22 ژانویه 2024- محققان در مطالعه ای درScientific Reports ، گزارشی از توسعه ی DiaNet v2 را منتشر کرده اند، که شکل به روزرسانی شده ازDiaNet می باشد، که قبلا توسعه یافته بود. DiaNet، اولین مدل مبتنی بر یادگیری عمیق برای تشخیص دیابت با استفاده از تصاویر شبکیه بود.
زمینه
دیابت شیرین (DM) یک اختلال متابولیک است که با عوارض و مرگ و میر طولانی مدت همراه است. دو نوع اصلی دیابت قندیعبارتند از: دیابت نوع 1 (DM-1) و دیابت نوع 2(DM-2). در مقایسه با DM-1، DM-2 بیشتر در سراسر جهان شایع است.میلیون ها نفر در سراسر جهان به دیابت مبتلا هستند که انتظار می رود تا سال 2045 به 136 میلیون نفر برسد.
آزمایشهای متعددی مانند قند پلاسما تصادفی (RPG)، قند پلاسمای ناشتا(FPG)، تست‌های تحمل گلوکز خوراکی (OGTT) و هموگلوبین A1c برای تشخیص دیابت قندی انجام می‌شود.
لازم به ذکر است که محدودیت های متعددی برای هر یک از آزمایشهای فوق الذکر شناسایی شده است. به عنوان مثال، تست‌های FPG حساسیت کمتری دارند و گزارش سازمان بهداشت جهانی نشان می دهد که تستFPG حدود 30 درصد از تشخیص‌های دیابت را از دست می دهد.
نتایج HbA1c نیز تحت تأثیر انواع مختلف کم خونی یا هموگلوبینوپاتی قرار می گیرد که می تواند بر تشخیص تأثیر بگذارد.
با توجه به محدودیت‌های روش‌های موجود تشخیص دیابت و میزان شیوع بالای دیابت، توسعه روشی جایگزین و مقرون‌به‌صرفه با دقت و حساسیت بالاتر حائز اهمیت است.
مطالعات قبلی چندین روش جایگزین برای تشخیص دیابت را شناسایی کرده‌اند که شامل استفاده از تصاویر شبکیه، الکتروکاردیوگرافی (ECG) و تست‌های تنفسی می‌شود.
همانطور که قبلا ذکر شد،DiaNet قبلا به عنوان یک روش جایگزین برای تشخیص DM توسعه داده شده بود.این مدل مبتنی بر یادگیری عمیق، اختلال متابولیک را با استفاده از تصاویر شبکیه تشخیص می دهد. آزمایشات دقت 84 درصدی این روش را در تشخیص افراد دیابتی از افراد غیر دیابتی نشان داده اند.
در مورد این مطالعه
در این مطالعه از داده های گروه بزرگی از بیوبانک قطر (QBB) و شرکت پزشکی حمد (HMC)، بزرگترین ارائه‌دهنده مراقبت‌های بهداشتی در قطر، برای بهبود ظرفیت پیش‌بینی دیابت DiaNet استفاده شد .مدلDiaNet v2 با استفاده از بیش از 5000 تصویر شبکیه ساخته شد. لازم به ذکر است که مدل پیشنهادی DiaNet v2 مبتنی برVGG-11 ، عملکرد بهتری نسبت بهDenseNet-121، ResNet-50، EfficientNet و MobileNet_v2 نشان داد. شبکه VGG-11 با ImageNet آموزش داده شد که شامل خروجی 1000 نورون در لایه نهایی آن است.
یک ایستگاه کاری، متشکل از نسل دوازدهم Gen Intel(R) Core (TM) i7-127,00KF، با 128 گیگابایت رم و GeForce RTX 3090 GPU، برای همه آزمایش‌ها استفاده شد.
در مقایسه با مدل DiaNet v1، هوش مصنوعیDiaNet v2 با استفاده از مجموعه داده های ترکیبی QBB و HMC آموزش داده شد.
یافته های این مطالعه
در مجموع 15011 تصویر به دست آمد که از این میان، 7515 تصویر مربوط به افراد دیابتی و 7496 تصویر مربوط به افراد غیر دیابتی یا افراد سالم، بود.
مدل جدید بیش از 92 درصد دقت را در افتراق افراد مبتلا به دیابت از گروه کنترل سالم به دست آورد که در مقایسه با مدل قبلی دستاورد قابل توجهی است.
عملکرد DiaNet v2 با استفاده از مجموعه داده های HMC و QBB در مقیاس بزرگ تأیید شد، که بیشتر تایید کرد "تصاویر شبکیه" منبعی عالی برای تشخیص دیابت هستند.
تصاویر شبکیه از مجموعه داده های بیوبانک قطر فاقد اطلاعات در مورد آسیب شناسی های قبلی و چشمی بودند. برای غلبه بر این نقص، داده های HMC در آنها ادغام شدند زیرا حاوی اطلاعات مرتبط مستند شده توسط چشم پزشکان بود.
تصاویر شبکیه از افراد مبتلا به دیابت طیفی از آسیب شناسی ها مانند خونریزی زجاجیه و میکروآنوریسم را نشان می دهند که در نتیجه ی دیابت ایجاد شده اند.
یک چشم دیابتی، همچنین به رتینوپاتی دیابتی غیرپرولیفراتیو خفیف (NPDR) مبتلا می شود که مرحله اولیه رتینوپاتی دیابتی (DR) است. گروه مطالعه همچنین شامل تصاویری از چشم های غیر دیابتی مبتلا به گلوکوم بود.
این تصاویر برای آموزش نسخه طبقه بندی شده ی جنسیتی DiaNet v2 استفاده شده است. جالب توجه است که دقت بالاتری در تشخیص دیابت در شرکت کنندگان زن مشاهده شد.مطالعات آینده باید این نابرابری جنسیتی را برای به دست آوردن یک مدل برتر برای تشخیص دیابت، صرف نظر از تفاوت‌های جنسیتی، بررسی کند.
تجزیه و تحلیل طبقه بندی سن، دقت برتر VGG-11 را در تمام گروه های سنی نشان داد، اما بیشترین دقت در گروه های سنی 18 تا 39 سال و پس از آن 40 و 59 سال به دست آمد.عملکرد مدل DiaNet v2 در گروه سنی 60 تا 90 به دلیل کوچکتر بودن اندازه ی گروه کنترل، قابل بررسی نبود. این یافته نشان دهنده اهمیت یک مجموعه داده ی متعادل برای پیش بینی دقیق است.
تجزیه و تحلیل نقشه ی فعال‌سازی کلاس (CAM) مناطقی را در تصویر شبکیه نشان داد که بر پیش‌بینی‌های مدل DiaNet v2 تأثیر می‌گذارند. این نواحی با ماکولا، دیسک بینایی و نواحی مرتبط با توسعهDR مرتبط هستند.
تجزیه و تحلیل CAM شواهدی از بیماری های سیستماتیک، مانند بیماری ایسکمیک قلب، فشار خون بالا و دیابت را ارائه کرد.
نتیجه گیری
مطالعه ی حاضر پتانسیل مدل های یادگیری عمیق بر اساس تصاویر شبکیه را در تشخیص دیابت نشان داد.
می توان از مدل diaNet v2 به عنوان یک ابزار موثر، جایگزین، قابل اعتماد و غیر تهاجمی برای تشخیص دیابتاستفاده کرد. در آینده، رویکردهای چندوجهی باید برای بهبود عملکرد مدل پیاده‌سازی شوند، که باید قبل از استفاده در دنیای واقعی اعتبارسنجی شوند.
منبع:
https://www.news-medical.net/news/20240122/Innovative-diabetes-detection-method-with-DiaNet-v2-utilizing-retinal-imaging-technology.aspx