ӨКПЕДЕГІ КАЛЬЦИФИКАЦИЯЛАР МЕН ОБЫРДЫ LUNG-RADS ЖҮЙЕСІНДЕ РАДИОЛОГИЯЛЫҚ ЕРЕКШЕЛІКТЕР НЕГІЗІНДЕ ЖІКТЕУ

Өкпе обыры Қазақстанда және әлемде денсаулық сақтау саласындағы елеулі мәселелердің бірі. Бұл ауру өлімге әкелетін қатерлі ісіктер қатарында. Өкпе обырын ерте диагностикалау қиын, себебі оның бастапқы кезеңдерінде клиникалық белгілері байқалмайды. Сонымен қатар, өкпе обырының басқа өкпе ауруларымен ұқсас клиникалық көріністері оның дәл диагностикасын қиындатады. Дәстүрлі диагностикалық әдістер, мысалы, өкпені тесіп, биопсия жүргізу, инвазивті және науқас үшін ауыр процедуралар. Осыған байланысты компьютерлік томография (КТ) негізінде жалған оң жағдайларды азайту диагностика сапасын жақсартуда маңызды рөл атқарады. Бұл зерттеуде аннотацияланған компьютерлік томографиялардан алынған радиологиялық ерекшеліктерге негізделген бес машинамен оқыту моделінің (логистикалық регрессия, шешім ағашы, кездейсоқ орман, векторларды қолдау әдісі және Байестің аңғал алгоритмі) салыстырмалы талдауы жүргізілді. Классикалық модельдерді таңдау олардың шешім қабылдау процесін нейрондық желілермен салыстырғанда жеңіл бақылауға болатындығымен түсіндіріледі. Модельдер бинарлы және көпклассты жіктеу тұрғысынан бағаланды. Бинарлы жіктеу барысында нақты түйіннің кальцификациялармен немесе обырмен байланысты екенін анықтау және биопсияның қажет екенін, тұрақты бақылаудың жеткілікті екенін шешу үшін Precision метрикасы қолданылды. Ал көпклассты жіктеу үшін Lung-RADS кластарын реттік сипатын ескеретін Quadratic Kappa сенімділік өлшемі пайдаланылды. Зерттеу жергілікті қазақстандық деректер мен жалпыға қолжетімді LIDC-IDRI деректер жиынтығының комбинациясына негізделген. Әртүрлі дереккөздерді біріктіру диагностикалық мүмкіндіктерді кеңейтуге деген ұмтылысты көрсетеді.

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