به گزارش ایسنا، فرآیند گوش کردن، یکی از روش‌های شناسایی و تشخیص بیماری‌های تنفسی است. این فرآیند از گذشته تا امروز، مورد استفاده پزشکان بوده و از طریق یک گوشی پزشکی انجام می‌شود. چالش پیش‌روی این فرآیند این است که وابستگی بالایی بین تشخیص بیماری و تخصص و تجربه پزشک وجود دارد.

زانیار قادری، دانشجوی کارشناسی ارشد مهندسی صنایع دانشگاه تربیت مدرس با انجام پژوهشی در قالب پایان‌نامه، روشی اتوماتیک برای شناسایی و تشخیص بیماری‌های تنفسی با تحلیل صدای ریه با رویکرد یادگیری عمیق ارائه داده است. همچنین در این پژوهش، چالش برچسب‌گذاری داده‌ها که یکی از بزرگ‌ترین چالش‌های حوزه یادگیری ماشین است، از طریق ارائه یک مدل یادگیری نیمه نظارتی مورد بررسی قرار گرفته است.

دراین پژوهش از روش استخراج ویژگی اسپکتروگرام استفاده می شود و داده‌ها از طریق یک مدل یادگیری نظارت‌شده که شامل یک شبکه عصبی است، دسته بندی شده و بیماری هر یک از داده‌ها تشخیص داده می‌شود. سپس برچسب درصدی از داده‌ها به صورت تصادفی کنار گذاشته شده و یک مدل یادگیری نیمه نظارتی با هدف پرچسب‌گذاری این داده‌ها ارائه شده است.

صحت به‌دست آمده برای مدل یادگیری نظارت‌شده برابر با ۹۷ درصد و معیارهای دقت، بازخوانی و امتیاز F به ترتیب برابر با ۹۷.۱۶ درصد، ۹۷.۳۳ درصد و ۹۷ درصد هستند. سناریوهای مختلفی برای مدل یادگیری نیمه نظارتی ارائه شده است که صحت برچسب‌گذاری که معیار اصلی و هدف مدل نیمه نظارتی است، برابر با ۹۰.۳۰ درصد با انحراف معیار ۳.۲۲ درصد است.

به گفته روابط عمومی دانشگاه تربیت مدرس، نتایج به‌دست آمده از این پژوهش، جزو بهترین نتایج حاصله در مورد این موضوع است و قابلیت ارتقاء نیز دارد. از مدل‌های طراحی و پیاده‌سازی‌شده می‌توان در موارد مختلفی از قبیل ارائه سیستم کمک‌یار پزشک و پلتفرم‌های آنلاین و یا اینترنت اشیاء استفاده کرد.

این پژوهش در قالب پایان نامه کارشناسی ارشد زانیار قادری با راهنمایی دکتر توکتم خطیبی، عضو هیأت علمی دانشکده مهندسی صنایع و سیستم‌های دانشگاه تربیت مدرس انجام شده است.

انتهای پیام