Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. · № 3 · 2021 гру 15, 2021 статті

ПОРІВНЯЛЬНИЙ АНАЛІЗ МОДЕЛЕЙ ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ ДІАГНОЗУ COVID-19

НН
Надія Іванівна Недашківська Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
ОС
Олександр Олександрович Сапєльніков Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна
Опублікованогру 15, 2021
PDF
НВКПІ 3 ТОМ · 3
ТОМ · № 3 · 2021 Переглянути випуск

Анотація

Проблематика. Ситуація з коронавірусом COVID-19 станом на середину 2021 року знову викликає занепокоєння у всьому світі через появу нового небезпечнішого штаму “Дельта”. Науковці намагаються побудувати математичні моделі опису поширення захворюваності. У Китаї, США й інших країнах розробляють інструменти штучного інтелекту, спрямовані на прогнозування діагнозу COVID-19, і впроваджують їх у лікарнях. Мета дослідження. Порівняти розпізнавання різними моделями глибоких згорткових нейронних мереж хвороби COVID-19 на основі рентген-зображень грудної клітки людини. Методика реалізації. Моделі побудовано на основі архітектур мереж VGG16, ResNet50 і SqueezeNet із додаванням шарів для регуляризації цих мереж. Перед останнім, вихідним шаром мережі додавали шар дропауту. Навчання моделей здійснювали з використанням технології передачі знань transfer learning. Якість моделей оцінювали за матрицею помилок (confusion matrix), показниками точності (precision), повноти (recall/sensitivity), специфічності (specificity) і F-міри на валідаційній/тестовій множині рентген-зображень. Результати дослідження. Побудовано кілька моделей нейронних мереж, що поділяють рентген-зображення грудної клітки людини на класи: хворий на COVID-19 (клас 1) або здоровий (клас 2). Модель на основі архітектури ResNet50 отримала досить велике значення precision 96 % для класу 1 і загальне значення specificity 96,14 %. Recall виявлення захворювання на основі цієї моделі склала 88 %. Модель на основі архітектури VGG-16 правильно класифікувала 100 % (експеримент 1) / 96 % (експеримент 2) хворих на COVID-19 із тестової вибірки. Значення precision для класу хворих і значення загальної specificity на основі цієї моделі, однак, були меншими й склали 89 % / 92 % і 88,46 % / 92,31 % відповідно для двох експериментів. Значення F-міри для моделей ResNet50 і VGG-16 були досить значними й рівними 92 і 94 %. Висновки. Моделі глибоких згорткових нейронних мереж показали обнадійливі результати прогнозування діагнозу COVID-19 і потребують досліджень. Прогнозування діагнозу за допомогою розробленого програмного продукту на основі цих моделей триває до однієї хвилини – це швидше, ніж тести RT-PCR (ПЛР із зворотною транскрипцією), які нині використовують для підтвердження захворювання.

Ключові слова

#згорткові нейронні мережі #глибинне навчання #класифікація зображень #прогнозування діагнозу COVID-19

Посилання

  1. World Health Organization, Coronavirus disease (COVID-19) outbreak situation. Available: https://www.who.int . (Accessed: 20.09.2021).
  2. World Health Organization. Coronavirus disease (COVID-2019) situation reports. Available: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports (Accessed: 20.09.2021).
  3. Coronavirus COVID-19 global cases by the Center for systems science and engineering at Johns Hopkins University. Available: https://coronavirus.jhu.edu/map.html . (Accessed: 20.09.2021).
  4. Coronavirus in Ukraine. Available: https://index.minfin.com.ua/ua/reference/coronavirus/ukraine/ (Accessed: 20.09.2021).
  5. R. A. Middelburg and F. R. Rosendaal, “COVID-19: How to make between-country comparison”, Int. J. Infect. Diseases, vol. 96, pp. 477–481, Jul. 2020, doi: 10.1016/j.ijid.2020.05.066.
  6. M. Yousaf, S. Zahir, M. Riaz, S. M. Hussain, and K. Shah, “Statistical analysis of forecasting COVID-19 for upcoming month in Pakistan”, Chaos Solit. Fractals, vol. 138, p. 109926, Sep. 2020, doi: 10.1016/j.chaos.2020.109926.
  7. S. Singh, K. S. Parmar, J. Kumar, and S. J. S. Makkhan, “Development of new hybrid model of discrete wavelet decomposition and autoregressive integrated moving average (ARIMA) models in application to one month forecast the casualties cases of COVID-19”, Chaos Solit. Fractals, vol. 135, p. 109866, Jun. 2020, doi: 10.1016/j.chaos.2020.109866.
  8. T. Chakraborty and I. Ghosh, “Real-time forecasts and risk assessment of novel coronavirus (COVID-19) cases: A data-driven analysis”, Chaos Solit. Fractals, vol. 135, p. 109850, Jun. 2020, doi: 10.1016/j.chaos.2020.109850.
  9. D. Fanelli and F. Piazza, “Analysis and forecast of COVID-19 spreading in China, Italy and France”, Chaos Solit. Fractals, vol. 134, p. 109761, May 2020, doi: 10.1016/j.chaos.2020.109761.
  10. G. Rainisch, E. A. Undurraga, and G. Chowell, “A dynamic modeling tool for estimating healthcare demand from the COVID19 epidemic and evaluating population-wide interventions”, Int. J. Infect. Diseases, vol. 96, pp. 376–383, Jul. 2020, doi: 10.1016/j.ijid.2020.05.043.
  11. K. Sarkar, S. Khajanchi, and J. J. Nieto, “Modeling and forecasting the COVID-19 pandemic in India”, Chaos Solit. Fractals, vol. 139, p. 110049, Oct. 2020, doi: 10.1016/j.chaos.2020.110049.
  12. R. Salgotra, M. Gandomi, A. H. Gandomi, “Time series analysis and forecast of the covid-19 pandemic in India using genetic programming”, Chaos Solit. Fractals, vol. 138, p. 109945, Sep. 2020, doi: 10.1016/j.chaos.2020.109945.
  13. N. Chintalapudi, G. Battineni, G. G. Sagaro, and F. Amenta, “COVID-19 outbreak reproduction number estimations and forecasting in Marche, Italy”, Int. J. Infect. Diseases, vol. 96, pp. 327–333, Jul. 2020, doi: 10.1016/j.ijid.2020.05.029.
  14. E. Aviv-Sharon and A. Aharoni, “Generalized logistic growth modeling of the COVID-19 pandemic in Asia”, Infect. Disease Modelling, vol. 5, pp. 505–509, 2020, doi: 10.1016/j.idm.2020.07.003.
  15. Wired 2020 Chinese hospitals deploy AI to help diagnose Covid-19. Avaliable: https://www.wired.com/story/ chinese-hospitals-deploy-ai-help-diagnose-covid-19. (Accessed: 20.09.2021)
  16. Y. Fang et al., “Sensitivity of chest CT for COVID-19: Comparison to RT-PCR”, Radiology, vol. 296, no. 2, pp. 115–117, Aug. 2020, doi: 10.1148/radiol.2020200432.
  17. T. Ai et al., “Correlation of Chest CT and RT-PCR Testing for coronavirus disease 2019 (COVID-19) in China: A report of 1014 Cases”, Radiology, vol. 296, no. 2, pp. E32–E40, Aug. 2020, doi: 10.1148/radiol.2020200642.
  18. M.-Y. Ng et al., “Imaging Profile of the COVID-19 Infection: radiologic findings and literature review”, Radiology: Cardiothoracic Imaging, vol. 2, no. 1, p. e200034, Feb. 2020, doi: 10.1148/ryct.2020200034.
  19. C. Huang et al., “Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China”, Lancet, vol. 395, no.10223, pp. 497–506, Feb. 2020, doi: 10.1016/S0140-6736(20)30183-5.
  20. M. Cellina, M. Orsi, T. Toluian, C. Valenti Pittino, and G. Oliva, “False negative chest X-Rays in patients affected by COVID-19 pneumonia and corresponding chest CT findings”, Radiography, vol. 26, no. 3, pp. e189–e194, Aug. 2020, doi: 10.1016/j.radi.2020.04.017.
  21. A. England, E. Littler, S. Romani, and P. Cosson, “Modifications to mobile chest radiography technique during the COVID-19 pandemic – implications of X-raying through side room windows”, Radiography, Available online 3 August 2020. vol. 27, no. 1, pp. 193–199, Feb. 2021, doi: 10.1016/j.radi.2020.07.015.
  22. S. Minaee, R. Kafieh, M. Sonka, S. Yazdani, and G. J. Soufi, “Deep-COVID: Predicting COVID-19 from chest X-ray images using deep transfer learning”, Med. Image Anal., vol. 65, p. 101794, Oct. 2020, doi: 10.1016/j.media.2020.101794.
  23. T. Mahmud, M.A. Rahman, S.A. Fattah, “CovXNet: A multi-dilation convolutional neural network for automatic COVID-19 and other pneumonia detection from chest X-ray images with transferable multi-receptive feature optimization”, Comput. in Biol. and Medicine, vol. 122, p. 103869, Jul. 2020, doi: 10.1016/j.compbiomed.2020.103869.
  24. H. Panwar, P. K. Gupta, M. K. Siddiqui, R. Morales-Menendez, P. Bhardwaj, and V. Singh, “a deep learning and Grad-CAM based color visualization approach for fast detection of COVID-19 cases using chest X-ray and CT-scan images”, Chaos Solit. Fractals, vol. 140, p. 110190, Nov. 2020, doi: 10.1016/j.chaos.2020.110190.
  25. J. P. Cohen and P. Morrison and L. Dao, “COVID-19 image data collection”, arXiv:2003.11597, 2020, Available: https://github.com/ieee8023/covid-chestxray-dataset . (Accessed: 20.09.2021)
  26. J. P. Cohen et al., “COVID-19 image data collection: prospective predictions are the future”, arXiv:2006.11988, 2020. Available: https://github.com/ieee8023/covid-chestxray-dataset . (Accessed: 20.09.2021)
  27. CheXpert: A large chest X-Ray dataset and competition. Available: https://stanfordmlgroup.github.io/competitions/chexpert/ (Accessed: 20.09.2021)
  28. NIH. Open access biomedical image search engine. Available: https://openi.nlm.nih.gov/ (Accessed: 20.09.2021)
  29. Y. LeCun et al., “Backpropagation applied to handwritten zip code recognition”, Neural Comput., vol. 1, no. 4, pp. 541–551, Dec. 1989, doi:10.1162/neco.1989.1.4.541.
  30. Neural network architectures. Available: https://habr.com/ru/company/nix/blog/430524/ (Accessed: 20.09.2021)
  31. Convolutional network for image feature extraction VGG16. Available: https://neurohive.io/ru/vidy-nejrosetej/vgg16-model/ . (Accessed: 20.09.2021)
  32. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition”, arXiv:1512.03385, 2015.
  33. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition”, Proceedings of the 2016 IEEE Conf. on Comput. Vision and Pattern Recognition, pp. 770-778, Jun. 2016, doi:10.1109/CVPR.2016.90.
  34. ResNet (34,50,101): “Residual” CNN for image classification. Available: https://neurohive.io/ru/vidy-nejrosetej/ resnet-34-50-101/ (Accessed: 20.09.2021)
  35. A. Veit, M. Wilber, and S. Belongie, “Residual networks behave like ensembles of relatively shallow networks”, NIPS’16: Proceedings of the 30th International Conference on Neural Information Processing Systems, pp. 550–558, 2016.
  36. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, Cambridge, MA, USA, 2017.
  37. B. Ramsundar and R. B. Zadeh, TensorFlow for deep learning: from linear regression to reinforcement learning. O’Reilly Media, Sebastopol, CA, USA, 2018.
  38. T. Hope, Y. S. Resheff, and I. Lieder, Learning Tensorflow: A guide to building deep learning systems. O’Reilly Media, Sebastopol, CA, USA, 2017.
  39. A. Gulli, A. Kapoor, and S. Pal, Deep learning with TensorFlow 2 and Keras, 2nd ed. Packt Publishing, Birmingham – Mumbai, 2019.
  40. N. Shukla, Machine learning with TensorFlow. Manning Publications, NY, USA, 2018.
  41. A. Geron, Hands-on machine learning with Scikit-Learn and TensorFlow. O’Reilly Media, Sebastopol, CA, USA, 2017.
  42. TensorFlow documentation. Available: www.tensorflow.org (Accessed: 20.09.2021).
  43. Keras documentation. Available: https://keras.io/guides/ (Accessed: 20.09.2021).
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі
10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS
10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи
10.20535/kpisn.2026.3.351645

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 53

Ви також можете розпочати розширений пошук схожих статей для цієї статті.