Порівняльний аналіз моделей глибоких нейронних мереж для прогнозування діагнозу COVID-19

Скорочена інформація про документ
dc.audience.departmenthttps://creativecommons.org/licenses/by/4.0/
dc.contributor.authorНедашківська, Н. І.
dc.contributor.authorСапєльніков, О. О.
dc.date.accessioned2023-08-09T15:51:12Z
dc.date.available2023-08-09T15:51:12Z
dc.date.issued2021
dc.description.abstractПроблематика. Ситуація з коронавірусом COVID-19 станом на середину 2021 року знову викликає занепокоєння у всьому світі через появу нового небезпечнішого штаму “Дельта”. Науковці намагаються побудувати математичні моделі опису поширення захворюваності. У Китаї, США й інших країнах розробляють інструменти штучного інтелекту, спрямовані на прогнозування діагнозу COVID-19, і впроваджують їх у лікарнях. Мета дослідження. Порівняти розпізнавання різними моделями глибоких згорткових нейронних мереж хвороби COVID-19 на основі рентген-зображень грудної клітки людини. Методика реалізації. Моделі побудовано на основі архітектур мереж VGG16, ResNet50 і SqueezeNet із додаванням шарів для регуляризації цих мереж. Перед останнім, вихідним шаром мережі додавали шар дропауту. Навчання моделей здійснювали з використанням технології передачі знань transfer learning. Якість моделей оцінювали за матрицею помилок (confusion matrix), показниками точності (precision), повноти (recall/sensitivity), специфічності (specificity) і F-міри на валідаційній/тестовій множині рентген-зображень. Результати дослідження. Побудовано кілька моделей нейронних мереж, що поділяють рентген-зображення грудної клітки людини на класи: хворий на COVID-19 (клас 1) або здоровий (клас 2). Модель на основі архітектури ResNet50 отримала досить велике значення precision 96 % для класу 1 і загальне значення specificity 96,14 %. Recall виявлення захворювання на основі цієї моделі склала 88 %. Модель на основі архітектури VGG-16 правильно класифікувала 100 % (експеримент 1) / 96 % (експеримент 2) хворих на COVID-19 із тестової вибірки. Значення precision для класу хворих і значення загальної specificity на основі цієї моделі, однак, були меншими й склали 89 % / 92 % і 88,46 % / 92,31 % відповідно для двох експериментів. Значення F-міри для моделей ResNet50 і VGG-16 були досить значними й рівними 92 і 94 %. Висновки. Моделі глибоких згорткових нейронних мереж показали обнадійливі результати прогнозування діагнозу COVID-19 і потребують досліджень. Прогнозування діагнозу за допомогою розробленого програмного продукту на основі цих моделей триває до однієї хвилини – це швидше, ніж тести RT-PCR (ПЛР із зворотною транскрипцією), які нині використовують для підтвердження захворювання.uk
dc.description.abstractotherПроблематика. Ситуация с коронавирусом COVID-19 по состоянию на середину 2021 года снова вызывает беспокойство во всем мире в связи с появлением нового более опасного штамма “Дельта”. Ученые пытаются построить математические модели описания распространения заболеваемости. В Китае, США и других странах разрабатывают инструменты искусственного интеллекта, направленные на прогнозирование диагноза COVID-19, и внедряют их в больницах. Цель исследования. Сравнить распознавание различными моделями глубоких сверточных нейронных сетей болезни COVID-19 на основе рентген-изображений грудной клетки человека. Методика реализации. Модели построены на основе архитектур сетей VGG16, ResNet50 и SqueezeNet с добавлением слоев для регуляризации этих сетей. Перед последним выходным слоем сети добавляли слой дропаута. Обучение моделей проводилось с использованием технологии передачи знаний transfer learning. Качество моделей оценивалось на основе матрицы ошибок (confusion matrix), показателей точности (precision), полноты (recall) и F-меры на валидационном множестве рентген-изображений. Результаты исследования. Модель на основе архитектуры ResNet50 получила достаточно большое значение precision 96 % для класса 1 и общее значение specificity 96,14 %. Полнота (recall) обнаружения заболевания на основе этой модели составила 88 %. Модель на основе архитектуры VGG-16 правильно классифицировала 100 % (эксперимент 1) / 96 % (эксперимент 2) больных COVID-19 из тестовой выборки. Значение precision для класса больных и значение общей specificity на основе этой модели, однако, были меньшими и составили 89 % / 92 % и 88,46 % / 92,31 % соответственно для двух экспериментов. Значения F-меры для моделей ResNet50 и VGG-16 были довольно значительными и равными 92 и 94 %. Выводы. Модели глубоких сверточных нейронных сетей показали обнадеживающие результаты прогнозирования диагно за COVID-19 и требуют исследований. Прогнозирование диагноза с помощью разработанного программного продукта на основе этих моделей длится до одной минуты – это быстрее, чем тесты RT-PCR (ПЦР с обратной транскрипцией), которые используют для подтверждения заболевания.uk
dc.description.abstractotherBackground. The situation with the coronavirus COVID-19 in mid-2021 is causing concern around the world again due to the emergence of a new more dangerous strain “delta”. Attempts are being made to build mathematical models for describing the disease spread. China, the United States and other countries are developing artificial intelligence tools to help predict the COVID-19 diagnosis and are deploying them in hospitals. Objective. The purpose of the paper is to compare how different deep convolutional neural network models deal with COVID-19 disease recognition based on chest x-rays. Methods. The models are based on the VGG16, ResNet50 and SqueezeNet network architectures with the addition of layers to regularize these networks. The models were trained using the transfer learning technology. The quality of the models was assessed based on the confusion matrix, precision, recall, specificity and F-scores on the validation set of X-ray images. Results. Several neural network models have been built to classify an X-ray image of the human chest into two classes: person with COVID-19 (class 1) or healthy person (class 2). The ResNet50 model achieved a fairly high precision of 96 % for class 1 and an overall specificity of 96.14 %. Recall disease detection based on this model was 88%. The VGG-16 model correctly classified 100% (Experiment 1) / 96 % (Experiment 2) of COVID-19 patients in the test sample. The patient class precision and overall specificity values based on this model, however, were lower at 89 % / 92 % and 88.46 % / 92.31 %, respectively, for the two experiments. The F-score values for the ResNet50 and VGG-16 models were quite significant and equal to 92 and 94 %. Conclusions. Deep convolutional neural network models have shown promising results in predicting the COVID-19 diagnosis and require research. Predicting the diagnosis using the developed software based on these models takes up to one minute – this is faster than RT-PCR (reverse transcription PCR) tests, which are used to confirm the disease.uk
dc.format.pagerangePp. 46-56uk
dc.identifier.citationНедашківська, Н. І. Порівняльний аналіз моделей глибоких нейронних мереж для прогнозування діагнозу / Н. І. Недашківська, О. О. Сапєльніков // Наукові вісті КПІ : міжнародний науково-технічний журнал. – 2021. – № 3(133). – С. 46–56. – Бібліогр.: 43 назви.uk
dc.identifier.doihttps://doi.org/10.20535/kpisn.2021.3.251462
dc.identifier.orcid0000-0002-8277-3095uk
dc.identifier.orcid0000-0001-7552-5344uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/59095
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofНаукові вісті КПІ: міжнародний науково-технічний журнал, № 3(133)uk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectзгорткові нейронні мережіuk
dc.subjectглибинне навчанняuk
dc.subjectкласифікація зображеньuk
dc.subjectпрогнозування діагнозу COVID-19uk
dc.subjectсверточные нейронные сетиuk
dc.subjectглубокое обучениеuk
dc.subjectклассификация изображенийuk
dc.subjectпрогнозирование диагноза COVID-19uk
dc.subjectconvolutional neural networksuk
dc.subjectdeep learninguk
dc.subjectimage classificationuk
dc.subjectpredicting the COVID-19 diagnosisuk
dc.subject.udc004.85uk
dc.titleПорівняльний аналіз моделей глибоких нейронних мереж для прогнозування діагнозу COVID-19uk
dc.title.alternativeСравнительный анализ моделей глубоких нейронных сетей для прогнозирования диагноза COVID-19uk
dc.title.alternativeComparative analysis of deep neural network models for prediction of COVID-19 diagnosisuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
251462-580112-1-10-20220207.pdf
Розмір:
1.11 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Наукові вісті КПІ: міжнародний науково-технічний журнал, № 3(133)