Innovative Biosystems and Bioengineering (Sep 2021)
Порівняльний аналіз алгоритмів класифікації при аналізі медичних зображень за відеоданими спекл-трекінг ехокардіографії
Abstract
Проблематика. Машинне навчання дає змогу застосувати різні інтелектуальні алгоритми для отримання діагностичних та(або) прогностичних моделей. Подібні моделі можуть бути використані для визначення функціонального стану серця, який діагностується за допомогою спекл-трекінг ехокардіографії. Для того щоб детально визначити стан серця пацієнта, в машинному навчанні використовується підхід класифікації. Кожен із алгоритмів класифікації має різну ефективність при застосуванні в певних ситуаціях. Тому актуальною задачею є визначення найбільш ефективного алгоритму для розвʼязання конкретної задачі класифікації стану серця пацієнта при застосуванні однакового масиву даних спекл-трекінг ехокардіографії. Мета. Оцінити ефективність застосування прогностичних моделей логістичної регресії, методу групового урахування аргументів (МГУА), випадкового лісу і адаптивного бустингу (AdaBoost) при побудові алгоритмів підтримки прийняття медичних рішень щодо діагностики ішемічної хвороби серця. Методика реалізації. Для виконання дослідження використано відеодані спекл-трекінг ехокардіографії 40 пацієнтів із наявністю ішемічної хвороби серця та 16 осіб, у яких патологію серця виявлено не було. Ехокардіографія реєструвалась у B-режимі в трьох позиціях: по довгій вісі, у 4-камерній та 2-камерній позиціях. Як об’єкти для класифікації були взяті кадри ехокардіографії, що відображають систолу та діастолу серця (таких усього виявилось 308 зразків). Для отримання інформативних ознак вибраних об’єктів було застосовано підхід генетичного МГУА для виявлення найкращої структури гармонічних текстурних ознак. Порівнювалась ефективність таких алгоритмів класифікації: метод логістичної регресії, класифікатор МГУА, метод випадкового лісу та метод AdaBoost. Результати. Побудовано 4 моделі класифікації для кожної із трьох позицій B-режиму ехокардіографії. Для цього вибірки даних були розбиті на 3: навчальну (60 %), валідаційну (20 %) і тестову (20 %). Об’єктивне оцінювання моделей на тестовій вибірці показало, що найкращим методом класифікації є випадковий ліс (90,3 % точності на 4-камерній позиції ехокардіографії, 74,2 % на 2-камерній і 77,4 % на довгій вісі). Це також було підтверджено за допомогою ROC-аналізу, де в усіх випадках випадковий ліс виявився найбільш ефективним у класифікації стану серця. Висновки. Визначено найкращий алгоритм класифікації в діагностиці стану серця за спекл-трекінг ехокардіографією. Ним виявився випадковий ліс, що можна пояснити ансамблевим підходом бегінгу, який закладений у цьому методі класифікації. Саме він і буде опорою при проведенні подальших досліджень, які планується виконувати для розробки повноцінної системи підтримки прийняття рішень при діагностиці серця.
Keywords
