AI-assisted ultrasonic system for non-invasive glucose classification in whole blood
Rattachement africain : kr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Abstract Diabetes mellitus is a chronic disorder characterized by persistent hyperglycemia that damages multiple organs. With global prevalence rising, accurate, convenient, and non-invasive glucose monitoring is urgently needed. However, current diagnostic methods—such as point-sample tests and continuous glucose monitoring (CGM)—remain limited by invasiveness and potential inaccuracy. In this study, we conduct an in vitro feasibility evaluation toward non-invasive glucose monitoring using an 80 MHz high-frequency ultrasound (HFU) transducer paired with a convolutional neural network (CNN). Signals were converted into time-frequency representations and analyzed using CNNs to classify blood samples by glucose concentration. Despite the inherent heterogeneity and noise in whole blood, the system achieved approximately 68% multi-class accuracy across glucose levels. These results indicate that ultrasound-based, AI-driven signal analysis offers a promising alternative for continuous, non-invasive glucose assessment, supporting improved diabetes management in clinical and home settings.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- AI-assisted ultrasonic system for non-invasive glucose classification in whole blood
- Date Crossref
- 25/11/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Pukyong National University Industry 4.0 Convergence Bionics Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Korea Institute of Atmospheric Prediction Systems Data Assimilation Group pays non établi dans la noticeOrganisation à but non lucratif
-
Catholic University of Korea Department of Artificial Intelligence pays non établi dans la noticeUniversité ou école supérieure
-
School of Information pays non établi dans la noticeUniversité ou école supérieure
Industry 4.0 Convergence Bionics Engineering — Pukyong National University, Data Assimilation Group — Korea Institute of Atmospheric Prediction Systems et Department of Artificial Intelligence — Catholic University of Korea, avec 1 autre affiliation.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.