Diagnosis of COVID-19-associated cardiopulmonary pathology from ct data using artificial intelligence: a review of methods and future research directions

Скорочена інформація про документ
dc.contributor.authorNastenko, Ievgen A.
dc.contributor.authorLinnik, Mykola I.
dc.contributor.authorHoncharuk, Maksym O.
dc.contributor.authorDavydovych, Illia V.
dc.contributor.authorLutchenko, Viktoriia H.
dc.contributor.authorBabenko, Vitali O.
dc.contributor.authorDolinchuk, Liudmyla
dc.date.accessioned2026-02-10T08:15:28Z
dc.date.available2026-02-10T08:15:28Z
dc.date.issued2025
dc.description.abstractBackground. The COVID-19 pandemic, caused by SARS-CoV-2, has significantly impacted global health, emphasizing the importance of efficient diagnostic methods. Computed tomography (CT) imaging plays a crucial role in identifying COVID-19-associated lung pathologies, yet manual analysis of extensive imaging data remains burdensome. Machine learning (ML) methods offer promising automated solutions to expedite diagnostics and reduce workload on radiologists. Objective. To evaluate the effectiveness of machine learning algorithms, specifically convolutional neural networks (CNN) and texture analysis methods, in automated detection and classification of COVID-19-related cardiopulmonary pathology using chest CT imaging. Methods. This study analyzed chest CT datasets obtained from clinical resources, which included images from patients with COVID-19 exhibiting ground-glass opacities, crazy-paving patterns, and consolidations. Regions of interest (ROIs) were segmented and classified using various machine learning approaches: CNN combined with gray-level co-occurrence matrix (GLCM) texture analysis, logistic self-organizing forest (LSOF), group method of data handling (GMDH), and ensemble methods including random forest, XGBoost, LightGBM, and random forest of optimal complexity trees (RFOCT). Results. The CNN and texture-based hybrid classifiers achieved high accuracy, with overall classification accuracies ranging from 83% to 99%. Specifically, ground-glass opacity identification reached up to 100% accuracy, while crazy-paving patterns and consolidations showed slightly lower accuracies (71–95%). The ensemble method RFOCT achieved the highest accuracy (89%) in differentiating acute COVID-19 from Long COVID. Additionally, methods incorporating texture analysis significantly enhanced the accuracy and informativeness of CT-based diagnostics. Conclusions. Machine learning algorithms, particularly CNNs and advanced texture analysis, demonstrate significant potential in automating the diagnosis of COVID-19-associated lung pathology. These approaches not only increase diagnostic efficiency but also facilitate the detection of subtle pathological changes, crucial for clinical decision-making and patient management during epidemiological crises. Future research should address current limitations related to dataset size, computational complexity, and generalizability to further enhance clinical applicability.
dc.description.abstractotherВступ. Пандемія COVID-19, спричинена SARS-CoV-2, суттєво вплинула на глобальну охорону здоров'я, підкресливши важливість ефективних методів діагностики. Комп'ютерна томографія (КТ) відіграє вирішальну роль у виявленні COVID-19-асоційованої патології легень, проте ручний аналіз великих обсягів даних зображень залишається обтяжливим. Методи машинного навчання (МН) пропонують перспективні автоматизовані рішення для прискорення діагностики та зменшення навантаження на радіологів. Мета. Оцінити ефективність алгоритмів машинного навчання, зокрема згорткових нейронних мереж (ЗНМ) та методів текстурного аналізу, для автоматизованого виявлення та класифікації COVID-19-асоційованої кардіопульмональної патології з використанням КТ-зображень грудної клітки. Методи. У цьому дослідженні аналізувалися набори даних КТ грудної клітки, отримані з клінічних ресурсів, які включали зображення пацієнтів з COVID-19, що демонструють матове скло, бруківку та консолідації. Області інтересу (ОІ) були сегментовані та класифіковані з використанням різних підходів машинного навчання: ЗНМ у поєднанні з текстурним аналізом на основі матриці суміжності рівнів сірого (GLCM), логістичний самоорганізований ліс (LSOF), метод групового урахування аргументів (МГУА) та ансамблеві методи, включаючи випадковий ліс, XGBoost, LightGBM і випадковий ліс дерев оптимальної складності (RFOCT). Результати. Гібридні класифікатори на основі ЗНМ та текстурного аналізу досягли високої точності, із загальною точністю класифікації від 83% до 99%. Зокрема, ідентифікація матового скла досягла точності до 100%, тоді як бруківка та консолідації показали дещо нижчу точність (71-95%). Ансамблевий метод RFOCT досяг найвищої точності (89%) у диференціації гострої фази COVID-19 від Long COVID. Крім того, методи, що включають текстурний аналіз, значно підвищили точність та інформативність КТ-діагностики. Висновки. Алгоритми машинного навчання, особливо ЗНМ та вдосконалений текстурний аналіз, демонструють значний потенціал в автоматизації діагностики COVID-19-асоційованої патології легень. Ці підходи не тільки підвищують ефективність діагностики, але й сприяють виявленню тонких патологічних змін, що є критично важливим для прийняття клінічних рішень та ведення пацієнтів під час епідеміологічних криз. Майбутні дослідження повинні усунути поточні обмеження, пов'язані з розміром набору даних, обчислювальною складністю та узагальнюваністю, щоб ще більше підвищити клінічну придатність.
dc.format.pagerangeP. 16-27
dc.identifier.citationDiagnosis of COVID-19-associated cardiopulmonary pathology from ct data using artificial intelligence: a review of methods and future research directions / Ie. A. Nastenko, M. I. Linnik, M. O. Honcharuk, I. V. Davydovych, V. H. Lutchenko, V. O. Babenko, L. Dolinchuk // Innovative Biosystems and Bioengineering : international scientific journal. – 2025. – Vol. 9, No. 4. – P. 16-27. – Bibliogr.: 49 ref.
dc.identifier.doihttps://doi.org/10.20535/ibb.2025.9.4.325335
dc.identifier.orcid0000-0002-1076-9337
dc.identifier.orcid0000-0002-0011-7482
dc.identifier.orcid0000-0003-1537-4198
dc.identifier.orcid0000-0001-9987-8267
dc.identifier.orcid0009-0004-9684-7659
dc.identifier.orcid0000-0002-8433-3878
dc.identifier.orcid0000-0003-3006-0832
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78711
dc.language.isoen
dc.publisherIgor Sikorsky Kyiv Polytechnic Institute
dc.publisher.placeKyiv
dc.relation.ispartofInnovative Biosystems and Bioengineering: international scientific e-journal, Vol. 9, No. 4
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectartificial intelligence
dc.subjectCOVID-19
dc.subjectdiagnosis
dc.subjectcomputer-assisted
dc.subjectdiffuse alveolar damage
dc.subjectdisease progression
dc.subjectmachine learning
dc.subjectpneumonia
dc.subjectviral
dc.subjectpulmonary fibrosis
dc.subjecttomography
dc.subjectx-ray computed
dc.subjectштучний інтелект
dc.subjectкомп’ютеризована діагностика
dc.subjectдифузне альвеолярне запалення
dc.subjectпрогресування захворювання
dc.subjectмашинне навчання
dc.subjectвірусна пневмонія
dc.subjectлегеневий фіброз
dc.subjectкомп’ютерна томографія
dc.titleDiagnosis of COVID-19-associated cardiopulmonary pathology from ct data using artificial intelligence: a review of methods and future research directions
dc.title.alternativeResults of Machine Learning Applications in the Study of COVID-19 Associated Cardiopulmonary Pathology Using Computed Tomography Data
dc.title.alternativeРезультати застосування методів машинного навчання у дослідженні COVID-19 асоційованої кардіопульмональної патології за даними комп'ютерної томографії
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
16-27.pdf
Розмір:
857.02 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Innovative Biosystems and Bioengineering: international scientific e-journal, Vol. 9, No. 4