Дослідження ефективності застосування методів машинного навчання у медичній діагностиці
У роботі запропоновано застосування методів машинного навчання для аналізу рентгенівських знімків легень. Проаналізовано вплив різних факторів на якість зображень рентгенівських знімків, проведено моделювання процесу аналізу рентгенівських знімків за допомогою нейронних мереж, виконано аналіз ефективності нейромережевого моделювання у медичній діагностиці.
Значне поширення захворюваності на СOVID-19 та пневмонію визвало велике навантаження на вітчизняну медичну систему. Дуже важливо діагностувати СOVID-19 та пневмонію якомога швидше для визначення правильного лікування. На жаль не завжди є доступ до систем тестування, або результати можуть бути помилковими. В цьому випадку метод діагностування СOVID-19 та пневмонії за рентген знімками може бути зручним та легкодоступним методом, також ці захворювання можуть бути виявлені при звичайних медоглядах автоматично.
Зазначене визначає необхідність розробки технологічного інструментарію для лікарень та рентген-кабінетів де не вистачає лікарів-спеціалістів і радіологів. Це дозволить робити попередню діагностику захворювання на рентгенівських знімках, а також давати інструкції та вказівки щодо лікування або направлення пацієнтів до спеціалізованих медичних центрів.
Метою роботи є дослідження моделей нейронних мереж для оцінки рентгенівських знімків легень. Для вирішення зазначеної проблеми доцільним є застосування нейромереж типу Deep CNN (глибокі згорткові нейронні мережі), що найбільш придатні для рішення задач класифікації графічної інформації [1]. Такі мережі зможуть автоматично встановлювати діагноз за рентгенівським знімком легень і зменшити таким чином навантаження на медичних працівників при спалахах захворюваності СOVID-19 або пневмонії.
На Рис. 1 представлена структура скринінгу пневмонії на основі глибокого навчання.
Для діагностики були виділені наступні ключові ознаки:
- Структура тканини легень (щільність тканини, наявність затемнень чи вогнищевих змін).
- Патерни затінення (типи затінень, інтенсивність та розташування).
- Об’ємність легеневого поля (збільшення або зменшення об’єму легеневих полів, асиметрія).
- Видимість легеневих коренів (зміни у вигляді легеневих коренів, розмір та чіткість контурів).
- Присутність вторинних ознак (наявність рідини у плевральній порожнині, зміни в діафрагмі).
Для експериментального дослідження ефективності застосування нейронних мереж різних типів для аналізу рентгенівських знімків був використаний набір даних з 5000 рентгенівських знімків.
Для дослідження було обрано дві архітектури нейронних мереж – VGG16 та UNet. Моделі оцінювалися на окремому наборі даних (в даному випадку, на наборі для валідації). Оцінка включає в себе втрати та точність [2].
На основі результатів експерименту можна зробити висновок про перевагу використання архітектури нейронної мережі UNet для аналізу рентгенівських знімків у порівнянні з VGG16. Цей вибір обґрунтований наступним:
- Вища точність. UNet показала вищу точність (0.952135623) у порівнянні з VGG16 (0.91764326). У медичній діагностиці, де кожен відсоток точності може мати критичне значення, ця перевага є вирішальною.
- Спеціалізація UNet. Архітектура UNet була спеціально розроблена для задач сегментації в медичних зображеннях. Це призводить до її вищої ефективності у порівнянні з VGG16, яка, хоча й є потужною в загальних задачах комп’ютерного зору, не має такої ж спеціалізації.
Література
- The Detection of COVID-19 in Chest X-Rays Using Ensemble CNN Techniques. – 2022. – Режим доступу: https://www.medrxiv.org/content/10.1101/2022.11.29.22282856v1.full.
- База даних радіографії COVID-19. – URL: https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database/ (2021).