Діагностика серцевих захворювань методами глибинного навчання
Анотація
Наведено результати дослідження, в якому розроблено та впроваджено моделі глибинного навчання для діагностики серцевих захворювань на підставі ехокардіографічних зображень. Проаналізовано сучасні методи діагностики, з'ясовано їхні обмеження та недоліки, що спонукало до пошуку нових підходів. Встановлено, що традиційні методи часто не забезпечують достатньої точності виявлення серцевих патологій, що може призводити до помилок у діагностиці пацієнта та його лікуванні. Досліджено можливості застосування штучного інтелекту, зокрема нейронних мереж, для автоматизації процесу аналізу ехокардіографічних зображень. Розроблено архітектуру нейронної мережі, яка продемонструвала високу ефективність у виявленні різних типів серцевих захворювань. Проведено порівняння нової моделі з традиційними методами, що підтвердило її переваги в точності сегментації та класифікації патологій. Введено алгоритми, які дають змогу значно підвищити чутливість і специфічність діагностики, що є важливим для своєчасного виявлення захворювань. Результати дослідження свідчать про те, що застосування розробленої моделі може істотно поліпшити якість медичних послуг, зменшуючи ризик помилок у діагностиці та підвищуючи ефективність лікування. Вказано на важливість інтеграції сучасних технологій у медичну практику, що відкриває нові можливості для раннього виявлення серцевих захворювань та покращення загального стану здоров'я населення. Результати дослідження можуть стати основою для подальших наукових розробок у цій галузі, а також для впровадження нових стандартів діагностики у клінічній практиці. Проаналізовано архітектуру нейронної мережі, досліджено вплив різних параметрів, таких як кількість епох і розмір партії на ефективність навчання. Наведені результати підтверджують переваги нової моделі над традиційними методами, а також обговорено потенційні напрями для подальших досліджень у цій сфері. Отримані результати демонструють значне покращення в діагностиці серцевих захворювань.
Завантаження
Посилання
Al-Dhabyani, W., Gomaa, M., Khaled, H., & Fahmy, A. (2019). Dataset of breast ultrasound images. Data in Brief, 28, 1–5. https://doi.org/10.1016/j.dib.2019.104863
Alsharqi, M., Upton, R., Mumith, A., & Leeson, P. (2018). Artificial intelligence: a new clinical support tool for stress echocardiography. Expert Review of Medical Devices, 15(8), 513–515. https://doi.org/10.1080/17434440.2018.1497482
Alsharqi, M., Woodward, W., Mumith, J., Markham, D., Upton, R., & Leeson, P. (2018). Artificial intelligence and echocardiography. Echo research and practice, 5(4), 115–125. https://doi.org/10.1530/erp-18-0056
Awan, S., Sohel, F., Sanfilippo, M., Bennamoun, M., & Dwivedi, G. (2018). Machine learning in heart failure: ready for prime time. Current opinion in cardiology, 33, 190–195. https://doi.org/10.1097/HCO.0000000000000491
Boeldt, D., Wineinger, N., Waalen, J., Gollamudi, S., & Grossberg, A. (2015). How Consumers and Physicians View New Medical Technology: Comparative Survey. Journal of Medical Internet Research, 17(9), 1–2. https://doi.org/10.2196/jmir.4456
Churpek, M., Yuen, T., & Winslow, C. (2016). Multicenter Comparison of Machine Learning Methods and Conventional Regression for Predicting Clinical Deterioration on the Wards. Critical Care Medicine, 44(2), 368–374. https://doi.org/10.1097/CCM.0000000000001571
Dai, W., Brisimi, T., & Adams, W. (2015). Prediction of hospitalization due to heart diseases by supervised learning methods. International Journal of Medical Informatics, 84(3), 189–197. https://doi.org/10.1016/j.ijmedinf.2014.10.002
Goldberger, A., Amaral, L., & Glass, L. (2015). PhysioBank, PhysioToolkit and PhysioNet. Components of a New Research Resource for Complex Physiologic Signals Circulation, 101(23), 215–220. https://doi.org/10.1161/01.CIR.101.23.e215
Hrytsiuk, Yu. I. (2022). Software quality management system. Ukrainian Journal of Information Technology, 4(1), 01–20. https://doi.org/10.23939/ujit2022.01.001
Johnson, K., Glicksberg, B., Khader, S., & Ali, M. (2018). Artificial Intelligence in Cardiology. Journal of the American College of Cardiology, 71(23), 2668–2679. https://doi.org/10.1016/j.jacc.2018.03.521
Lee, J., Jun, S., Cho, Y., Lee, H., Kim, G., Seo, J., & Kim, N. (2017). Deep learning in medical imaging: general overview. Korean journal of radiology, 18, 570–584. https://doi.org/10.3348/kjr.2017.18.4.570
Loghmanpour, N., Kanwar, M., & Druzdzel, M. (2015). A new Bayesian network-based risk stratification model for prediction of short-term and long-term mortality. American Society for Artificial Internal Organs Journal, 61(3), 313–323. https://doi.org/10.1097/MAT.0000000000000209
Marvin, A., Konstam, M., Hill, J., Kovacs, R., & Harrington, R. (2017). The Academic Medical System: Reinvention to Survive the Revolution in Health Care. Journal of the American College of Cardiology, 69(10), 1305–1312. https://doi.org/10.1016/j.jacc.2016.12.024
Mortazavi, B., Downing, N., & Bucholz, M. (2016). Analysis of machine learning techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes, 629–640. https://doi.org/10.1161/CIRCOUTCOMES.116.003039
Shameer K., Johnson K., Glicksberg B., Dudley J., & Sengupta P. (2018). Machine learning in cardiovascular medicine: are we there yet. British Medical Journal, 104(14), 1156–1164. https://doi.org/10.1136/heartjnl-2017-311198
Shameer, K., Badgeley, M., Miotto, R., & Glicksberg, B. (2017). Translational bioinformatics in the era of real-time biomedical, health care and wellness data streams. Briefings in Bioinformatics, 18(1), 105–124. https://doi.org/10.1093/bib/bbv118
Shameer, K., Johnson, K., Yahi, A., & Miotto, R. (2017). Predictive modeling of hospital readmission rates using electronic medical record-wide machine learning: a case-study using mount sinai heart failure cohort. Biocomputing, 2017, 276–287. https://doi.org/10.1142/9789813207813_0027
Song, X., Mitnitski, A., Cox, J., & Rockwood, K. (2004). Comparison of machine learning techniques with classical statistical models in predicting health outcomes. Studies in Health Technology and Informatics, 107(1), 736–740. https://doi.org/10.3233/978-1-60750-949-3-736
Stockmann, C., Hersh, A., Sherwin, C., & Spigarelli, M. (2014). Alignment of United States funding for cardiovascular disease research with deaths, years of life lost and hospitalizations. International Journal of Cardiology, 172(1), 19–21. https://doi.org/10.1016/j.ijcard.2013.12.095
Tay, D., Poh, C., & Kitney, R. (2015). A novel neural-inspired learning algorithm with application to clinical risk prediction. Journal of Biomedical Informatics, 54, 305–314. https://doi.org/10.1016/j.jbi.2014.12.014
Weiss, J., Natarajan, S., & Peissig, P. (2012). Machine Learning for Personalized Medicine: Predicting Primary Myocardial Infarction from Electronic Health Records. Artificial Intelligence Magazine, 33(4), 33–45. https://doi.org/10.1609/aimag.v33i4.2438
Wu, J., Roy, J., & Stewart, W. (2010). Prediction modeling using EHR data: challenges, strategies, and a comparison of machine learning approaches. Medical Care, 48(6), 106–113. https://doi.org/10.1097/MLR.0b013e3181de9e17
Ye, Z., Kumar, Y., Sing, G., Zhang J., & Ni, X. (2020). Deep echocardiography: A first step toward automatic cardiac disease diagnosis using machine learning. Journal of internet technology, 21(6), 1589–1600. https://doi.org/10.3966/160792642020112106002
