Лутченко, Вікторія ГеннадіївнаБабенко, Віталій ОлеговичНастенко, Євген АрнольдовичЛинник, Микола Іванович2024-11-142024-11-142024Ефективність 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.https://ela.kpi.ua/handle/123456789/70605Комп'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.ukCOVID-19постковідалгоритми класифікаціїкомп’ютерна томографіятекстурний аналіз зображеньpost-COVIDclassification algorithmscomputer tomographytexture image analysisArticleС. 27-35004.85:616.9:616.24-07