ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ВЫЯВЛЕНИИ И ОЦЕНКЕ ПАЦИЕНТОВ С ПНЕВМОНИЕЙ И COVID-19
Аннотация
В условиях глобальной пандемии Covid-19, которая затронула миллионы людей по всему миру, необходимость в эффективных и быстрых методах диагностики стала более актуальной, чем когда-либо. Традиционные методы, такие как ПЦР – тестирование, хотя и остаются важными, имеют свои ограничения, включая время ожидания результатов и возможность ложноположительных или ложноотрицательных результатов. В данной статье для оценки эффективности предсказания системой наличия характерных патологий использовалась сверточная нейронная сеть. Для обучения, проверки обучения и тестирования нейросети был использован каталог, состоящий из 5856 рентгенографических снимков грудной клетки. Базовая модель была разделена на 2 класса (пневмония и отсутствие заболеваний легких), а итоговая модель на три класса (пневмония, Covid-19 и отсутствие заболеваний легких). Для моделирования использовались библиотеки глубокого обучения Keras и язык программирования Python. В ходе работы точность итоговой модели достигла 94% по сравнению с базовой (77%). Точность по классу Normal выросла с 72 до 91%, а чувствительность выросла с 63 до 92%. Точность по классу Pneumonia выросла с 79 до 99%, а чувствительность – с 85 до 95%. Точность по классу Covid-19 составила 93%, а чувствительность 95%. Результаты тестирования также показали, что предложенная авторами модель обладает большей точностью, чем такие модели, как – ResNet (точность – 74,2%), VGG16 (точность – 72,3%), DenseNet121 (точность – 79,2%), ImageNet (точность – 78,5%), Xception (точность – 85,7%) и InceptionV3 (точность – 91,6%). Полученные данные превышают требования Всемирной организации здравоохранения к приемлемой чувствительности теста на Covid-19 (точность не менее 80%, к чувствительности – 95-97%).
Литература
Selvaraju R.R., Cogswell M., Das A. et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. International Journal Computer Vision. 2020. V. 128. P. 336-359.
Zaberzhinsky B.E., Zolin A.G., Portnov K.V. Development of a Machine-Learning Model for Detecting Pneumonia on Radiographs. Economics and Quality of Communication Systems. 2024. N 4. P. 144-152. (in Russian).
Pechnikov A.A., Bogdanov N.A. Two approaches for detecting pneumonia in X-ray images: description, implementation, and comparison. Management of Large Systems. 2022. N 99. P. 114-134. (in Russian).
Pechnikov A.A., Bogdanov N.A. Comparison of Two Approaches to Recognizing Pneumonia from X-Ray Images. Materials of the XV All-Russian Scientific and Practical Conference «Digital Technologies in Education, Science, and Society». Petrozavodsk: PetrSU. 2021. P. 90-91. (in Russian).
Efremtsev V.G., Efremtsev N.G., Teterin E.P., Teterin P.E., Bazavluk E.S. Chest X-ray image classification for viral pneumonia and Covid-19 using neural networks. Computer Optics. 2021. V. 45. N 1. P. 149–153. (in Russian).
Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. Published as a conference paper at ICLR. 2015. P. 1-14.
Petrov M.V., Bilalov N.I., Papsheva E.M. Research of the Effectiveness of Transfer Learning and Fine-Tuning Methods on the VGG16 Convolutional Neural Network for the Classification of Covid-19, Pneumonia, and Healthy Images on Chest X-Rays. Engineering Bulletin of the Don. 2023. N 5. 16 p. (in Russian).
Filippova Yu.A., Akhverdieva G. Ilgar kyzy. Possibilities of using artificial intelligence methods in detecting and assessing lung damage in patients with Covid-19 pneumonia. E-Scio. 2023. N 5(80). 21 p. (in Russian).
Heidari M., Mirniaharikandehei S., Khuzani A.Z., et al. Improving the performance of CNN to predict the likelihood of Covid-19 using chest X-ray images with preprocessing algorithms. Int J Med Inform. 2020. 144.
Apostolopoulos I.D., Mpesiana T.A. Covid-19: automatic detection from X-ray images utilizing transfer learning with convolutional neural networks. Phys Eng Sci Med. 2020. N 43(2). P. 635–640.
Ozturk T., Talo M., Yildirim E.A., et al. Automated detection of Covid-19 cases using deep neural networks with X-ray images. Comput Biol Med. 2020. P. 121.
Rahimzadeh M., Attar A. A modified deep convolutional neural network for detecting Covid-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2. Inform Med Unlocked. 2020. P. 19.
Khan A.I., Shah J.L., Bhat M.M. CoroNet: a deep neural network for detection and diagnosis of Covid-19 from chest X-ray images. Comput Methods Programs Biomed. 2020. 196 p.
Waheed A., Goyal M., Gupta D., et al. Covidgan: data augmentation using auxiliary classifier GAN for improved Covid-19 detection. IEEE Access. 2020. N 8. P. 91916–91923.
Wang L., Wong A. Covid-net: A tailored deep convolutional neural network design for detection of Covid-19 cases from chest radiography images. 2020. https://arXiv:2003.09871.
Chest X-Ray Images (Pneumonia) Kaggle. https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia.
Wong H.Y.F., Lam H.Y.S., Fong A.H. et al. Frequency and distribution of chest radiographic findings in patients positive for Covid-19. Radiology. 2020. V. 296. N 2. P. 72-78.
Emilov B.E., Sorokin A.A., Zhakypov M.A., Keresbekova A.B., Salibaev O.A., Chubakov T.Ch. Artificial intelligence in diagnosing Covid-19 pneumonia and pulmonary tuberculosis in the Kyrgiz republic. Ul'yanovskiy mediko-biologicheskiy zhurnal. 2024. N 4. P. 82–98. DOI: 10.34014/2227- 1848-2024-4-82-98. (in Russian).
Nahida Habib, Md. Mahmodul Hasan, Mohammad Motiur Rahman Fusion of Deep Convolutional Neural Network with PCA and Logistic Regression for diagnosis of pediatric pneumonia on chest X-Rays. Network Biology. 2020. N 10(3). P. 62-76.
Liang G., Zheng L. A transfer learning method with deep residual network for pediatric pneumonia diagnosis. Computer Methods and Programs in Biomedicine. 2019. 31262537 p.
Chhikara P., Singh P., Gupta P., Bhatia T. Deep Convolutional Neural Network with Transfer Learning for Detecting Pneumonia on Chest X-Rays. Advances in Intelligent Systems and Computing, Springer, Singapore. 2020. N 1064. P. 155-168.
Mishina V.A., Bobkov S.P., Samarsky A.A. Use of discrete element systems for modeling the spread of an epidemic. Iveсofin. 2025. N 04(66). P. 128-135. DOI: 10.6060/ivecofin.2025664.752. (in Russian).
Kutuzova A.S., Chernov N.A., Kotenev T.E. Application of artificial intelligence methods in the development of an algorithm for assessing driver fatigue. Ivecofin. 2025. N 04(66). P. 88-95. DOI: 10.6060/ivecofin.2025664.748. (in Russian).
Кsenophontova O.L., Smirnova N.V., Kotova A.V. Application of Data Mining Methods in Epidemiology. Modern High-Tech Technologies. Regional Application. 2023. N 2(74). P. 88-93. DOI: 10.6060/snt.20237402.0009. (in Russian).
Marchuk N.A., Manukyan L.T., Kulentsan A.L., Puzanov A.M., Shiryaev M.Yu. Incidence of the population by the main classes of diseases. Modern science-intensive technologies. Regional application. 2025. N 2 (82). P. 119-126. DOI: 10.6060/snt.20258202.00015. (in Russian).
