ДИАГНОСТИКА ЗЛОКАЧЕСТВЕННЫХ НОВООБРАЗОВАНИЙ ГРУДНОЙ КЛЕТКИ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
https://doi.org/10.26583/vestnik.2024.6.7
EDN: TNDLDH
Аннотация
Негативная динамика частоты онкологических заболеваний придает высокую значимость и актуальность задаче повышения эффективности методов диагностики. По всему миру ежегодно выявляют более 10 млн случаев патологии, в том числе фиксируется 2.2 млн случаев онкологии легких, из которых 1.8 млн случаев заканчиваются летально. Ранняя, дифференциальная и точная диагностика заболевания традиционно считается важной задачей медицины. Целью работы является создание автоматизированной системы обработки результатов объективного контроля для дифференциальной диагностики злокачественных новообразований в грудной клетке и повышение с ее помощью точности и скорости диагностики. Полученный в результате работы продукт представляет собой систему искусственного интеллекта на основе нейронной сети, осуществляющей анализ изображений и их множественную классификацию. Анализ изображений позволяет не только фиксировать отсутствие или наличие злокачественных новообразований, но и в последнем случае произвести дифференциальную диагностику аденокарциномы, крупноклеточной карциномы и плоскоклеточного рака легких. Результаты работы данного продукта заметно превосходят достижения других описанных и доступных в настоящее время систем: полученный в результате работы продукт имеет ошибку 3.5 %, в то время как ошибка существующих аналогов составляет не менее 7.1 %, что в два раза больше ошибки полученной системы. Предлагаемый продукт позволяет в два раза сократить количество неправильно поставленных системой диагнозов по сравнению с существующими в настоящее время аналогами.
Ключевые слова
Список литературы
1. Комарова А.И., Саидова З.А. Онкологические заболевания в России и мире // Человек и общество, М., 2022. Т. 846 (888), вып. 55. Режим доступа: https://clck.ru/379RTE (дата обращения: 16.12.2023).
2. Motohiro A., Ueda H., Komatsu H., Yanai N., Mori T. National Chest Hospital Study Group for Lung Cancer. Prognosis of non-surgically treated, clinical stage I lung cancer patients in Japan // Lung Cancer, 2002.V. 36. Iss. 1. P. 65–69. DOI: 10.1016/S0169-5002(01)004597.
3. Bushara A.R. Deep Learning-based Lung Cancer Classification of CT Images using Augmented Convolutional Neural Networks // Electronic Letters on Computer Vision and Image Analysis, 2022. V. 21(1). P. 130–142. DOI: 10.5565/rev/elcvia.1490.
4. Venkatesh C., Ramana K., Lakkisetty S. Y., Band S.S., Agarwal S., Mosavi A. A Neural Network and Optimization Based Lung Cancer Detection System in CT Images // Front. Public Health, 2022. V. 10. DOI: 10.3389/fpubh.2022.769692.
5. Kuruvilla J., Gunavathi K. Lung cancer classification using neural networks for CT images // Comput Methods Programs Biomed, 2014. V. 113(1). P. 202–209. DOI: 10.1016/j.cmpb.2013.10.011.
6. Mohamed T.I.A., Oyelade O.N., Ezugwu A.E. Automatic detection and classification of lung cancer CT scans based on deep learning and ebola optimization search algorithm // PLoS One, 2023. V. 18(8). e0285796. DOI: 10.1371/journal.pone.0285796.
7. Андриянов Н.А., Андриянов Д.А. О важности аугментации данных при машинном обучении в задачах обработки изображений в условиях дефицита данных // Сб. трудов по материалам VI Международной конференции и молодежной школы, 2020. Режим доступа: https://clck.ru/36TBwi (дата обращения: 07.11.2023).
8. Khan S., Rahmani H., Shah S.A.A., Bennamoun M. A Guide to Convolutional Neural Networks for Computer Vision // Synthesis Lectures on Computer Vision, 2018. Режим доступа: https://www.researchgate.net/publication/323174279_A_Guide_to_Convolutional_Neural_Networks_for_Computer_Vision (дата обращения: 06.06.2024).
Рецензия
Для цитирования:
Зимина А.Г. ДИАГНОСТИКА ЗЛОКАЧЕСТВЕННЫХ НОВООБРАЗОВАНИЙ ГРУДНОЙ КЛЕТКИ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ. Вестник НИЯУ МИФИ. 2024;13(6):430-435. https://doi.org/10.26583/vestnik.2024.6.7. EDN: TNDLDH
For citation:
Zimina A.G. DIAGNOSIS OF MALIGNAT NEIPLASMS OF THE CHEST USING NEURAL NETWORK. Vestnik natsional'nogo issledovatel'skogo yadernogo universiteta "MIFI". 2024;13(6):430-435. (In Russ.) https://doi.org/10.26583/vestnik.2024.6.7. EDN: TNDLDH