לאחרונה דוחות מדעיים המחקר פיתח את DiaNet v2, צורה מעודכנת של DiaNet שפותחה בעבר, שהייתה המודל הראשון המבוסס על למידה עמוקה לאבחון סוכרת באמצעות תמונות רשתית.
לימוד: שיטה מבוססת למידה עמוקה DiaNet v2 לאבחון סוכרת באמצעות תמונות רשתית. קרדיט תמונה: LALAKA/Shutterstock.com
רקע כללי
סוכרת (DM) היא הפרעה מטבולית הקשורה לתחלואה ותמותה ארוכת טווח.
ישנם שני סוגים של DM, כלומר, סוג 1 DM (DM-1) וסוג 2 DM (DM-2). בהשוואה ל-DM-1, DM-2 נפוץ יותר ברחבי העולם.
מיליוני אנשים ברחבי העולם מושפעים מ-DM, שצפוי להגיע ל-136 מיליון עד 2045. גילוי מוקדם של מצב מטבולי זה משפיע באופן משמעותי על הטיפול והמניעה.
מספר בדיקות, כגון גלוקוז פלזמה אקראי (RPG), גלוקוז פלזמה בצום (FPG), בדיקות סובלנות גלוקוז דרך הפה (OGTT) והמוגלובין A1c (HbA1c), מבוצעות כדי לזהות DM.
יש לציין כי זוהו מספר מגבלות לכל אחת מהבדיקות הנ"ל. לדוגמה, לבדיקות FPG יש רגישות נמוכה יותר, ודו"ח של ארגון הבריאות העולמי קבע ש-FPG החמיצה כ-30% מאבחוני הסוכרת.
תוצאות HbA1c מושפעות גם מסוגים שונים של אנמיה או המוגלובינופתיה, מה שעלול להשפיע על האבחנה.
בהתחשב במגבלות בשיטות זיהוי הסוכרת הזמינות ובשיעור השכיחות הגבוה שלהן, חשוב לפתח שיטה חלופית, חסכונית עם דיוק ורגישות גבוהים יותר.
מחקרים קודמים גילו מספר דרכים חלופיות לזיהוי סוכרת הכוללות שימוש בתמונות רשתית, אלקטרוקרדיוגרפיה (ECG) ובדיקות נשימה.
כפי שהוזכר קודם לכן, DiaNet פותחה בעבר כשיטה חלופית לזיהוי DM.
מודל מבוסס למידה עמוקה זה זיהה את ההפרעה המטבולית באמצעות תמונות רשתית והפגין דיוק של 84% בהבחנה בין חולי סוכרת לבין אנשים שאינם חולי סוכרת.
לגבי המחקר
מחקר זה השתמש בקבוצות גדולות מהביובנק של קטאר (QBB) ומ-Hamad Medical Corporation (HMC), ספק שירותי הבריאות הגדול ביותר בקטאר, כדי לשפר את יכולת הניבוי של DiaNet לסוכרת.
DiaNet v2 פותח באמצעות יותר מ-5,000 תמונות רשתית. יש לציין שהדגם המוצע מבוסס DiaNet v2 המוצע הציג ביצועים טובים יותר מאשר DenseNet-121, ResNet-50, EfficientNet ו-MobileNet_v2. רשת VGG-11 אומנה עם ImageNet, הכוללת פלט של 1,000 נוירונים בשכבה הסופית.
תחנת עבודה המורכבת מהדור ה-12 של Intel(R) Core (TM) i7-127,00KF, עם 128 GB RAM ו-GeForce RTX 3090 GPU, שימשה עבור כל הניסויים.
בהשוואה ל-DiaNet v1, DiaNet v2 הוכשר באמצעות מערך הנתונים המשולב של QBB ו-HMC.
ממצאי המחקר
בסך הכל התקבלו 15,011 תמונות, מתוכן 7,515 תמונות של חולי סוכרת ו-7,496 של אנשים שאינם חולי סוכרת או של חולי ביקורת בריאים.
המודל החדש השיג דיוק של מעל 92% בהבחנה בין אנשים עם סוכרת מקבוצת הביקורת הבריאה, וזה הישג משמעותי בהשוואה למודל הקודם.
הביצועים של DiaNet v2 אומתו באמצעות מערך הנתונים של HMC ו-QBB בקנה מידה גדול, אשר אישר עוד יותר שתמונות רשתית הן מקור מצוין לאיתור סוכרת.
לתמונות הרשתית ממערך הנתונים של QBB היה חסר מידע על פתולוגיות קיימות ועיניות. כדי להתגבר על חסרון זה הקשור לנתונים, שולבו נתוני HMC מכיוון שהם מכילים מידע רלוונטי שתועד על ידי רופאי עיניים.
תמונות רשתית של אנשים עם סוכרת הציגו מגוון פתולוגיות, כמו דימום בזגוגית ומיקרו מפרצת, שהיא תוצאה של סוכרת.
עין סוכרתית מפתחת גם רטינופתיה סוכרתית קלה לא-שגשוגית (NPDR), שלב מוקדם יותר של רטינופתיה סוכרתית (DR). קבוצת המחקר כללה גם תמונות של עיניים ללא סוכרת עם גלאוקומה.
תמונות אלו שימשו להכשרת הגרסה המרובדת של DiaNet v2. באופן מעניין, דיוק גבוה יותר בזיהוי סוכרת נצפה בקרב משתתפות.
מחקרים עתידיים חייבים לטפל בפער מגדרי זה כדי להשיג מודל מעולה לזיהוי סוכרת, ללא קשר להבדלים בין המינים.
הניתוח השכבתי בגיל גילה דיוק מעולה של VGG-11 בכל קבוצות הגיל; עם זאת, הדיוק הגבוה ביותר הושג בקבוצות גיל בין 18 ל-39 שנים, ואחריו 40 ו-59 שנים.
הביצועים של מודל DiaNet v2 הופרעו בקבוצת הגיל 60-90 עקב גודל קבוצת הביקורת הקטן יותר. ממצא זה משקף את החשיבות של מערך נתונים מאוזן לחיזוי מדויק.
ניתוח Class Activation Map (CAM) הצביע על האזורים בתמונת הרשתית המשפיעים על התחזיות של מודל DiaNet v2. אזורים אלה קשורים למקולה, דיסק אופטי ואזורים הקשורים לפיתוח DR.
ניתוח CAM סיפק עדות למצבים שיטתיים, כגון מחלת לב איסכמית, יתר לחץ דם וסוכרת.
מסקנות
המחקר הנוכחי חשף את הפוטנציאל של מודלים של למידה עמוקה המבוססים על תמונות רשתית באבחון סוכרת.
מודל diaNet v2 יכול לשמש ככלי יעיל, חלופי, אמין ולא פולשני לאבחון סוכרת. בעתיד, יש ליישם גישות מולטי-מודאליות כדי לשפר את ביצועי המודל, שיש לאמת לפני השימוש בעולם האמיתי.
