КЛАССИФИКАЦИЯ КАЛЬЦИФИКАЦИЙ И РАКА ЛЕГКОГО В СИСТЕМЕ LUNG-RADS НА ОСНОВЕ РАДИОЛОГИЧЕСКИХ ПРИЗНАКОВ

Рак легких представляет собой значительную проблему для здравоохранения как в Казахстане, так и в мире, являясь одной из самых смертельных форм рака. Диагностика рака легких сложна, так как симптомы часто остаются незаметными на ранних стадиях. Более того, рак легких имеет общие клинические признаки с различными другими легочными заболеваниями, что усложняет его точное выявление. Точная диагностика обычно требует прокола легкого для последующей биопсии, что является высокоинвазивной и болезненной процедурой для пациента. Поэтому крайне важно отличать ложноположительные случаи на этапе диагностики с использованием компьютерной томографии. Мы провели сравнительный анализ пяти моделей машинного обучения (логистическая регрессия, решающее дерево, случайный лес, метод опорных векторов и наивный байесовский алгоритм) на основе радиологических признаков, извлеченных из аннотированных компьютерных томографий. Мы выбрали классические методы машинного обучения, потому что их процесс принятия решений легче контролировать по сравнению с нейронными сетями. Мы оценили модели с точки зрения бинарной и многоклассовой классификации, чтобы определить, связано ли данное образование с кальцификацией или раком, а также его классификацию согласно Lung-RADS, что позволяет решить, требуется ли дальнейшая биопсия или достаточно только рутинного наблюдения. Мы использовали метрику Precision для оценки количества ложноположительных предсказаний в задаче бинарной классификации. Precision стал ключевой метрикой в нашей оценке, предоставляя информацию о количестве ложноположительных предсказаний именно в задаче бинарной классификации. Для аспекта многоклассовой классификации мы обратились к Quadratic Kappa, надежной мере, учитывающей порядковый характер классов Lung-RADS. Наш анализ основывался на комбинации местных казахстанских данных и общедоступного набора данных LIDC-IDRI, подчеркивая нашу приверженность использованию разнообразных источников данных для улучшения диагностических возможностей.

1. Ferlay J., Ervik M., Lam F., et al. Global Cancer Observatory: Cancer Today. Lyon, France: International Agency for Research on Cancer, 2022. Available from: https://gco.iarc.fr/today.

2. Raza R., Zulfiqar F., Khan M. O., Arif M., Alvi A., Iftikhar M. A., & Alam T. Lung-EffNet: Lung cancer classification using EfficientNet from CT-scan images. Engineering Applications of Artificial Intelligence, 2023, vol. 126, p. 106902.

3. Tan M., & Le Q. Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning, 2019, May, pp. 6105–6114. PMLR.

4. Cho J., Kim J., Lee K. J., Nam C.M., Yoon S.H., Song H. ... & Lee K.W. Incidence lung cancer after a negative ct screening in the national lung screening trial: Deep learning-based detection of missed lung cancers. Journal of Clinical Medicine, 2020, vol. 9, no. 12, p. 3908.

5. Huang G., Liu Z., Van Der Maaten L., & Weinberger K.Q. Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 4700–4708.

6. Chui K.T., Gupta B.B., Jhaveri R.H., Chi H.R., Arya V., Almomani A., & Nauman A. Multiround transfer learning and modified generative adversarial network for lung cancer detection. International Journal of Intelligent Systems, 2023, pp. 1–14.

7. Tiwari A., Hannan S.A., Pinnamaneni R., Al-Ansari A.R.M., El-Ebiary Y.A.B., Prema S. ... & Vidalón J.L.J. Optimized Ensemble of Hybrid RNN-GAN Models for Accurate and Automated Lung Tumour Detection from CT Images. International Journal of Advanced Computer Science and Applications, 2023, vol. 14, no.7.

8. Götz T.I., Göb S., Sawant S., Erick X.F., Wittenberg T., Schmidkonz C. ... & Ramming A. Number of necessary training examples for Neural Networks with different number of trainable parameters. Journal of Pathology Informatics, 2022, no.13, p. 100114.

9. Goel K., Gu A., Li Y., & Ré C. Model patching: Closing the subgroup performance gap with data augmentation, 2020, arXiv preprint arXiv:2008.06775.

10. Banerjee I., Bhimireddy A.R., Burns J.L., Celi L.A., Chen L.C., Correa R. ... & Gichoya J.W. Reading race: AI recognises patient’s racial identity in medical images, 2021, arXiv preprint arXiv:2107.10356.

11. Gichoya J.W., Banerjee I., Bhimireddy A.R., Burns J.L., Celi L.A., Chen L.C. ... & Zhang H. (2022). AI recognition of patient race in medical imaging: a modelling study. The Lancet Digital Health, vol.4, no. 6, e406-e414.

12. Jayaraj D., & Sathiamoorthy S. Random forest based classification model for lung cancer prediction on computer tomography images. In 2019 International Conference on Smart Systems and Inventive Technology (ICSSIT), 2019, November, pp. 100–104. IEEE.

13. Armato III S.G., McLennan G., Bidaut L., et al. Data From LIDC-IDRI [Data set]. The Cancer Imaging Archive, 2015. https://doi.org/10.7937/K9/TCIA.2015.LO9QL9SX.

14. Beucher S., & Meyer F. The morphological approach to segmentation: the watershed transformation. In Mathematical morphology in image processing, 2018, pp. 433–481).

15. Breiman L. Random forests. Machine learning, 2001, no. 45, pp. 5–32.

16. Paing May Phu, and Somsak Choomchuay. Improved random forest (RF) classifier for imbalanced classification of lung nodules. 2018 International Conference on Engineering, Applied Sciences, and Technology (ICEAST). IEEE, 2018.

17. Kareem H.F., AL-Husieny M.S., Mohsen F.Y., Khalil E.A., & Hassan Z.S. Evaluation of SVM performance in the detection of lung cancer in marked CT scan dataset. Indonesian Journal of Electrical Engineering and Computer Science, 2021, vol. 21, no. 3, p. 1731.

18. Otsu N. A threshold selection method from gray-level histograms. Automatica, 1975, vol. 11, no. 285–296, pp. 23–27.

19. Gabor D. Theory of communication. Part 1: The analysis of information. Journal of the Institution of Electrical Engineers-part III: radio and communication engineering, 1946, vol. 93, no. 26, pp. 429–441.

20. Haralick R.M., Shanmugam K., & Dinstein I.H. Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, 1973, no. 6, pp. 610–621.

21. Cripsy J. Viji, and Divya T. Lung Cancer Disease Prediction and Classification based on Feature Selection method using Bayesian Network, Logistic Regression, J48, Random Forest, and Naïve Bayes Algorithms. 2023 3rd International Conference on Smart Data Intelligence (ICSMDI). IEEE, 2023.

22. Pearson K. VII. Note on regression and inheritance in the case of two parents. proceedings of the royal society of London, 1895, vol. 58, no. 347–352, pp. 240–242.

23. Spearman C. The proof and measurement of association between two things, 1961.

24. Nam D., Panina A., Pak A. Lung cancer segmentation dataset with Lung-RADS class, Mendeley Data, V1, doi: 10.17632/5rr22hgzwr.1