Біомедична інженерія і технологія, № 12
Постійне посилання зібрання
Переглянути
Перегляд Біомедична інженерія і технологія, № 12 за Автор "Бабенко, Віталій Олегович"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Використання глибоких нейронних мереж для порівняльного аналізу норми, пневмонії і COVID-19(КПІ ім. Ігоря Сікорського, 2023) Юхимюк, Роман Юрійович; Шкепаст, Марко Вадимович; Настенко, Євген Арнольдович; Лінник, Микола Іванович; Давидович, Ілля Вікторович; Бабенко, Віталій ОлеговичРеферат – Пандемія COVID-19 мала глибокі соціально-економічні наслідки, що продовжують помітно впливати на сучасне суспільство. Вірусу властиві запальний характер, швидкі реплікація і трансмісія, та, переважно, враження легеневої тканини. Клінічний перебіг захворювання особливо небезпечний, оскільки воно швидко переходить від початкових, відносно доброякісних фаз до тяжких форм хвороби із низьким відсотком одужання пацієнтів. У зв’язку з цим виникає необхідність у швидких та автоматизованих методах діагностики, особливо для осіб, які проходять комп’ютерну томографію. Ціллю даної наукової роботи було підвищення точності та ефективності візуальної діагностики з використанням зображень комп’ютерної томографії шляхом застосування алгоритмів глибоких нейронних мереж. Корисність цих алгоритмів полягає ще й в тому, що вони слугують додатковим інструментом для лікарів, дозволяючи виявляти клінічно значущу інформацію, яка може бути неочевидною при спостереженні лише людиною. Нейронні мережі були обрані для дослідження завдяки їхньої здатності виконувати складний аналіз зображень та зберігати просторову інформацію. Крім того, їхня здатність навчатись на великих масивах даних та виявляти приховані закономірності останнім часом викликає значний інтерес з боку клінічного суспільства. Набір даних, що використовувався в дослідженні, містив 1192 зображення комп’ютерної томографії структур легень, розподілених наступним чином: 209 зображень належали пацієнтам з пневмонією, 581 – з COVID-19, і 402 – пацієнтам зі здоровими легенями, які слугували контрольною групою для виявлення значущих відмінностей в патологічних станах. Зображення були надані медичним персоналом ДУ «Національний інститут фтизіатрії і пульмонології імені Ф.Г. Яновського». Враховуючи, що набір даних включав три стани легень, задача дослідження була розділена на три підзадачі: порівняння норми і пневмонії, норми і COVID-19, та пневмонії і COVID-19. Подібна методологічна стратифікація дозволила більш детально розглянути унікальні характеристики кожного захворювання: наприклад, пневмонія часто характеризується наявністю консолідованих ділянок, в той час як при COVID-19 можуть спостерігатись більш дисперсійні помутніння у вигляді «матового скла». Для вирішення кожної підзадачі використовувались як автоенкодер, так і згорткова нейронна мережа, а потім проводилось порівняння їхньої ефективності.Документ Відкритий доступ Порівняльний аналіз ансамблевих алгоритмів машинного навчання у прогнозуванні наявності захворювань серця(КПІ ім. Ігоря Сікорського, 2023) Беспалов, Ярослав Володимирович; Настенко, Євген Арнольдович; Бабенко, Віталій ОлеговичРеферат – Серцево-судинні захворювання (ССЗ) продовжують бути провідною причиною летальних випадків та інвалідизації на глобальному рівні, становлячи загрозу для здоров’я мільйонів осіб. Незважаючи на значні досягнення в області медичних технологій, існують виклики, пов’язані з ранньою діагностикою та точним прогнозуванням ССЗ, що ускладнюється різноманітністю клінічних даних та складністю патологій. Дане дослідження має на меті оцінити ефективність застосування ансамблевих алгоритмів машинного навчання для прогнозування ССЗ, аналізуючи їх точність, надійність та інтегрованість з клінічними даними. Особлива увага приділяється потенціалу цих алгоритмів у вдосконаленні клінічного прогнозування та терапевтичних підходів до лікування ССЗ. Науковий проект фокусується на реалізації алгоритмів машинного навчання, зокрема ансамблевих методів, які застосовуються для створення моделей бінарної класифікації. Використовуються такі методи ансамблевого навчання, як Random Forest, XGBoost та LightGBM. Основна увага зосереджена на оптимальному розподілі даних для забезпечення точної оцінки, з використанням 10% даних для екзамену, 80% для тренування та 20% для тестування. Параметри моделей оптимізуються за допомогою 5-fold перехресної валідації. Модель Random Forest продемонструвала високу точність під час тренування, однак показала меншу точність під час тестування і екзамену, що може свідчити про перенавчання. У контрасті, моделі LightGBM та XGBoost показали більш стабільні результати на всіх етапах, зокрема LightGBM виявилася більш ефективною з точки зору швидкості навчання. Висновки дослідження підтверджують, що ансамблеві алгоритми машинного навчання, особливо LightGBM, є ефективними у прогнозуванні ССЗ. Результати також акцентують увагу на тому, що вік, систолічний кров’яний тиск та індекс маси тіла є ключовими індикаторами для оцінки ризику ССЗ.