Diabetes diagnosis using a hybrid CNN LSTM MLP ensemble

דמיינו מערכת שיודעת לזהות סימני סוכרת מתוך נתונים רפואיים עוד לפני שהרופא מספיק להביט בתוצאות הבדיקות. סוכרת היא אחת המחלות הכרוניות הנפוצות והמסוכנות ביותר בעולם, ושיעורי ההיארעות שלה רק הולכים ועולים עם הזדקנות האוכלוסייה. האבחון המסורתי מתבסס על שיפוט קליני ובדיקות פיזיות, תהליך שגוזל זמן יקר ולא תמיד מדויק דיו, בעוד שגישות מבוססות בינה מלאכותית ולמידה עמוקה מבטיחות דיוק גבוה יותר וזיהוי דפוסים נסתרים בתוך כמויות עצומות של נתונים רפואיים.

אלא שכאן מתעוררת שאלה מעניינת: הנתונים הקליניים של מטופלים כוללים גם מדדים קבועים כמו גיל ומגדר, וגם מדדים שמשתנים לאורך זמן כמו תוצאות בדיקות דם ולחץ דם. מודלים מבוססי רשת בודדת מתקשים למצות את שני סוגי המידע הללו במקביל. רשתות קונבולוציה מצטיינות בזיהוי דפוסים מרחביים, בעוד רשתות LSTM מתמחות בזיהוי דפוסים שמתפתחים עם הזמן, אך שילוב בין השתיים לצורך אבחון סוכרת כמעט ולא נחקר עד כה.

המחקר הנוכחי בוחן פתרון חדשני: מודל אנסמבל היברידי המשלב רשת CNN ורשת LSTM לחילוץ מאפיינים מקבילים מתוך נתוני מטופלים אמיתיים ממאגר KAIMRC, ומזין את התובנות המשולבות למסווג רשת נוירונים נוסף שמקבל את ההחלטה הסופית. כיצד מתמודד המודל המשולב מול גרסאותיו הבודדות ומול שיטות קיימות בספרות? התשובה טמונה בתוצאות המחקר.