Машинне навчання в діагностиці захворювань легеневої системи

Автор(и)

  • Денис Панаскін Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0002-1966-2165
  • Єлизавета Білоконь Київський національний університет імені Тараса Шевченка, Україна https://orcid.org/0000-0002-6673-5910
  • Дмитро Бабко Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0002-7510-3552

DOI:

https://doi.org/10.25140/2411-5363-2022-2(28)-76-87

Ключові слова:

медицина; штучний інтелект; захворювання легень; інновації; діагностика

Анотація

Метою дослідження було порівняти точність постановки діагнозу нейромережею зі встановленим лікарями захворюванням, а також протестувати поточний метод обстеження на здорових людях. У процесі дослідження було використано теоретичні методи, діагностичні, емпіричні, методи математичної статистики та глибокого машинного навчання. Розроблена модель досягла високого рівня продуктивності, чутливість методу становила 99 %.
Пропоноване авторами дослідження забезпечує досить точне розпізнавання досліджуваних хвороб легень за звуками легень. Це дослідження демонструє позитивні результати машинного навчання на обмеженій вибірці.

Біографії авторів

Денис Панаскін, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

магістр кафедри обчислювальної техніки

Єлизавета Білоконь, Київський національний університет імені Тараса Шевченка

магістр факультету інформаційних технологій

Дмитро Бабко, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

магістр факультету інформатики та обчислювальної техніки

Посилання

Labaki W. W. Chronic respiratory diseases: a global view / W. W. Labaki, M. K. Han // Lancet Respiratory Medicine. – 2020. – Vol. 8, No. 6. – Pр. 531-533.

Cho S. J. Aging and Lung Disease / S. J. Cho, H. W. Stout-Delgado // Annual Review of Physiology. – 2020. – Vol. 82. – Pр. 433-459.

Greenes R. A. Medical informatics. An emerging academic discipline and institutional priority / R. A. Greenes, E. H. Shortliffe // JAMA. – 1990. – Vol. 263, No. 8. – Pр. 1114-1120.

Reiner B. I. Improving healthcare delivery through patient informatics and quality centric data / B. I. Reiner // Journal of Digital Imaging. – 2011. – Vol. 24, No. 2. – Pр. 177-178.

Kaul V. History of artificial intelligence in medicine / V. Kaul, S. Enslin, S. A. Gross // Gastrointestinal Endoscopy. – 2020. – Vol. 92, No. 4. – Pр. 807-812.

Aykanat M. Classification of lung sounds using convolutional neural networks / M. Aykanat, Ö. Kılıç, B. Kurt // EURASIP Journal on Image and Video Processing. – 2017. – Vol. 65, No. 1. – Pр. 65-69.

Bardou D. Lung sounds classification using convolutional neural networks / D. Bardou, K. Zhang, S. M. Ahmad // Artificial Intelligence in Medicine. – 2018. – Vol. 88, No. 1. – Pр. 58-69.

Detecting Respiratory Pathologies Using Convolutional Neural Networks and Variational Autoencoders for Unbalancing Data / M. T. García-Ordás, J. A. Benítez-Andrades, I. García-Rodríguez, C. Benavides, H. Alaiz-Moretón // Sensors. – 2020. – Vol. 20, No. 4. – Аrt. 1214.

Özçelik N. Artificial intelligence applications in pulmonology and its advantages during the pandemic period / N. Özçelik, İ. Selimoğlu // Tuberk Toraks. – 2021. – Vol. 69, No. 3. – Pр. 380-386.

Mekov E. Artificial intelligence and machine learning in respiratory medicine / E. Mekov, M. Miravitlles, R. Petkov // Expert Review of Respiratory Medicine. – 2020. – Vol. 14, No. 6. – Pр. 559-564.

Applications of artificial intelligence and machine learning in respiratory medicine / S. Gonem, W. Janssens, N. Das, M. Topalovic // Thorax. – 2020. – Vol. 75, No. 8. – Pр. 695-701.

Emmanouilidou D. Characterization of noise contaminations in lung sound recordings / D. Emmanouilidou, M. Elhilal // On Conference proceedings: Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. – Osaka: Osaka International Convention Center, 2013. – Pр. 2551-2554.

A wavelet-based ECG delineator: evaluation on standard databases / J. P. Martínez, R. Almeida, S. Olmos, A. P. Rocha, P. Laguna // IEEE Transactions on Biomedical Engineering. – 2004. – Vol. 51, No. 4. – Pр. 570-581.

Understanding and using sensitivity, specificity and predictive values / R. Parikh, A. Mathai, S. Parikh, G. Chandra Sekhar, R. Thomas // Indian Journal of Ophthalmology. – 2008. – Vol. 56, No. 1. – Pр. 45-50.

CNN-based transfer learning-BiLSTM network: A novel approach for COVID-19 infection detection / M. F. Aslan, M. F. Unlersen, K. Sabanci, A. Durdu // Applied Soft Computing. – 2021. – Vol. 98. – Аrt. 106912.

Ghaderzadeh M. Deep Learning in the Detection and Diagnosis of COVID-19 Using Radiology Modalities: A Systematic Review / M. Ghaderzadeh, F. Asadi // Journal of Healthcare Engineering. – 2021. – Vol. 2021. – Аrt. 6677314.

Machine Learning and Deep Neural Networks in Thoracic and Cardiovascular Imaging / T. A. Retson, A. H. Besser, S. Sall, D. Golden, A. Hsiao // Journal of Thoracic Imaging. – 2019. – Vol. 34, No. 3. – Pр. 192-201.

Radiomics and deep learning in lung cancer / M. Avanzo, J. Stancanello, G. Pirrone, G. Sartor // Strahlentherapie und Onkologie. – 2020. – Vol. 196, No. 10. – Pр. 879-887.

Systematic review of machine learning for diagnosis and prognosis in dermatology / K. Thomsen, L. Iversen, T. L. Titlestad, O. Winther // Journal of Dermatological Treatment. – 2020. – Vol. 31, No. 5. – Pр. 496-510.

Artificial Intelligence Surgery: How Do We Get to Autonomous Actions in Surgery? / A. A. Gumbs, I. Frigerio, G. Spolverato, R. Croner, A. Illanes, E. Chouillard, E. Elyan // Sensors. – 2021. – Vol. 21, No. 16. – Аrt. 5526.

Stanford Medicine. Harnessing the Power of Data in Health. Stanford Medicine [Electronic resource]. – 2017. – Accessed mode: https://med.stanford.edu/content/dam/sm/smnews/ documents/StanfordMedicineHealthTrendsWhitePaper2017.pdf.

Khemasuwan D. Artificial intelligence in pulmonary medicine: computer vision, predictive model and COVID-19 / D. Khemasuwan, J. S. Sorensen, H. G. Colt // European Respiratory Review. – 2020. – Vol. 29, No. 157. – Аrt. 200181.

Yu K.-H. Artificial intelligence in healthcare / K.-H. Yu, A. L. Beam, I. S. Kohane // Nature Biomedical Engineering. – 2018. – Vol. 2, No. 10. – Pр. 719-731.

Chin-Yee B. Three Problems with Big Data and Artificial Intelligence in Medicine / B. Chin-Yee, R. Upshur // Perspectives in Biology and Medicine. – 2019. – Vol. 62, No. 2. – Pр. 237-256.

Naylor C. D. On the Prospects for a (Deep) Learning Health Care System / C. D. Naylor // JAMA. – 2018. – Vol. 320, No. 11. – Pр. 1099-1100.

eDoctor: Machine learning and the future of medicine / G. S. Handelman, H. K. Kok, R. V. Chandra, A. H. Razavi, M. J. Lee, H. Asadi // Journal of Internal Medicine. – 2018. – Vol. 284, No. 6. – Pp. 603-619.

Upshur R. E. If not evidence, then what? Or does medicine really need a base? / R. E. Upshur // Journal of Evaluation in Clinical Practice. – 2002. – Vol. 8, No. 2. – Pp. 113-119.

Effect of Data Augmentation and Lung Mask Segmentation for Automated Chest Radiograph Interpretation of Some Lung Diseases / P. Gang, W. Zeng, Yu. Gordienko, Yu. Kochura, O. Alienin, O. Rokovyi, S. Stirenko // Neural Information Processing. ICONIP 2019. Communications in Computer

and Information Science / Edited by T. Gedeon, K. Wong, M. Lee. – Cham: Springer, 2019.

##submission.downloads##

Опубліковано

2022-09-15

Як цитувати

Панаскін, Д., Білоконь, Є., & Бабко, Д. . (2022). Машинне навчання в діагностиці захворювань легеневої системи. Технічні науки та технології, (2(28), 76–87. https://doi.org/10.25140/2411-5363-2022-2(28)-76-87

Номер

Розділ

ІНФОРМАЦІЙНО-КОМП’ЮТЕРНІ ТЕХНОЛОГІЇ