في سعي العلم الحديث نحو تحسين تشخيص الأمراض، تبرز دراسة جديدة تتناول تليف الكبد المرتبط بمرض الكبد الدهني المرتبط باضطراب الأيض (MASLD). يعتبر تليف الكبد من العوامل الرئيسية التي تؤثر على صحة الكبد، مما يستدعي تطوير طرق تشخيص جديدة وأكثر دقة.

تقنية FIB-4 تُعد واحدة من الاختبارات غير الغازية الأكثر شيوعًا في تشخيص تليف الكبد، لكنها قد تعاني من قيود، وخاصة فيما يتعلق بمقدار المعلومات التشخيصية المستمدة من بيانات مثل العمر ومعدلات إنزيمات الكبد. هنا يأتي دور الذكاء الاصطناعي لتغيير المعادلة.

الدراسة التي نشرت في arXiv استخدمت نموذجًا متقدمًا لتطبيق تقنية التعلم الآلي (Machine Learning) لتعزيز نتائج الاختبارات غير الغازية. تم تقييم فعالية هذا النموذج باستخدام بيانات من ثلاثة مصادر في الصين وماليزيا والهند، مع التركيز على تحسين دقة الكشف عن تليف الكبد.

شملت الموديلات المستخدمة في الدراسة خمسة متغيرات رئيسية: العمر، FIB-4، إنزيم الأسبارتات أمينotransferase، عدد الصفائح الدموية، وإنزيم الألانين أمينotransferase. وقد تم مقارنة نتائج FIB-4 مع نموذج التعلم العميق السطحي (s-DNN) ونموذج TabPFN ونسخة مطورة من GPT-4.

على الرغم من أن نموذج FIB-4 حقق نتائج جيدة، إلا أن النموذج السطحي العميق للسلسلة (s-DNN) outperforme من حيث التوازن وجودة النتائج. فقد أظهرت النتائج أن s-DNN حقق دقة أعلى واحتاج فقط لعدد قليل من المعلمات القابلة للتدريب مقارنةً بالنموذج الآخر.

تسعى هذه الابتكارات إلى تقديم تشخيصات أكثر دقة وموثوقية، مما يسمح للأطباء بتقديم التخطيط العلاجي بشكل أفضل وزيادة فرص النجاة للمرضى.