使用基于从轻量级CNN架构中提取的特征的极端学习机器算法检测包括COVID-19在内的各种肺部疾病
Md Nahiduzzaman1, Md Omaer Faruq Goni1, Md Robiul Islam1
1Department of Electrical & Computer Engineering, Rajshahi University of Engineering & Technology, Rajshahi 6204, Bangladesh.
Biocybernetics and biomedical engineering
|April 15, 2024
概括
这项研究介绍了一种使用机器学习的AI系统,通过X射线检测七种肺部疾病. 在CNN-PCC-ELM模型准确地识别疾病,如COVID-19,帮助医疗诊断.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 包括肺炎,结核病 (TB) 和COVID-19在内的肺部疾病对全球健康构成重大威胁,导致严重疾病和死亡率.
- 肺部疾病的准确和及时诊断至关重要,特别是在COVID-19大流行期间,以实现有效的治疗.
- 现有的诊断方法可能耗时,可能需要专门的专业知识,突出了对先进的自动化系统的需求.
研究的目的:
- 开发和评估一个智能识别系统,用于早期检测七种常见的肺部疾病,使用机器学习技术.
- 通过提供用于分析胸部X射线 (CXR) 图像的自动化工具来增强医疗专家可用的诊断能力.
- 提高肺病分类的准确性和效率,特别是区分COVID-19和其他呼吸道疾病.
主要方法:
- 使用轻量级的卷积神经网络 (CNN) 来从胸部X射线 (CXR) 图像中提取突出的特征.
- 用皮尔森相关系数 (PCC) 来确定提取的特征的最佳子集.
- 实施了极端学习机器 (ELM) 分类器,用于肺部疾病的多类分类,以确保计算效率.
主要成果:
- 拟议的CNN-PCC-ELM模型实现了96.22%的高精度和99.48%的曲线下面积 (AUC),用于八个类别的分类.
- 该模型在检测COVID-19,肺炎和结核病时,与最先进的 (SOTA) 方法相比,在二进制和多类设置中表现出卓越的性能.
- 对于在八类场景中的COVID-19检测,该模型实现了100%的精度,99%的回忆,100%的F1得分和99.99%的ROC,强调了它的稳定性.
结论:
- 开发的CNN-PCC-ELM模型为自动检测和从CXR图像中区分多种肺部疾病提供了强大而准确的解决方案.
- 这种智能系统有可能显著帮助医生更快,更准确地进行诊断,从而改善患者治疗结果.
- 该模型的高性能,特别是在识别COVID-19时,表明它作为管理呼吸道疾病爆发和例行诊断的补充工具的价值.
