Multi-Task Learning for Lung sound & Lung disease classification

要約

近年、ディープラーニング技術の進歩により、医療診断の効率と精度が大幅に向上しました。
この研究では、肺音と肺疾患を同時に分類するためにマルチタスク学習 (MTL) を使用する新しいアプローチが提案されています。
私たちが提案するモデルは、2D CNN、ResNet50、MobileNet、Densenet などの 4 つの異なる深層学習モデルを備えた MTL を活用して、肺音録音から関連する特徴を抽出します。
現在の研究では、ICBHI 2017 呼吸音データベースが使用されました。
MobileNet モデルの MTL は、検討した他のモデルよりも優れたパフォーマンスを示し、肺音分析の精度は 74%、肺疾患の分類では 91% でした。
実験の結果は、肺音と肺疾患の両方を同時に分類する際の私たちのアプローチの有効性を示しています。
この研究では、データベースからの患者の人口統計データを使用して、慢性閉塞性肺疾患のリスクレベルの計算も実行されます。
この計算には、ロジスティック回帰、SVM、ランダム フォレスト分類器という 3 つの機械学習アルゴリズムが使用されました。
これらの ML アルゴリズムの中で、ランダム フォレスト分類器の精度は 92\% と最高でした。この作業は、病状を診断するだけでなく、考えられる原因や結果について患者に効果的に伝えるという医師の負担を大幅に軽減するのに役立ちます。

要約(オリジナル)

In recent years, advancements in deep learning techniques have considerably enhanced the efficiency and accuracy of medical diagnostics. In this work, a novel approach using multi-task learning (MTL) for the simultaneous classification of lung sounds and lung diseases is proposed. Our proposed model leverages MTL with four different deep learning models such as 2D CNN, ResNet50, MobileNet and Densenet to extract relevant features from the lung sound recordings. The ICBHI 2017 Respiratory Sound Database was employed in the current study. The MTL for MobileNet model performed better than the other models considered, with an accuracy of74\% for lung sound analysis and 91\% for lung diseases classification. Results of the experimentation demonstrate the efficacy of our approach in classifying both lung sounds and lung diseases concurrently. In this study,using the demographic data of the patients from the database, risk level computation for Chronic Obstructive Pulmonary Disease is also carried out. For this computation, three machine learning algorithms namely Logistic Regression, SVM and Random Forest classifierswere employed. Among these ML algorithms, the Random Forest classifier had the highest accuracy of 92\%.This work helps in considerably reducing the physician’s burden of not just diagnosing the pathology but also effectively communicating to the patient about the possible causes or outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google