कैसे मशीन लर्निंग की सुविधा मधुमेह से संबंधित जिगर रोग की प्रारंभिक जांच

मधुमेह और यकृत स्वास्थ्य का बढ़ता संक्रमण

मधुमेह मेलेटस, विशेष रूप से टाइप 2 मधुमेह, यकृत रोग से अंतरंग रूप से जुड़ा हुआ है। यह संबंध द्विदिशात्मक है: एक समझौता यकृत इंसुलिन प्रतिरोध को बढ़ाता है, जबकि खराब ग्लाइसेमिक नियंत्रण यकृत क्षति को तेज करता है। सबसे प्रचलित मधुमेह-एसोसिएटेड यकृत की स्थिति गैर-अल्कोहलिक फैटी यकृत रोग (एनएएफएलडी) है, जो गैर-अल्कोहलिक स्टेटोहेपेटाइटिस (एनएएसएच), फाइब्रोसिस, सिरोसिस और यहां तक कि हेपाटोसेलुलर कार्सिनोमा तक पहुंच सकता है। अलार्मिंगली, कई रोगी बिना किसी लक्षणों के महत्वपूर्ण यकृत विकृति विकसित करते हैं, जिससे प्रारंभिक निदान एक महत्वपूर्ण अभी तक चुनौतीपूर्ण नैदानिक लक्ष्य बन जाता है।

पारंपरिक स्क्रीनिंग विधियों-routine जिगर समारोह परीक्षण और अल्ट्रासाउंड इमेजिंग- प्रारंभिक चरण रोग के लिए सीमित संवेदनशीलता है। उदाहरण के लिए, सीरम alanine अमीनोट्रांसफरेज (ALT) का स्तर अक्सर सामान्य रहता है जब पर्याप्त यकृत फाइब्रोसिस मौजूद होता है। इस नैदानिक अंतराल ने उन्नत कम्प्यूटेशनल दृष्टिकोण, विशेष रूप से मशीन लर्निंग (ML) में रुचि हासिल की है, रोगी डेटा से जटिल पैटर्न निकालने और अपरिवर्तनीय क्षति होने से पहले लंबे समय तक जोखिम वाले व्यक्तियों की पहचान करने के लिए।

कैसे मशीन लर्निंग एडवांस हेपेटोलॉजी स्क्रीनिंग

मशीन लर्निंग मॉडल उच्च-आयामी डेटासेट का विश्लेषण करने और गैर-रैखिक संबंधों का पता लगाने में उत्कृष्टता प्राप्त करते हैं जो पारंपरिक आंकड़े देख सकते हैं। मधुमेह से संबंधित यकृत रोग के संदर्भ में, एमएल एल्गोरिदम इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड, प्रयोगशाला मूल्यों, इमेजिंग अभिलेखागार और जीनोमिक डेटा के बड़े भंडार पर प्रशिक्षित होते हैं, जो भविष्य में जोखिम स्कोर उत्पन्न करते हैं। ये स्कोर चिकित्सकों को यह तय करने में मदद करते हैं कि क्या एक रोगी को आगे मूल्यांकन की आवश्यकता है, जैसे कि यकृत बायोप्सी या उन्नत विस्फोट।

कई अध्ययनों से पता चलता है कि एमएल मॉडल पारंपरिक जोखिम कैलकुलेटर को बेहतर बनाते हैं, जैसे कि एनएएफएलडी फाइब्रोसिस स्कोर या FIB-4 इंडेक्स, उन्नत फाइब्रोसिस वाले रोगियों की पहचान करने में। उदाहरण के लिए, एक तंत्रिका नेटवर्क मॉडल में शामिल उम्र, शरीर द्रव्यमान सूचकांक, HbA1c, प्लेटलेट गिनती और यकृत एंजाइमों ने डायबिटिक कोहोर्ट में महत्वपूर्ण फाइब्रोसिस का पता लगाने के लिए 0.90 से ऊपर रिसीवर ऑपरेटिंग विशेषता वक्र (AUC) के तहत एक क्षेत्र हासिल किया। यह पुराने तरीकों के साथ 0.75-0.80 के AUC पर पर्याप्त सुधार का प्रतिनिधित्व करता है।

मशीन लर्निंग मॉडल के लिए आवश्यक डेटा इनपुट

एमएल की शक्ति एक ही चर में नहीं बल्कि विविध डेटा स्रोतों के संयोजन में निहित है। मधुमेह से संबंधित यकृत रोग के प्रारंभिक पता लगाने के लिए सबसे प्रभावी मॉडल निम्नलिखित श्रेणियों को शामिल करते हैं:

• Metabolic मार्कर: फास्टिंग ब्लड ग्लूकोज, HbA1c, इंसुलिन का स्तर, HOMA-IR सूचकांक, ट्राइग्लिसराइड्स, HDL कोलेस्ट्रॉल।
• Liver जैव रसायन: ALT, AST, GGT, alkaline phosphatase, एलबमाइन, बिलीरुबिन, प्लेटलेट गिनती.
• ]Imaging features: क्वांटिटेटिव अल्ट्रासाउंड पैरामीटर (जैसे, क्षीणन गुणांक, कतरनी-तरंग गति), MRI-derived proton घनत्व वसा अंश, लौह जमावट मीट्रिक।
• Demographic और जीवन शैली डेटा: आयु, सेक्स, जातीयता, मधुमेह की अवधि, शरीर के वजन, शारीरिक गतिविधि, शराब की खपत इतिहास।
• Comorbidity and drug:] उच्च रक्तचाप, अपलिपिडेमिया, हृदय रोग, statin, इंसुलिन, या ग्लूकोज-कम एजेंट का उपयोग की उपस्थिति।

उन्नत मॉडल में टाइम-सीरीज़ फीचर्स भी शामिल हो सकते हैं, जैसे कि एचबीए 1 सी या लिवर एंजाइम में ट्रेंड्स, महीनों से लेकर वर्षों तक, बीमारी को एक ही स्नैपशॉट की तुलना में अधिक ईमानदारी से कब्जा कर लिया। आनुवंशिक डेटा जोड़ना- जैसे पीएनपीएलए 3 और टीएम 6 एसएफ 2 वेरिएंट - स्टेटोसिस और फाइब्रोसिस प्रगति के लिए भविष्यवाणियां refine।

Algorithm Families अभ्यास में प्रयुक्त

कोई भी एमएल एल्गोरिदम सार्वभौमिक रूप से सबसे अच्छा नहीं है। शोधकर्ता आम तौर पर डेटा आकार, फीचर प्रकार और नैदानिक प्रश्न के लिए सबसे उपयुक्त फिट खोजने के लिए कई आर्किटेक्चर की तुलना करते हैं। आम तौर पर नियोजित एल्गोरिदम में शामिल हैं:

• ] नियमितीकरण (लासो, रिज) के साथ रसद प्रतिगमन सरल, व्याख्यात्मक और प्रभावी जब सुविधा बातचीत सीमित हो जाती है।
• ]Random वन और ढाल वाले पेड़ (XGBoost, LightGBM): डेटा और गैर-रैखिक संबंधों को लापता करने के लिए अत्यधिक मजबूत; अक्सर सारणीबद्ध नैदानिक डेटा के लिए शीर्ष प्रदर्शन मॉडल का उत्पादन करते हैं।
• समर्थन वेक्टर मशीन (SVMs): उपयोगी जब सुविधाओं की संख्या नमूना आकार के सापेक्ष बड़ी है।
• डीप न्यूरल नेटवर्क (DNNs): जटिल इमेजिंग या बहु मॉड्यूलर एकीकरण के लिए सबसे शक्तिशाली, हालांकि बड़े डेटासेट और सावधानीपूर्वक नियमितीकरण की आवश्यकता होती है।
• Time-series मॉडल (LSTM, GRU): समय के साथ रोग प्रगति पर कब्जा है कि अनुदैर्ध्य इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा के लिए आदर्श।

एल्गोरिथ्म के बावजूद, सभी मॉडलों को विभिन्न आबादी, स्वास्थ्य देखभाल सेटिंग्स और डेटा संग्रह प्रोटोकॉल में सामान्यता सुनिश्चित करने के लिए स्वतंत्र बाहरी कोहोर्ट्स पर सख्ती से मान्य होना चाहिए। NIDDK Liver Disease Research Program] जैसे हाल के प्रयासों को मान्यकरण में तेजी लाने के लिए ओपन सोर्स बेंचमार्किंग डेटासेट्स को बढ़ावा देना।

मशीन लर्निंग के माध्यम से प्रारंभिक जांच के नैदानिक लाभ

नियमित मधुमेह देखभाल में एमएल को एकीकृत करने से कई tangible लाभ मिलते हैं जो सीधे रोगी परिणामों में सुधार करते हैं।

उच्च नैदानिक सटीकता

एमएल मॉडल झूठी सकारात्मक और झूठी-नकारात्मक दरों को कम करते हैं। नेशनल हेल्थ एंड न्यूट्रिशन एग्जाम सर्वे (NHANES) डेटासेट पर ढाले पेड़ों का उपयोग करके एक अध्ययन ने 65-70% की तुलना में उन्नत फाइब्रोसिस वाले मधुमेह रोगियों के 87% की सही पहचान की। Fewer याद किया मामलों का मतलब पहले हेपेटाइटिस विज्ञान के लिए रेफरल्स है, और अनावश्यक और महंगा काम करने वाले रोगियों से कम झूठे सकारात्मकता है।

तेज़, गैर-आवेशपूर्ण स्क्रीनिंग

अधिकांश एमएल मॉडल नियमित रूप से एकत्रित डेटा पर निर्भर करते हैं - रक्त काम और जीवन- रोगी के चार्ट में पहले से ही। यह प्रारंभिक जोखिम स्तरीकरण के लिए अतिरिक्त रक्त ड्रॉ या महंगे इमेजिंग की आवश्यकता को समाप्त करता है। एक साधारण डैशबोर्ड प्राथमिक देखभाल यात्रा के दौरान वास्तविक समय में उच्च जोखिम वाले रोगियों को ध्वजांकित कर सकता है, जिससे लक्षित चर्चा और अनुवर्ती कार्रवाई हो सकती है।

व्यक्तिगत जोखिम स्तरीकरण

पारंपरिक स्कोरिंग सिस्टम सभी रोगियों के लिए जोखिम कारकों के समान वजन को असाइन करते हैं। एमएल मॉडल व्यक्ति की अनूठी प्रोफाइल के आधार पर प्रत्येक कारक के महत्व को गतिशील रूप से समायोजित कर सकते हैं। उदाहरण के लिए, एक उच्च HbA1c वाली एक छोटी महिला लेकिन सामान्य ALT को एक ही प्रयोगशाला मूल्यों के साथ एक पुराने व्यक्ति की तुलना में एक अलग जोखिम स्कोर प्राप्त हो सकता है लेकिन उच्च रक्तचाप का इतिहास। यह व्यक्तिगत दृष्टिकोण सटीक चिकित्सा की ओर व्यापक आंदोलन के साथ संरेखित है।

आक्रामक प्रक्रियाओं की आवश्यकता को कम करना

लिवर बायोप्सी फाइब्रोसिस के चरण के लिए सोने का मानक बना हुआ है लेकिन इसमें खून बह रहा है, संक्रमण और नमूना त्रुटि का जोखिम होता है। सटीक रूप से उन रोगियों की पहचान करके जो महत्वपूर्ण बीमारी के बहुत कम जोखिम पर हैं, एमएल कई मधुमेह रोगियों को सुरक्षित रूप से बायोप्सी से बचने में मदद कर सकता है। इसके विपरीत, उच्च जोखिम वाले रोगियों को पुष्टिकरण के लिए प्राथमिकता दी जा सकती है गैर-इनवेसिव परीक्षण जैसे क्षणिक इलास्टोग्राफी (फ़ाइब्रोस्कन) जो बायोप्सी की तुलना में कम आक्रामक और अधिक स्केलेबल है।

लागत प्रभाव और संसाधन अनुकूलन

एक स्वास्थ्य प्रणाली परिप्रेक्ष्य से, एमएल-गाइडेड स्क्रीनिंग अनावश्यक विशेषज्ञ रेफरल, इमेजिंग अध्ययन और बायोप्सी को कम कर देता है। ]PubMed में प्रकाशित एक निर्णय-analytic मॉडल ने दिखाया कि प्राथमिक देखभाल मधुमेह क्लिनिक में एक एमएल आधारित जोखिम स्तरीकरण उपकरण को लागू करने से गुणवत्ता वाले समायोजित जीवन के वर्षों में सुधार करते हुए 18% तक प्रति रोगी की समग्र लागत कम हो जाती है।

चैलेंज्स लिमिटिंग वाइडस्प्रेड क्लिनिकल एडॉप्शन

सम्मोहक सबूत के बावजूद, एमएल आधारित स्क्रीनिंग से पहले कई बाधाओं को दूर किया जाना चाहिए, एंडोक्रिनोलॉजी और हेपेटोलॉजी क्लीनिक में नियमित रूप से हो जाता है।

डेटा गुणवत्ता और प्रतिनिधिता

एमएल मॉडल केवल उन डेटा के रूप में अच्छे हैं जिन पर उन्हें प्रशिक्षित किया जाता है। कई मौजूदा मॉडलों को तृतीयक देखभाल केन्द्रों या समरूप आबादी (जैसे, मुख्य रूप से उच्च आय वाले देशों से कोकेशियान नर) से डेटासेट का उपयोग करके विकसित किया गया है। जब समूह-जैसे हिस्पैनिक, ब्लैक, या एशियाई आबादी के विभिन्न चयापचय प्रोफाइल के साथ प्रतिनिधित्व किया जाता है - मॉडल प्रदर्शन अक्सर गिरावट आती है। प्रशिक्षण डेटा में विविधता को सुनिश्चित करना और एकाधिक साइटों पर बाहरी सत्यापन करना आवश्यक है।

पारस्परिकता और ट्रस्ट

नैदानिक लोग समझते हैं कि एक "ब्लैक बॉक्स" सिफारिश पर कार्य करने के लिए संकोची हैं, यह समझने के बिना कि एक मरीज को उच्च जोखिम स्कोर क्यों मिला है। एसएपी (SHapley Additive exPlanation) या LIME (Local Interpretable Model-agnostic Explanation) जैसे एक्सप्लेनिटी तकनीक प्रत्येक भविष्यवाणी के लिए सबसे प्रभावशाली सुविधाओं को उजागर कर सकती है। हालांकि, इन उपकरणों को उपयोगकर्ता के अनुकूल नैदानिक निर्णय समर्थन प्रणालियों में एकीकृत करना एक चल इंजीनियरिंग चुनौती बनी हुई है।

डेटा गोपनीयता और नियामक अनुपालन

रोगी स्वास्थ्य डेटा को यूरोप में संयुक्त राज्य अमेरिका और GDPR में HIPAA जैसे कानूनों द्वारा संरक्षित किया जाता है। मॉडल प्रशिक्षण के लिए संस्थानों में डेटा साझा करने से गोपनीयता की चिंता बढ़ती है। federated लर्निंग जैसी तकनीकें, जहां मॉडल स्थानीय रूप से प्रशिक्षित होते हैं और केवल समेकित पैरामीटर साझा किए जाते हैं, एक आशाजनक समाधान प्रदान करते हैं। इसके अतिरिक्त, नैदानिक सेटिंग में इस्तेमाल किए गए किसी भी एमएल मॉडल को नियामक मंजूरी (जैसे FDA 510(k) या CE अंकन) प्राप्त करनी चाहिए, जिसके लिए व्यापक सत्यापन और निगरानी की आवश्यकता होती है।

क्लिनिकल वर्कफ़्लो में एकीकरण

एक मॉडल जो एक शोध सर्वर में बैठता है लेकिन इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHR) में एकीकृत नहीं है, इसमें कम वास्तविक दुनिया का प्रभाव होगा। सफल तैनाती के लिए मौजूदा EHR सिस्टम, जोखिम स्कोर की स्वचालित पीढ़ी और अलर्ट के साथ सहज युग्मन की आवश्यकता होती है जो झूठे अलार्म के साथ चिकित्सकों को अभिभूत नहीं करते हैं। प्रौद्योगिकी विक्रेताओं, स्वास्थ्य आईटी टीमों और चिकित्सकों को ऐसे एकीकरण के लिए सर्वोत्तम प्रथाओं पर मार्गदर्शन प्रदान करने के लिए कार्यप्रवाहों को डिजाइन करने के लिए बारीकी से सहयोग करना चाहिए।

हेपेटोलॉजी के लिए मशीन लर्निंग में उभरते नवाचार

क्षेत्र तेजी से विकसित हो रहा है। कई नए निर्देश मधुमेह से संबंधित यकृत रोग की प्रारंभिक पहचान और निगरानी को बढ़ाने का वादा करते हैं।

बहु मोडल मॉडल संयोजन इमेजिंग और लैब डेटा

प्रयोगशाला मूल्यों पर पूरी तरह से भरोसा करने के बजाय, कटिंग-एज मॉडल इमेजिंग डेटा (अल्ट्रासाउंड, एमआरआई, या सीटी) और प्रयोगशाला दोनों को एकीकृत तंत्रिका नेटवर्क में खिलाते हैं। इस तरह के हाइब्रिड मॉडल सिस्टमिक चयापचय विकारों के अलावा यकृत स्टेटोसिस या फाइब्रोसिस के स्थानिक पैटर्न संकेत पर कब्जा कर सकते हैं। प्रारंभिक परिणाम बताते हैं कि बहु मोडल मॉडल एकल-मोडैलिटी दृष्टिकोण को बेहतर बनाते हैं, खासकर NASH का निदान करने के लिए।

पहनने योग्य उपकरणों के साथ एकीकरण

सतत ग्लूकोज मॉनिटर (CGM), गतिविधि ट्रैकर्स, और यहां तक कि स्मार्टवॉच आधारित हृदय गति परिवर्तनशीलता सेंसर उच्च आवृत्ति डेटा धारा उत्पन्न करते हैं। एमएल मॉडल जो इन अस्थायी डेटा को शामिल करते हैं, सूक्ष्म प्री-क्लिनिकल बदलावों का पता लगा सकते हैं, जैसे कि पोस्ट-प्रैंडियल ग्लूकोज स्पाइक्स जो यकृत वसा संचय के साथ संबंध रखते हैं। समय के साथ, ये अनुदैर्ध्य संकेत आवधिक क्लिनिक आधारित प्रयोगशाला परीक्षणों को प्रतिस्थापित या बढ़ा सकते हैं।

प्राकृतिक भाषा प्रसंस्करण (एनएलपी) नैदानिक नोट्स से

चिकित्सक नोट्स में असंरचनात्मक डेटा- जैसे कि "पेटेंट रिपोर्ट अधिक थकान महसूस करती है" या "mild right upper quadrant बेचैनी" - मूल्यवान जोखिम clues को शामिल करता है। एनएलपी मॉडल इन उल्लेखों को निकाल सकते हैं और उन्हें संरचित सुविधाओं में परिवर्तित कर सकते हैं। प्रयोगशाला और इमेजिंग डेटा के साथ संयुक्त, एनएलपी-अगस्त मॉडल को यकृत विघटन की घटनाओं के प्रारंभिक पता लगाने में सुधार करने के लिए दिखाया गया है।

सिंथेटिक डेटा संवर्धन के लिए जेनेरेटरी एआई

दुर्लभ रोग उपप्रकारों या बाल चिकित्सा आबादी में एमएल की एक सीमा डेटा की कमी है। सामान्य अधिवेशन नेटवर्क (GANs) और भिन्नतापूर्ण ऑटोनकोडर यथार्थवादी सिंथेटिक रोगी रिकॉर्ड का उत्पादन कर सकते हैं जो गोपनीयता को संरक्षित करते समय प्रशिक्षण डेटासेट का विस्तार करते हैं। ये सिंथेटिक रिकॉर्ड मॉडल वास्तविक रोगी डेटा को उजागर किए बिना अधिक मजबूत होने में मदद करते हैं, हालांकि कड़े गुणवत्ता नियंत्रण की आवश्यकता है ताकि यह सुनिश्चित किया जा सके कि वह सकारात्मक पैटर्न की शुरूआत को रोकने के लिए।

नैदानिक निर्णय समर्थन के लिए समझा जा सकता है एआई

व्याख्यात्मक एआई (XAI) में नए ढांचे न केवल वैश्विक सुविधा महत्व प्रदान करते हैं बल्कि प्रतिकारात्मक स्पष्टीकरण भी प्रदान करते हैं - "यदि यह रोगी का HbA1c 1% कम था, तो उनका जोखिम 15% तक गिर जाएगा। इस तरह की कार्रवाई योग्य अंतर्दृष्टि चिकित्सकों को व्यक्तिगत हस्तक्षेपों को डिजाइन करने के लिए सशक्त बनाती है। क्षेत्र इंटरैक्टिव डैशबोर्ड की ओर बढ़ रहा है जो चिकित्सकों को "what-if" चर को समायोजित करने और वास्तविक समय में अद्यतन जोखिम स्कोर देखने की अनुमति देता है।

चिकित्सकों और स्वास्थ्य प्रणालियों के लिए व्यावहारिक टेकअवे

स्वास्थ्य देखभाल संगठनों के लिए मधुमेह से संबंधित यकृत रोग के प्रारंभिक पता लगाने के लिए एमएल को अपनाने पर विचार करते हुए, निम्नलिखित कदम सफल कार्यान्वयन की सुविधा प्रदान कर सकते हैं।

• ]]एक अच्छी तरह से परिभाषित लक्ष्य स्थिति के साथ शुरू: एक विशिष्ट समापन बिंदु पर ध्यान केंद्रित करें, जैसे कि एक ही बार में सभी चरणों की भविष्यवाणी करने की कोशिश के बजाय महत्वपूर्ण फाइब्रोसिस (NF2) का पता लगाना।
• ]एक पारदर्शी, मान्य मॉडल चुनें: एल्गोरिदम को प्राथमिकता दें जो व्याख्यात्मकता (जैसे, SHAP मान) प्रदान करते हैं और बाहरी रूप से अपनी ही तरह की आबादी में मान्य हैं।
• ]]involve end-users first: सगाई प्राथमिक देखभाल चिकित्सकों, endocrinologists, और नर्सों के डिजाइन में निर्णय समर्थन उपकरण के लिए यह सुनिश्चित करने के लिए कि वे सहज और कार्रवाई योग्य हैं।
• ]एक चरणबद्ध रोलआउट को लागू करें:एक एकल क्लिनिक में एक पायलट के साथ शुरू करें, मीट्रिक मापें (संवेदनशीलता, विशिष्टता, चिकित्सक संतुष्टि), और फिर विस्तार करें।
• ]Drift के लिए मॉनिटर: रोगी आबादी और डेटा रिकॉर्डिंग प्रथाओं समय के साथ बदल जाते हैं। सटीकता बनाए रखने के लिए नियमित पुनर्प्रशिक्षण और प्रदर्शन ऑडिट अनुसूची।
• ]] डेटा बुनियादी ढांचे में निवेश करें: सुनिश्चित करें कि आपका EHR एमएल स्कोर के लिए मानकीकृत डेटा निष्कर्षण और वास्तविक समय में गणना का समर्थन करता है। FHIR जैसे अंतर-संभाव्यता मानकों महत्वपूर्ण हैं।

भविष्य आउटलुक: Towards a Standard of Care

जैसा कि मशीन लर्निंग परिपक्व होती है, मधुमेह देखभाल मार्गों का एक मानक घटक बनने की संभावना है, जो कि स्वचालित HbA1c व्याख्या अब नियमित है। भविष्यवाणी मॉडल जो निरंतर निगरानी उपकरणों और इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के साथ एकीकृत होते हैं, वह एपिकोडी स्क्रीनिंग से निरंतर जोखिम निगरानी में बदलाव ला सकते हैं। मरीजों को व्यक्तिगत अलर्ट प्राप्त होंगे जब उनके जोखिम वाले प्रक्षेपवक्र में बदलाव, समय पर जीवनशैली के संशोधन या फार्माकोलॉजिकल हस्तक्षेपों को प्रेरित करते हैं।

संगठनों द्वारा प्रयास करना जैसे कि अमेरिकी मधुमेह एसोसिएशन और EUse Association for the अध्ययन of Liver to include ML-enhanced screening in their Guidelines will be able to be able to get जिगर की बीमारी को एक चरण में पकड़ने के लिए जब यह अभी भी प्रतिवर्ती है, तो लाखों मधुमेह रोगियों को सिरोसिस और यकृत कैंसर की मृत्यु से बचाया जा सकता है। तकनीकी और परिचालन चुनौतियों के बने रहने के बावजूद, ट्रेजेक्टरी स्पष्ट है: मधुमेह से संबंधित यकृत रोग के खिलाफ लड़ाई में मशीन लर्निंग एक अनिवार्य उपकरण होगी।