۲۹ژوئیه ۲۰۲۶ - در مطالعه‌ی اخیر که برای انتشار در مجله Scientific Reports پذیرفته شده است، محققان سعی کرده‌اند با استفاده از هوش مصنوعی (AI) ، ابزاری بسازند که بتواند دیابت را نه تنها تشخیص دهد، بلکه بگوید فرد دقیقاً به چه نوع دیابتی مبتلا می باشد. آن‌ها برای این کار از یادگیری ماشین (Machine Learning) استفاده کرده‌اند؛ به این معنا که به جای برنامه‌نویسیِ مستقیمِ دستورات، به کامپیوتر اجازه داده‌اند با بررسی داده‌های هزاران بیمار، خودش الگوهای بیماری را یاد بگیرد.

این مدل چطور کار می‌کند؟

این ابزارِ جدید، داده‌های ساده‌ای مانند سن، شاخص توده بدنی (BMI)، دور کمر، چربی خون، قند خون و سطح انسولین را ارزیابی می کند. سپس از یک شاخص سلامت پانکراس (Pancreatic-health index) استفاده می‌کند تا وضعیت لوزالمعده فرد را ارزیابی کند.

محققان چندین الگوریتم مختلف (روش‌های مختلف یادگیری ماشین) را با هم به رقابت گذاشتند تا بفهمند کدام روش هوشمندتر است،:

·  رگرسیون لجستیک (Logistic Regression): یک روش کلاسیک و ساده برای پیش‌بینی احتمال وقوع یک اتفاق.

·  درخت تصمیم (Decision Tree): روشی که مانند یک نمودار درختی، تصمیمات را مرحله به مرحله می‌گیرد.

·  جنگل تصادفی (Random Forest): ترکیبی از چندین درخت تصمیم که برای دقت بیشتر با هم مشورت می‌کنند.

·  الگوریتم KNN  یا K-Nearest Neighbors: روشی که بر اساس شباهت به همسایه‌های نزدیک (بیماران مشابه) تصمیم می‌گیرد.

·  بیز ساده (Naive Bayes): روشی مبتنی بر احتمالات ریاضی برای دسته‌بندی داده‌ها.

·  XGBoost: یک الگوریتم بسیار پیشرفته و قدرتمند که از اشتباهات مراحل قبلی خود برای یادگیری بهتر در مراحل بعدی استفاده می‌کند.

محققان اظهار داشتند که بهترین آلگوریتم XGBoost(یک مدل قدرتمند برای پیش‌بینی داده‌ها) بود و مدل KNN کمترین دقت را داشت.

نکات کلیدی و چالش‌ها:

۱. دقت و خطا: این مدل در تشخیص «پیش‌دیابت» و «دیابت نوع ۱» بسیار موفق بود. اما وقتی پای تشخیص «دیابت نوع ۲» و دیابت ناشی از بیماری پانکراس(دیابت پانکراتوژنیک یا نوع 3c یا T3cD) به میان آمد، کمی گیج شد.

۲. متهم اصلی گلوکز بود: محققان با استفاده از تحلیل LIME(روشی که به ما می‌گوید هوش مصنوعی چرا یک تصمیم خاص را گرفته)، فهمیدند که این مدل بیش از حد روی «قند خون» تمرکز کرده است. یعنی مدل عمدتاً شبیه به یک دستگاه اندازه‌گیری قند معمولی عمل می‌کند تا یک ابزار تشخیصی هوشمند که ویژگی‌های پیچیده بیولوژیکی را درک کند.

۳. مشکلِ داده‌های پراکنده: یکی از ضعف‌های بزرگ این است که بخش‌های مختلف هوش مصنوعی روی پایگاه‌های داده جداگانه‌ای آموزش دیده‌اند. مثل این است که به یک دانشجو بگویید کتاب‌های شیمی را در یک شهر بخواند و سوالات امتحان را در شهر دیگری از او بپرسند؛ این کار باعث می‌شود نتایج در دنیای واقعی هنوز غیرقابل اطمینان باشند.

نتیجه‌گیری و مسیر آینده:

یافته‌های این مطالعه نشان‌دهندۀ توسعه یک مدل یادگیری ماشین است که می‌تواند وضعیت دیابت را تشخیص داده و موارد مثبت را به چهار برچسب (پیش‌دیابت، نوع ۱، نوع ۲و نوع 3c) اختصاص دهد. در آینده، این چارچوب می‌تواند به غربالگری دیابت کمک کند. البته این مطالعه مشخص نکرده است که آیا استفاده از این مدل باعث بهبود مراقبت، نتایج درمان یا کیفیت زندگی می‌شود یا خیر.

تفاوت در تأثیر لیپیدها، پانکراس و اندازه‌گیری‌های بدنی ممکن است بازتاب‌دهندۀ تفاوت‌های بیولوژیکی زیرگروه‌ها باشد، اما همچنین می‌تواند ناشی از نحوۀ ساخت مجموعه‌داده یا نبود نشانگرهای زیستی تأیید شده، باشد. این چارچوب فعلاً باید به عنوان یک "اثبات مفهوم" (Proof-of-concept) در نظر گرفته شود، زیرا مراحل دودویی و چندکلاسۀ آن بر روی مجموعه‌داده‌های مجزا آموزش دیده‌اند.

مطالعات آینده باید از یک مجموعه‌داده آموزشی واحد که شامل برچسب‌های دقیق بالینی و نشانگرهای تایید شده پانکراس و خودایمنی باشد، استفاده کنند و مدل را در گروه‌های بالینی بزرگتر و متنوع‌تر اعتبار‌سنجی خارجی نمایند. همچنین پیش از انتقال این مدل‌ها به محیط‌های تصمیم‌گیری بالینی، باید مسائل اخلاقی و حریم خصوصی داده‌ها بررسی شود.

منبع:

https://www.news-medical.net/news/20260729/Researchers-train-AI-to-detect-diabetes-and-assign-four-diagnostic-labels.aspx