Дослідження ансамблювання моделей machine learning в медичній діагностиці
DOI:
https://doi.org/10.30837/0135-1710.2023.179.050Ключові слова:
автоматизація, аналіз, ансамбль, діагностика, дослідження, прогнозування, точністьАнотація
Розглядається процес використання моделей машинного навчання (machine learning – ML) для постановки медичного діагнозу, що має велике значення в сучасній медицині. Стаття зосереджується на використанні ансамблювання моделей ML, в якому беруть участь згорткові нейронні мережі (CNN), моделі машини векторів підтримки (SVM) та рекурентні мережі з довготривалою короткостроковою пам'яттю (LSTM). Ефективність цих методів порівнюється як індивідуально так і у ансамблевому підході у контексті покращення точності медичної діагностики.
Незважаючи на те, що численні дослідження, які були розглянуті у статті, поєднували в собі кілька моделей одночасно для покращення точності прогнозування, тема дослідження ансамблювання моделей machine learning в медичній діагностиці лишається актуальною. У попередніх дослідженнях було запропоновано широкий спектр моделей ML для аналізу електронних медичних записів. Більшість робіт використовували k-середні, KNN і SVM.
Результати дослідження свідчать, що використання ансамблевої моделі, яка комбінує вище зазначені методи ML, призводить до підвищення точності діагнозу. Навіть якщо окремі методи ML можуть бути ефективними в обраних областях, їх комбінування в інтегровану структуру дозволяє уникнути обмежень, які можуть виникнути при використанні лише одного методу.
Обговорюються переваги та недоліки обраної ансамблевої моделі. Основна перевага полягає в підвищенні точності медичного діагнозу, що може призвести до раннього виявлення захворювань і, отже, покращити результати лікування. З іншого боку, недоліками можуть бути складність розробки та налаштування ансамблевого підходу, а також вимоги до обчислювальних ресурсів.
Необхідно зазначити, що отримані результати свідчать про те, що поєднання різних моделей може істотно покращити якість діагностування захворювань. Це важливий внесок у розвиток медичної сфери, оскільки може сприяти ранньому виявленню та ефективному лікуванню різних патологій.
Посилання
Mahajan P., Uddin S., Hajati F., Moni M. A. Ensemble learning for disease prediction: A Review. Healthcare. 2023. Vol. 11. No. 12. P 1808. doi:10.3390/healthcare11121808
Ali R., Hardie R. C., Narayanan Narayanan B., De Silva S. Deep learning ensemble methods for skin lesion analysis towards melanoma detection. 2019 IEEE National Aerospace and Electronics Conference (NAECON). 2019. doi:10.1109/naecon46414.2019.9058245.
Jain G., Mittal D., Thakur D., Mittal M. K. A deep learning approach to detect covid-19 coronavirus with X-ray images. Biocybernetics and Biomedical Engineering. 2020. Vol. 40. No. 4. P. 1391–1405. doi:10.1016/j.bbe.2020.08.008.
Noor M.B. et al. Application of deep learning in detecting neurological disorders from Magnetic Resonance Images: A survey on the detection of alzheimer’s disease, parkinson’s disease and schizophrenia. 2020. P. 11. doi:10.1186/s40708-020-00112-2.
Jeena R.S., Kumar S. Stroke prediction using SVM. 2016 International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT). 2016. doi:10.1109/iccicct.2016.7988020.
Apostolopoulos I. D., Mpesiana T. A. COVID-19: Automatic detection from X-ray images utilizing transfer learning with Convolutional Neural Networks. Physical and Engineering Sciences in Medicine. 2020. Vol. 43. No. 2. P. 635–640. doi:10.1007/s13246-020-00865-4.
Ballin A, Karlinsky L, Alpert S, Hasoul S, Ari R, Barkan E. A region based convolutional network for tumor detection and classification in Breast Mammography. Deep Learning and Data Labeling for Medical Applications. 2016. P. 197–205. doi:10.1007/978-3-319-46976-8_21.
Anavi Y., Kogan I., Gelbart E., Geva O., Greenspan H. Visualizing and enhancing a deep learning framework using patients age and gender for chest X-ray image retrieval. Medical Imaging 2016: Computer-Aided Diagnosis. 2016. doi:10.1117/12.2217587.
Hassan M., Ali S., Alquhayz H., Safdar K.. Developing Intelligent Medical Image Modality Classification system using Deep Transfer Learning and LDA. Scientific Reports. 2020. Vol. 10. No.1. doi:10.1038/s41598-020-69813-2.
Abbas A., Abdelsamea M. M., Gaber M. M. Classification of covid-19 in chest x-ray images using DeTraC deep convolutional neural network. Applied Intelligence. 2020. Vol. 51. No. 2. P. 854–864. doi:10.1007/s10489-020-01829-7.
Jani R., Shariful Islam Shanto Md., Mohsin Kabir Md., Saifur Rahman Md., Mridha M. F. Heart disease prediction and analysis using ensemble architecture. 2022 International Conference on Decision Aid Sciences and Applications (DASA). 2022. doi:10.1109/dasa54658.2022.9765237.
Suganyadevi S., Seethalakshmi V., Balasamy K. A review on deep learning in Medical Image Analysis. International Journal of Multimedia Information Retrieval. SpringerLink. https://link.springer.com/article/10.1007/s13735-021-00218-1 (accessed Oct. 16, 2023).
Siim-ISIC melanoma classification. Kaggle. https://www.kaggle.com/competitions/siim-isic-melanoma-classification/discussion/162486 (accessed Oct. 16, 2023).
Livieris I. E., Pintelas E., Stavroyiannis S., Pintelas P. Ensemble deep learning models for forecasting cryptocurrency time-series. Algorithms. 2020. Vol. 13. No. 5. P. 121. doi:10.3390/a13050121.
