klinik jihatdan ma’noli hududgami yoki tasvirning aloqasiz qismigami e’tibor qaratganini tekshirishi mumkin.

Grad-CAMning bir hududni ajratib ko‘rsatishi bu hudud kasallikning sababchisi ekanini isbotlamaydi. Grad-CAM faqat model qaroriga hissa qo‘shgan tasvir hududlarini talqin qilishga yordam beradi.

Tadqiqot Usuli va Natijalari

Ma’lumotlar To‘plami Qanday Tayyorlandi?

Tadqiqot ma’lumotlar to‘plami Portugaliya sog‘liqni saqlash tizimidagi mahalliy sog‘liqni saqlash bo‘linmasida DFAA loyihasi uchun yig‘ilgan ko‘p burchakli diabetik oyoq tasvirlaridan tuzilgan; sinf nomutanosibligini kamaytirish uchun ommaviy Kaggle tasvirlari ham qo‘shilgan va yakuniy ma’lumotlar to‘plami 1807 Low Risk, 1294 Medium Risk va 154 High Risk, jami 3255 ta tasvirni o‘z ichiga olgan.

Klinik tasvirlarning manbasi

Klinik tasvirlar DFAA — Diabetic Foot Automated Assessment loyihasi uchun yaratilgan kamera tizimi yordamida Portugaliya sog‘liqni saqlash tizimidagi ULS shifoxonasida olingan. Asl ma’lumotlar bemorlar bo‘yicha papkalangan va bir xil oyoqning turli burchaklardan olingan tasvirlarini o‘z ichiga olgan.

Kaggle tasvirlarining qo‘shilishi

Asl ma’lumotlar to‘plamida High Risk sinfi sezilarli darajada kam ifodalangan. Manba og‘ir yuqori xavfli misollar sonini oshirish maqsadida ommaviy Kaggle tasvirlarini ma’lumotlar to‘plamiga qo‘shgan.

Manba tashqi tasvirlar klinik tasvirlardan rezolyutsiya, yoritish, ishlatilgan kamera va bemor demografiyasi jihatidan farq qilishi mumkinligini aniq qayd etadi. Bu holat model o‘rgangan tasvir taqsimotiga domain farqini kiritishi mumkin.

Bemor asosidagi train/validatsiya/test bo‘linishi

Bir bemorga tegishli tasvirlarning train va test to‘plamlariga tarqalishi ma’lumot sizib chiqishiga olib kelishi mumkinligi sababli bo‘linish bemor identifikatori darajasida amalga oshirilgan. Bemorlar:

• %70 train,
• %15 validatsiya,
• %15 test

qilib ajratilgan; bir bemorga tegishli barcha tasvirlar bir xil bo‘linmada saqlangan.

Bu qaror tasvirga asoslangan tadqiqotlarda muhim metodologik kuchli jihatdir. Bir xil oyoqning turli burchaklardan olingan juda o‘xshash tasvirlari ham train, ham test to‘plamiga tushganida model ishlashi sun’iy ravishda yuqori ko‘rinishi mumkin edi.

Manbadagi bemorlar sonini xabar qilish muammosi

Manba jami 946 bemor borligini bildiradi, biroq taqsimotni “428 Low Risk, 383 Medium Risk va 135 Low Risk” deb yozadi. Uchinchi kategoriya kontekst va umumiy son nuqtai nazaridan High Riskni anglatishi mumkin; ammo manba matnida “Low Risk” deb yozilgani sababli ushbu Verianla maqolasida 135 qiymati tuzatilgan High Risk bemorlar soni sifatida ilmiy ma’lumot tarzida taqdim etilmaydi.

ResNet50 va VGG16 qanday moslashtirildi?

ResNet50 va VGG16 ImageNet vaznlari bilan oldindan o‘qitilgan ikki CNN arxitekturasidir. Tadqiqotda har bir model include_top=false ko‘rinishida yuklangan; ya’ni ImageNetning asl tasniflagich qatlamlari olib tashlangan va faqat oldindan o‘rganilgan konvolyutsion xususiyat ajratuvchi backbone saqlangan.

Backbone ustiga tadqiqotga xos yangi tasniflagich head qo‘shilgan:

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

Dense qatlamlar bilan birga batch normalization va dropout ishlatilgan.

Ikki bosqichli o‘qitish

O‘qitish ikki bosqichda amalga oshirilgan:

1. Head Training: Backbone muzlatilgan, faqat yangi tasniflagich head 8 epoch davomida o‘qitilgan.
2. Fine-Tuning: Backbonening yuqori %50 qismi ochilgan va pastroq learning rate bilan 15 epoch davomida nozik sozlash bajarilgan.

Bu tuzilma ImageNetdan o‘rganilgan umumiy tasvir xususiyatlarini butunlay yo‘qotmasdan modelni diabetik oyoq tasvirlariga moslashtirishni maqsad qilgan.

Vaznlangan Yo‘qotish va Ortiqcha Namunalash Nega Ishlatildi?

Vaznlangan yo‘qotish va High Risk ortiqcha namunalash ma’lumotlar to‘plamidagi jiddiy sinf nomutanosibligining modelni ko‘pchilik sinflar tomon og‘dirishini kamaytirish va kam sonli High Risk misollarining o‘qitish vaqtida ko‘proq ta’sir ko‘rsatishini ta’minlash uchun ishlatilgan.

Yo‘qotish funksiyasi

Tadqiqotda sparse categorical cross-entropy ishlatilgan va sinf vazni bilan o‘zgartirilgan:

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

Bu yerda \(y_i\) i-chi misolning haqiqiy o‘quv yorlig‘ini; \(p_{i,y_i}\) modelning shu sinfga bergan ehtimolini; \(w_{y_i}\) esa tegishli sinf vaznini bildiradi. Sinf vazni kattalashgani sari shu sinfdagi xatoning yo‘qotish funksiyasiga hissasi ortadi.

Manbadagi empirik boshlang‘ich vaznlar:

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

qilib belgilangan va keyin normallashtirilgan.

High Risk oversampling

High Risk misollari faqat train to‘plamida 10 karra oversampling bilan ko‘paytirilgan. Oversamplingning validatsiya va test to‘plamlariga qo‘llanmasligi bir xil sun’iy ko‘paytirish test natijalarini asossiz oshirib yubormasligi uchun muhimdir.

Ma’lumotlarni augmentatsiya qilish

Manbada tasvir augmentatsiyasi orasida gorizontal ag‘darish, rotatsiya, zoom, kontrast, yorqinlik va kichik translatsiyalar mavjud. 2-jadvalda konservativ augmentatsiya uchun rotatsiya taxminan ±4,6°, zoom oralig‘i [0,85–1,15]; High Risk uchun agressivroq augmentatsiyada rotatsiya taxminan ±8,6° hamda kuchaytirilgan kontrast/yorqinlik o‘zgarishlari keltirilgan.

O‘qitish giperparametrlari

Test natijalari

ResNet50 Nega Streamlit Ilovasi uchun Tanlandi?

ResNet50 umumiy aniqlik bo‘yicha har bir o‘lchovda VGG16dan ustun bo‘lmagan bo‘lsa-da, High Risk sinfida yuqoriroq recall va F1 ko‘rsatgani uchun Streamlit ilovasida ishlatildi; tadqiqotchilar model tanlashda klinik jihatdan muhimroq yuqori xavfli tasvirlarni aniqlashni ustuvor deb bildi.

Bu farq muhim. Bemor darajasidagi umumiy aniqlik VGG16 uchun %75,35 bo‘lsa, ResNet50 uchun %72,54. Biroq bemor darajasidagi High Risk recall ResNet50da %85,00, VGG16da %75,00; High Risk F1 esa mos ravishda %91,89 va %85,71.

Shu sababli “ResNet50 eng yaxshi model” degan ifoda barcha metriklarda ustunlikni anglatmasligi kerak. Manbada model tanlashning asosiy sababi aynan High Riskni aniqlash ko‘rsatkichidir.

Precision, recall va F1 natijalarini qanday o‘qish kerak?

Precision model bir sinf uchun bergan ijobiy bashoratlarning qanchasi haqiqatan shu yorliqqa to‘g‘ri kelishini; recall shu sinfdagi misollarning qanchasi aniqlanganini; F1 esa precision va recall o‘rtasidagi muvozanatni umumlashtiradi.

High Risk sinfida barcha modellar uchun %100 precision qayd etilishi test to‘plamida High Risk deb tasniflangan misollar GPT tomonidan belgilangan referens High Risk sinfi bilan kuchli mos kelganini ko‘rsatadi. Ammo referens yorliqlarning o‘zi GPT tomonidan yaratilgani sababli bu qiymat to‘g‘ridan-to‘g‘ri tibbiy mutaxassis aniqligi yoki haqiqiy klinik prognoz aniqligi emas.

Streamlit prototipi nima qiladi?

Prototip ilova Python 3.13 va Streamlit yordamida ishlab chiqilgan. Foydalanuvchi diabetik oyoqqa oid tasvirlarni yuklaganda tizim:

• har bir tasvir uchun xavf yorlig‘i,
• uchta xavf sinfining ishonch ballari,
• bemor darajasida birlashtirilgan xavf sinfi,
• Grad-CAM issiqlik xaritasi

yaratadi.

Manbaning 12-sahifasidagi 5-rasm ilovaning asosiy ekranini, 6-rasm esa bir bemor uchun xavf natijasini va model e’tibor bergan tasvir hududlarini ko‘rsatadigan Grad-CAM tasvirini taqdim etadi.

Bu Tizim Klinik Jihatdan Tasdiqlangan Diagnostika Vositasimi?

Yo‘q. Streamlit ilovasi manbada aniq ravishda tadqiqot-ishlab chiqish bosqichidagi prototip sifatida ta’riflangan va hech qanday tartibga soluvchi yoki sertifikatlash organiga taqdim etilmagani qayd etilgan; bundan tashqari CNN ishlashi uzoq muddatli klinik yakunlar yoki mustaqil mutaxassis yorlig‘i bilan belgilangan katta tashqi validatsiya to‘plamiga nisbatan ko‘rsatilmagan.

Eng muhim validatsiya cheklovi

Tadqiqot CNNni o‘qitish va asosiy test baholashida ishlatgan yorliqlar GPT tomonidan yaratilgan. Tibbiy mutaxassislar 87 bemordan iborat alohida kichik guruhda GPT yorliqlarini baholash uchun ishlatilgan; CNN modellarining asosiy ishlash jadvali bevosita ushbu mutaxassis yorliqlarida berilmagan.

Shu sababli modelning test aniqligi ikki qatlamli tarzda talqin qilinishi kerak:

1. Model GPT tomonidan yaratilgan sinflarni qanchalik yaxshi qayta o‘rganadi?
2. GPT yaratgan sinflar klinik mutaxassis fikri va kelajakdagi haqiqiy bemor natijalari bilan qanchalik mos?

Tadqiqot birinchi savolga batafsil CNN metriklari bilan, ikkinchi savolning faqat bir qismiga esa 87 bemorlik GPT-mutaxassis taqqoslash orqali javob beradi. Kelajakdagi haqiqiy yara rivojlanishi, infeksiya, tuzalish yoki amputatsiya kabi yakunlar bo‘yicha prospektiv validatsiya manbada xabar qilinmagan.

Grad-CAM klinik validatsiya o‘rnini bosmaydi

Grad-CAM model oyoqning klinik jihatdan ma’noli hududiga e’tibor qaratganini ko‘rsatishi bashorat klinik jihatdan to‘g‘ri degani emas. Izohlanadiganlik model qarorini ko‘rib chiqishni osonlashtiradi, ammo mustaqil klinik haqiqiylik dalili o‘rnini bosmaydi.

Tadqiqotning kuchli tomonlari

• Bir xil oyoqning bir nechta burchakdagi tasvirlari ishlatilgan.
• Ma’lumot bo‘linishi bemor darajasida amalga oshirilib, bir bemor tasvirlarining turli splitlarga sizib chiqishi oldi olingan.
• ResNet50 va VGG16 bir xil umumiy o‘qitish sharoitida taqqoslangan.
• Sinf nomutanosibligi ochiq tan olingan va oversampling faqat train to‘plamida qo‘llangan.
• O‘qitish giperparametrlari batafsil bayon qilingan.
• GPT yorliqlari to‘liq mutaxassis yorlig‘i sifatida qabul qilinmagan; 87 bemorda mutaxassis taqqoslash o‘tkazilgan.
• Model tanlash faqat umumiy accuracyga emas, klinik jihatdan muhim hisoblangan High Risk recall/F1 ko‘rsatkichiga asoslangan.
• Grad-CAM model qarori qaysi tasvir hududlariga tayanganini tekshirish uchun ishlatilgan.
• Tadqiqot usulini haqiqiy prototip Streamlit interfeysi bilan boshidan oxirigacha ko‘rsatgan.

Tadqiqotning asosiy cheklovlari

Referens yorliq muammosi: CNNlarning train va asosiy test yorliqlari mutaxassislardan emas, GPTdan kelgan. Shu sababli model ishlashi klinik gold-standard ishlashi sifatida talqin qilinmaydi.

GPT-mutaxassis nomuvofiqligi: 87 bemorda yorliqlarning %19,5 qismi mos kelmagan va ulardan sakkiztasi jiddiy sinf ziddiyati bo‘lgan.

Low/Medium sinf noaniqligi: Nozik vizual farqlar belgilash va tasniflash uchun qiyinroq.

Sinf nomutanosibligi: Asl High Risk tasvirlari soni atigi 77; tashqi tasvirlar bilan 154 ga oshirilgan va train jarayonida ×10 oversampling qo‘llangan.

Tashqi tasvirlar domain farqi: Kaggle tasvirlari rezolyutsiya, yoritish, kamera va demografik tuzilma jihatidan klinik ma’lumotlar to‘plamidan farq qilishi mumkin.

Uzoq muddatli yakun yo‘q: Model bashorati kelajakda haqiqatan yara paydo bo‘lishiga nisbatan prospektiv tasdiqlanmagan.

Prototipning tartibga soluvchi maqomi: Streamlit ilovasi R&D darajasida va hech qanday tartibga soluvchi/sertifikatlash organiga taqdim etilmagan.

Vizual ma’lumot cheklovi: Manba usuli faqat oyoq tasvirlaridan foydalanadi; neyropatiya testi, qon aylanish o‘lchovi, harorat, laboratoriya ma’lumoti yoki bemor anamnezi model kirishiga kiritilmagan.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• GPT-4o-mini bilan avtomatik oyoq tasvirlarini belgilash pipeline’i qurilgan.
• GPT va mutaxassis yorliqlari 87 bemorlik kichik guruhda %80,5 darajada mos kelgan.
• ResNet50 va VGG16 GPT-yorliqli test to‘plamida taxminan %72-75 oralig‘ida umumiy bemor/tasvir aniqligini ko‘rsatgan.
• High Risk sinfi Low va Medium sinflarga qaraganda kuchliroq F1 ishlashiga ega.
• ResNet50 High Risk recall va F1 bo‘yicha VGG16dan yuqoriroq qiymatlar bergan.
• Bemor asosida ma’lumot bo‘linishi va faqat train to‘plamida oversampling qo‘llangan.
• Grad-CAM va Streamlit bilan boshidan oxirigacha tadqiqot prototipi ishlab chiqilgan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Tizim kelajakda yuzaga keladigan diabetik oyoq yaralarini %75 aniqlik bilan bashorat qiladi, deb aytib bo‘lmaydi.
• GPT mutaxassis shifokorlarning o‘rnini bosishi mumkin degan xulosa chiqarib bo‘lmaydi.
• ResNet50 barcha ishlash metriklarida VGG16dan ustun deb aytib bo‘lmaydi.
• %100 High Risk precision haqiqiy klinik muhitda nol noto‘g‘ri ijobiy holat degani emas.
• Model turli shifoxonalar, mamlakatlar, kamera tizimlari yoki bemor populyatsiyalarida bir xil ishlashi ko‘rsatilmagan.
• Grad-CAM issiqlik xaritasi klinik diagnostika aniqligi yoki sababiyatni isbotlamaydi.
• Streamlit prototipi tartibga solinadigan tibbiy qurilma yoki tasdiqlangan klinik diagnostika tizimi emas.
• Tasvir tahlili fizik ko‘rik, qon aylanishi yoki neyropatiya baholashining o‘rnini bosishi isbotlanmagan.

Manbadagi hisobot va talqin izohlari

Manba jami 946 bemorni “428 Low Risk, 383 Medium Risk va 135 Low Risk” deb xabar qiladi. Uchinchi “Low Risk” ifodasi kontekstga ko‘ra ehtimoliy yozuv xatosi bo‘lib ko‘rinadi; ammo manba tuzatilmagani sababli Verianla matni buni tasdiqlangan “135 High Risk” ma’lumoti sifatida ishlatmaydi.

Maqola annotatsiyasi ResNet50 umuman olganda yaxshiroq natija berganini bildiradi. Biroq 3-jadvalda VGG16ning tasvir va bemor darajasidagi umumiy accuracy qiymatlari ResNet50dan yuqori. ResNet50ning yaqqol ustunligi ayniqsa High Risk recall va F1 qiymatlaridadir. Shu sababli “ResNet50 ustun” xulosasi metrikdan mustaqil umumiy ustunlik sifatida emas, mualliflar High Riskni aniqlashni ustuvor qilgan model tanlovi kontekstida talqin qilinishi kerak.

Manba va Usul Haqida Izoh

Asl sarlavha: Monitoring Diabetic Foot Using Images and Generative AI

Mualliflar: Afonso Nobre; João Silva Sequeira.

Corresponding author: João Silva Sequeira.

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

Jurnal: Diabetology.

Nashriyot: MDPI.

Nashr ma’lumoti: Diabetology 2026, 7(5), 95.

DOI: 10.3390/diabetology7050095

Yuborilgan: 2 Mart 2026.

Qayta ko‘rib chiqilgan: 8 may 2026.

Qabul qilingan: 8 may 2026.

Nashr: 12 may 2026.

Manba turi: Klinik tasvir ma’lumotlar to‘plamida generativ sun’iy intellekt yordamidagi ma’lumot belgilash, transfer learning va mashinaviy o‘rganish modelini ishlab chiqish/baholash tadqiqoti.

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

Ilova: Python 3.13 bilan ishlab chiqilgan Streamlit prototipi.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot Portugaliya Fundação para a Ciência e Tecnologia tomonidan DFAA-2023.12465.PEX loyihasi doirasida moliyalashtirilgan.

Etik/institutsional izoh: Mualliflar diabetik oyoq tasvirlari Portugaliya Milliy Diabet Dasturi doirasida Unidade Local de Saúde de Loures-Odivelasda sog‘liqni saqlash mutaxassislari tomonidan odatiy vazifalar doirasida olinganini; shu sababli alohida etika kengashi tasdig‘i va individual xabardor rozilik talab etilmaganini bildiradi.

Anonimlashtirish: Manba tasvir ma’lumotlari olish vaqtida anonimlashtirilganini bildiradi.

Ma’lumotlarning mavjudligi: Ma’lumotlar to‘plamini asosli so‘rov bilan corresponding author orqali olish mumkinligi ko‘rsatilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan; moliyalashtiruvchi tadqiqot dizayni, ma’lumotlarni yig‘ish/tahlil/talqin qilish, matn yozish yoki nashr qarorida rol o‘ynamagani qayd etilgan.

Muallif hissalari: Konseptuallashtirish A.N. va J.S.S.; dasturiy ta’minot, tadqiqot va dastlabki matnni tayyorlash A.N.; ma’lumotlar kuratsiyasi, ko‘rib chiqish/tahrirlash, nazorat, loyiha boshqaruvi va moliyalashtirishni olish J.S.S. tomonidan amalga oshirilgan.

Asosiy metodologik cheklov: Test ishlashi katta darajada GPT yaratgan yorliqlarni qayta tasniflash orqali o‘lchangan. 87 bemorlik mutaxassis taqqoslashi GPT yorliqlari to‘liq klinik gold standard emasligini ko‘rsatadi. Uzoq muddatli real klinik yakun validatsiyasi va katta mustaqil tashqi validatsiya manbada xabar qilinmagan.

Ilova maqomi: Streamlit ilovasi tadqiqot-ishlab chiqish prototipi bo‘lib, manbada hech qanday tartibga soluvchi yoki sertifikatlash organiga taqdim etilmagani aniq aytilgan.

Vizual manba izohi: PDFning 5-sahifasidagi 1-rasm usul pipeline’ini; 2-rasm bir xil oyoqning to‘rtta tasvirga olish burchagini; 8-sahifadagi 3-rasm Low/Medium/High Risk misollarini; 9-sahifadagi 4-rasm GPT va mutaxassis yorliqlarini; 12-sahifadagi 5-6-rasmlar Streamlit interfeysi va Grad-CAM chiqishini ko‘rsatadi. Verianla uchun bemor tasvirlarini aynan qayta nashr etish o‘rniga jarayon, model arxitekturasi va ishlash munosabatlarini original sxemalar bilan qayta chizish maqsadga muvofiq.

Sog‘liq ma’lumoti chegarasi: Ushbu kontent nashr etilgan tadqiqotning ilmiy tushuntirishidir. Oyoq fotosiga qarab individual diabetik oyoq tashxisi yoki xavf qarorini berish uchun ishlatilmasligi kerak.