DIAGNOSTYKA PĘCHERZYCY Z WYKORZYSTANIEM SZTUCZNEJ INTELIGENCJI: PODEJŚCIE OPARTE NA UCZENIU MASZYNOWYM DO AUTOMATYCZNEGO WYKRYWANIA ZMIAN SKÓRNYCH
Mamun Ahmed
Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology (Bangladesz)
https://orcid.org/0000-0002-3980-3981
Salma Binta Islam
Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology (Bangladesz)
https://orcid.org/0009-0004-9975-4861
Aftab Uddin Alif
alifbaiust@gmail.comBangladesh Army International University of Science and Technology, Department of Computer Science and Technology (Bangladesz)
https://orcid.org/0009-0001-8461-1129
Mirajul Islam
Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology (Bangladesz)
https://orcid.org/0009-0006-1215-1422
Sabrina Motin Saima
Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology (Bangladesz)
https://orcid.org/0009-0005-7319-7259
Abstrakt
Pęcherzyca to choroba skóry, która może powodować poważne uszkodzenia ludzkiej skóry. Pęcherzyca może powodować inne problemy, w tym bolesne plamy i zakażone pęcherze, które mogą skutkować sepsą, utratą masy ciała i łaknienia, co może zagrażać życiu, próchnicą zębów i chorób dziąseł. Wczesne wykrycie pęcherzycy może uchronić przed śmiertelną chorobą. Uczenie maszynowe może zaoferować wysoce efektywne podejście do podejmowania decyzji i precyzyjnego prognozowania. Sektor opieki zdrowotnej doświadcza niezwykłych postępów dzięki wykorzystaniu technik uczenia maszynowego. Dlatego do identyfikacji pęcherzycy za pomocą obrazów zaproponowano techniki oparte na uczeniu maszynowym. Proponowany system wykorzystuje duży zbiór danych zebranych z różnych źródeł internetowych do wykrywania pęcherzycy. W zbiorze danych zastosowano augmentację przy użyciu technik takich jak powiększanie, odwracanie, zmiana jasności, zniekształcenie, zmiana wielkości, wysokość i szerokości, aby zwiększyć zakres i różnorodność zbioru danych oraz poprawić wydajność modelu. Do uczenia i oceny modelu wykorzystano pięć popularnych algorytmów uczenia maszynowego, są to: K-Nearest Neighbor (określany jako KNN), drzewo decyzyjne (DT), regresja logistyczna (LR), las losowy (RF) i konwolucyjną sieć neuronowa (CNN). Uzyskane wyniki wskazują, że model oparty na CNN był lepszy od innych algorytmów, osiągając dokładność na poziomie 93%, podczas gdy LR, KNN, RF i DT osiągnęły dokładność odpowiednio 78%, 70%, 85% i 75%.
Słowa kluczowe:
Pęcherzyca, pęcherze, augmentacja, Alzheimer, AI, CNN, KNN, SVM.Bibliografia
Arduino P. G. et al.: Long-term evaluation of pemphigus vulgaris: a retrospective consideration of 98 patients treated in an oral medicine unit in north-west Italy. Journal of Oral Pathology & Medicine 48(5), 2019, 406–412 [http://doi.org/10.1111/jop.12847].
Google Scholar
Bhadula S. et al.: Machine Learning Algorithms based Skin Disease Detection. International Journal of Innovative Technology and Exploring Engineering – IJITEE 9(2), 2019, 4044-4049 [http://doi.org/10.35940/ijitee.B7686.129219].
Google Scholar
Elngar A. A.: Intelligent System for Skin Disease Prediction using Machine Learning. 3rd International Conference on Smart and Intelligent Learning for Information Optimization 1998, 2021 [http://doi.org/10.1088/1742-6596/1998/1/012037].
Google Scholar
Hashi E. K., Md. Shahid Uz Zaman: Developing a Hyperparameter Tuning Based Machine Learning Approach of Heart Disease Prediction. Journal of Applied Science & Process Engineering 7(2), 2020, 631–647 [http://doi.org/10.33736/jaspe.2639.2020].
Google Scholar
Jonnavithula S. K. et al.: Role of Machine Learning Algorithms Over Heart Diseases Prediction. 2nd International Conference on Sustainable Manufacturing, Materials and Technologies 2292(1), 2020, [http://doi.org/10.1063/5.0030743].
Google Scholar
Kameswara Rao T. et al.: Skin Disease Detection Using Machine Learning. UGC CARE Listed (Group-I) Journal 11(12), 2022, 1593–1604 [http://doi.org/10.48047/IJFANS/V11/I12/171].
Google Scholar
Kumar A., Shetty P., Balipa M., Rao B., Puneeth B., Shravya: An efficient technique to detect skin Disease Using Image Processing. International Conference on Artificial Intelligence and Data Engineering – AIDE, Karkala 2022, 35–40 [http://doi.org/10.1109/AIDE57180.2022.10060001].
Google Scholar
Kumar V. B., Kumar S. S., Saboo V.: Dermatological disease detection using image processing and machine learning. Third International Conference on Artificial Intelligence and Pattern Recognition – AIPR, Lodz, 2016, 1–6 [http://doi.org/10.1109/ICAIPR.2016.7585217].
Google Scholar
Mahesh B.: Machine Learning Algorithms – A Review. International Journal of Science and Research – IJSR 9(1), 2020, 381–386.
Google Scholar
Połap D. et al.: An Intelligent System for Monitoring Skin diseases. Special Issue From Sensors to Ambient Intelligence for Health and Social, 2018 [http://doi.org/10.3390/s18082552].
Google Scholar
Rathod J. et al.: Diagnosis of skin diseases using Convolutional Neural Networks. Second International Conference on Electronics, Communication and Aerospace Technology – ICECA, Coimbatore, 2018, 1048–1051 [http://doi.org/10.1109/ICECA.2018.8474593].
Google Scholar
Rimi T. A. et al.: Derm-NN: Skin Diseases Detection Using Convolutional Neural Network. 4th International Conference on Intelligent Computing and Control Systems – ICICCS. Madurai, 2020, 1205–1209 [http://doi.org/10.1109/ICICCS48265.2020.9120925].
Google Scholar
Sumithra R., Suhilb M., Guruc D. S.: Segmentation and classification of skin lesions for disease diagnosis. Procedia Computer Science 45, 2015, 76–85 [http://doi.org/10.1016/j.procs.2015.03.090].
Google Scholar
American Academy of Dermatology. https://www.aad.org/public/diseases/a-z/pemphigus-symptoms (accessed: 21.01.2023).
Google Scholar
Cleveland Clinic. https://my.clevelandclinic.org/health/diseases/21130-pemphigus (accessed: 20.04.2023)
Google Scholar
DermNet. https://dermnetnz.org/images/pemphigus-vulgaris-images (accessed: 10.01.2023).
Google Scholar
DermNet. https://dermnetnz.org/topics/pemphigus-foliaceus (accessed: 07.02.2023).
Google Scholar
National library of medicine. https://www.ncbi.nlm.nih.gov/books/NBK560860/ (accessed: 29.04.2023)
Google Scholar
NHS. https://www.nhs.uk/conditions/pemphigus-vulgaris/ (accessed: 03.01.2023).
Google Scholar
WebPathology. https://www.webpathology.com/image.asp?n=2&Case=697 (accessed: 20.02.2023).
Google Scholar
Autorzy
Mamun AhmedBangladesh Army International University of Science and Technology, Department of Computer Science and Technology Bangladesz
https://orcid.org/0000-0002-3980-3981
Autorzy
Salma Binta IslamBangladesh Army International University of Science and Technology, Department of Computer Science and Technology Bangladesz
https://orcid.org/0009-0004-9975-4861
Autorzy
Aftab Uddin Alifalifbaiust@gmail.com
Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology Bangladesz
https://orcid.org/0009-0001-8461-1129
Autorzy
Mirajul IslamBangladesh Army International University of Science and Technology, Department of Computer Science and Technology Bangladesz
https://orcid.org/0009-0006-1215-1422
Autorzy
Sabrina Motin SaimaBangladesh Army International University of Science and Technology, Department of Computer Science and Technology Bangladesz
https://orcid.org/0009-0005-7319-7259
Statystyki
Abstract views: 208PDF downloads: 143
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Mamun Ahmed, Sayma Alam Suha, Fahamida Hossain Mahi, Forhad Uddin Ahmed, OCENA SKUTECZNOŚCI PROGNOZOWANIA CEN BITCOINÓW PRZY UŻYCIU TECHNIK UCZENIA MASZYNOWEGO NA DANYCH HISTORYCZNYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 14 Nr 2 (2024)
