ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ

Obciążenie chorobami płuc dla światowego stanu zdrowia jest znaczne, co podkreśla istotną konieczność ich szybkiego wykrywania. W pracy wykorzystano architekturę VGG16 z dodatkowymi warstwami konwolucyjnymi, aby stworzyć hybrydową metodę klasyfikacji chorób płuc. Obejmuje ona technikę generowanie próbek syntetycznych z klasy mniejszościoweji (SMOTE) w celu poprawy wydajności modelu w odpowiedzi na problem niezrównoważonych instancji klasowych. Podzbiór danych NIH Chest X-ray jest używany do trenowania i oceny modelu. Zaprojektowany model klasyfikuje obrazy do 8 różnych klas chorób płuc: rozedma płuc, kardiomegalia, niedodma, obrzęk, konsolidacja, masa, wysięk, odma opłucnowa. Zaproponowany model zapewnił dokładność na poziomie 96,42%, co świadczy o dużej skuteczności w precyzyjnej klasyfikacji chorób płuc. Dla lepszej interakcji między pacjentem a modelem zintegrowano graficzny interfejs użytkownika (GUI). Dzięki ulepszonym możliwościom diagnostycznym proponowana metoda nie tylko wspomaga innowacje technologiczne, ale także dobrze rokuje dla poprawy opieki nad pacjentem i efektów opieki zdrowotnej.