Modelo híbrido de CNN y XGBoost ajustado por el algoritmo de optimización aritmética modificado para el diagnóstico temprano de COVID-19 a partir de imágenes de rayos X
Autores: Zivkovic, Miodrag; Bacanin, Nebojsa; Antonijevic, Milos; Nikolic, Bosko; Kvascev, Goran; Marjanovic, Marina; Savanovic, Nikola
Idioma: Inglés
Editor: MDPI
Año: 2022
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 7
Citaciones: Sin citaciones
Los países en desarrollo han tenido numerosos obstáculos en el diagnóstico de la pandemia mundial de COVID-19 desde su aparición. Una de las formas más importantes de controlar la propagación de esta enfermedad comienza con la detección temprana, lo que permite que el aislamiento y el tratamiento puedan comenzar quizás. Según resultados recientes, las radiografías de tórax proporcionan información importante sobre el inicio de la infección, y esta información puede ser evaluada para que el diagnóstico y tratamiento puedan comenzar más pronto. Aquí es donde la inteligencia artificial choca con las habilidades diagnósticas de los clínicos expertos. El objetivo del estudio sugerido es contribuir a combatir la epidemia mundial utilizando un modelo simple de red neuronal convolucional (CNN) para construir un marco de análisis de imágenes automatizado para reconocer datos de radiografías de tórax afectadas por COVID-19. Para mejorar la precisión de la clasificación, las capas completamente conectadas de la CNN simple fueron reemplazadas por el eficiente clasificador de aumento de gradiente extremo (XGBoost), que se utiliza para categorizar las características extraídas por las capas convolucionales. Además, se utilizó una versión híbrida del algoritmo de optimización aritmética (AOA), también desarrollado para facilitar la investigación propuesta, para ajustar los hiperparámetros de XGBoost para las imágenes de radiografías de tórax de COVID-19. Los datos experimentales reportados mostraron que este enfoque supera a otros métodos de vanguardia, incluidos otros algoritmos metaheurísticos de última generación, que se probaron en el mismo marco. Para fines de validación, se utilizó un conjunto de datos de imágenes de rayos X equilibrado con 12,000 observaciones, pertenecientes a las clases de normal, COVID-19 y neumonía viral. El método propuesto, donde XGBoost fue ajustado por el híbrido AOA introducido, mostró un rendimiento superior, logrando una precisión de clasificación de aproximadamente 99.39% y un promedio ponderado de precisión, recall y puntuación F1 de 0.993889, 0.993887 y 0.993887, respectivamente.
Descripción
Los países en desarrollo han tenido numerosos obstáculos en el diagnóstico de la pandemia mundial de COVID-19 desde su aparición. Una de las formas más importantes de controlar la propagación de esta enfermedad comienza con la detección temprana, lo que permite que el aislamiento y el tratamiento puedan comenzar quizás. Según resultados recientes, las radiografías de tórax proporcionan información importante sobre el inicio de la infección, y esta información puede ser evaluada para que el diagnóstico y tratamiento puedan comenzar más pronto. Aquí es donde la inteligencia artificial choca con las habilidades diagnósticas de los clínicos expertos. El objetivo del estudio sugerido es contribuir a combatir la epidemia mundial utilizando un modelo simple de red neuronal convolucional (CNN) para construir un marco de análisis de imágenes automatizado para reconocer datos de radiografías de tórax afectadas por COVID-19. Para mejorar la precisión de la clasificación, las capas completamente conectadas de la CNN simple fueron reemplazadas por el eficiente clasificador de aumento de gradiente extremo (XGBoost), que se utiliza para categorizar las características extraídas por las capas convolucionales. Además, se utilizó una versión híbrida del algoritmo de optimización aritmética (AOA), también desarrollado para facilitar la investigación propuesta, para ajustar los hiperparámetros de XGBoost para las imágenes de radiografías de tórax de COVID-19. Los datos experimentales reportados mostraron que este enfoque supera a otros métodos de vanguardia, incluidos otros algoritmos metaheurísticos de última generación, que se probaron en el mismo marco. Para fines de validación, se utilizó un conjunto de datos de imágenes de rayos X equilibrado con 12,000 observaciones, pertenecientes a las clases de normal, COVID-19 y neumonía viral. El método propuesto, donde XGBoost fue ajustado por el híbrido AOA introducido, mostró un rendimiento superior, logrando una precisión de clasificación de aproximadamente 99.39% y un promedio ponderado de precisión, recall y puntuación F1 de 0.993889, 0.993887 y 0.993887, respectivamente.