Ефективність алгоритмів машинного навчання для класифікації змін структури легень у постковідних та гострих стадіях COVID-19

Скорочена інформація про документ
dc.contributor.authorЛутченко, Вікторія Геннадіївна
dc.contributor.authorБабенко, Віталій Олегович
dc.contributor.authorНастенко, Євген Арнольдович
dc.contributor.authorЛинник, Микола Іванович
dc.date.accessioned2024-11-14T13:14:33Z
dc.date.available2024-11-14T13:14:33Z
dc.date.issued2024
dc.description.abstractКомп'ютерна томографія (КТ) є важливим інструментом для діагностики змін структури легень завдяки своїй високій точності та чутливості у визначенні патологічних змін на тканинах. Деталізація тканин легень є основною причиною ефективності даного методу у виявленні як гострих стадій захворювання COVID-19, так і ускладнень, що виникли на тлі постковідного періоду (починається через три місяці після гострої стадії). Однак, важливу роль відіграють медичні фахівці, які працюють зі знімками КТ. Застосування комп’ютерних алгоритмів машинного навчання може сприяти покращенню медичної практики, від чого виграють як фахівці, отримуючи підтримку у прийнятті діагностичних рішень, так і пацієнти, отримуючи своєчасне та ефективне лікування. В даному дослідженні використовувалась база зрізів КТ легень, що була надана фахівцями ДУ «Національний інститут фтизіатрії та пульмонології імені Ф.Г. Яновського НАМН України» у рамках співпраці з КПІ ім. Ігоря Сікорського. Усього база містила 10 031 зріз КТ легень, які були взяті у 36 знеособлених пацієнтів. З них, 5 213 (52%) зрізів містили ознаки гострої фази COVID19, а 4 818 (48%) – ознаки постковіду. Перед процесом моделювання було прийнято рішення розподілити пацієнтів в тренувальну (80.6%) і тестову (19.4%) вибірки. Завдяки такому розподіленню співвідношення між зрізами КТ у двох вибірках складало 3:1. Для вилучення інформативних ознак з наданих зрізів застосовувались методи текстурного аналізу, такі як: GLCM, GLRLM, GLDS та LBP. Використовуючи отримані ознаки, була проведена класифікація стану легень наступними алгоритмами машинного навчання: Random Forest, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), XGBoost, LightGBM, а також випадковий ліс дерев оптимальної складності (ВЛДОС). За допомогою мір точності, чутливості та специфічності було визначено, що виявляти зміни структури легень, як у постковідних пацієнтів, так і у пацієнтів з гострою стадією COVID-19, здатні моделі XGBoost LightGBM та ВЛДОС з показниками точності на тестовій вибірці 85%, 86% та 89% відповідно. Подібні результати дозволяють надавати необхідну для медичних фахівців підтримку у прийнятті діагностичних рішень, що сприяє кращому виявленню змін структури легень. В майбутніх дослідженнях планується розробка програмного забезпечення з можливостями пояснювального інтелекту, а також подальша інтеграція застосунку в чинну медичну інфраструктуру.
dc.description.abstractotherComputed tomography (CT) is an important tool for diagnosing changes in lung structure due to its high accuracy and sensitivity in detecting pathological changes in tissues. The detail of lung tissue is the main reason for the effectiveness of this method in detecting both the acute stages of COVID-19 and complications that occurred during the post-COVID period (beginning three months after the acute stage). However, medical specialists working with CT scans play an important role. The use of computer machine learning algorithms can help improve medical practice, which benefits both specialists by supporting them in making diagnostic decisions and patients by providing timely and effective treatment. This study used a database of CT lung slices provided by the specialists of the F.G. Yanovsky National Institute of Phthisiology and Pulmonology of the National Academy of Medical Sciences of Ukraine in cooperation with Igor Sikorsky Kyiv Polytechnic Institute. In total, the database contained 10,031 CT lung scans taken from 36 anonymized patients. Of these, 5,213 (52%) contained signs of the acute phase of COVID-19, and 4,818 (48%) contained signs of post-COVID. Before the modeling process, it was decided to divide the patients into training (80.6%) and test (19.4%) samples. Due to this distribution, the ratio between CT slices in the two samples was 3:1. Texture analysis methods were used to extract informative features from the provided slices, such as GLCM, GLRLM, GLDS, and LBP. Using the obtained features, the following machine learning algorithms were used to classify the lung condition: Random Forest, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), XGBoost, LightGBM, and Random Forest of Optimal Complexity (RFOC). Using the accuracy, sensitivity, and specificity measures, it was determined that XGBoost LightGBM and ROCT models can detect changes in lung structure in both post-COVID and acute COVID-19 patients with accuracy rates of 85%, 86%, and 89%, respectively. Such results allow us to provide the necessary support for medical professionals in making diagnostic decisions, which contributes to better detection of changes in lung structure. In future research, it is planned to develop software with explanatory intelligence capabilities, as well as further integrate the application into the existing medical infrastructure.
dc.format.pagerangeС. 27-35
dc.identifier.citationЕфективність алгоритмів машинного навчання для класифікації змін структури легень у постковідних та гострих стадіях COVID-19 / Лутченко Вікторія Геннадіївна, Бабенко Віталій Олегович, Настенко Євген Арнольдович, Линник Микола Іванович // Біомедична інженерія і технологія. – 2024. – № 15. – С. 27-35. – Бібліогр.: 17 назв.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70605
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.sourceБіомедична інженерія і технологія, № 15, 2024
dc.subjectCOVID-19
dc.subjectпостковід
dc.subjectалгоритми класифікації
dc.subjectкомп’ютерна томографія
dc.subjectтекстурний аналіз зображень
dc.subjectpost-COVID
dc.subjectclassification algorithms
dc.subjectcomputer tomography
dc.subjecttexture image analysis
dc.subject.udc004.85:616.9:616.24-07
dc.titleЕфективність алгоритмів машинного навчання для класифікації змін структури легень у постковідних та гострих стадіях COVID-19
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
27-35.pdf
Розмір:
599.05 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

Біомедична інженерія і технологія, № 15