Ali Emre ÖZTAŞ, Dorukhan BONCUKÇU, Ege ÖZTEKE, Mahir DEMİR, Arzu MİRİCİ, Pınar MUTLU

Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım

Covid-19 virüsü dünya üzerinde büyük bir etki bırakmıştır ve yayılmaya devam etmektedir. Daha fazla yayılmasını engellemek için koronavirüs hastalarına erken tanı koymak oldukça önemlidir. Her ne kadar akciğer X-Işını görüntüsü tanısı ile çözüm en hızlı ve en kolay yöntem olsa da ortalama bir radyoloğun X-Işını verilerini kullanarak tanı koymadaki doğruluğu tamamen mesleki deneyimine dayanmaktadır. Yani, daha deneyimsiz radyologların hata yapma olasılığı daha fazladır. Bu nedenle tutarlı sonuçlar verebilen bir yapay zekâ modeli üretilmesi istenmektedir. Çalışmamızda göğüs X-Işını görüntüleri ve sıradan kan ölçüm verileri kullanılarak sınıflandırma yapılmış ve sonuçları karşılaştırılmıştır. X-Işını verileri hem açık kaynak çalışmalardan hem de yerel bir hastaneden anonim olarak toplanmıştır ve yaklaşık 7200 görüntüye sahiptir. Kan ölçümü sonuçları da yine aynı yerel hastaneden toplanmıştır. Göğüs X-Işını verilerinin tanısı için yaygın olarak kullanılan evrişimsel sinir ağı algoritmalarından ResNet, SqueezeNet, DenseNet ve VGG kullanılmıştır. Sonuçlar, SqueezeNet modelinin daha yüksek AUC değeri vermesiyle birlikte, diğer algoritmaların da %85 üstünde bulma ve tutturma değeri sağladığını göstermektedir. Covid-19’un kan ölçümlerinden tanısı için ise çok katmanlı yapay sinir ağı ve destek vektör makinası kullanılmıştır. Kan ölçüm verileri kullanarak sınıflandırma kısıtlı bir veri kümesi üzerinde yapılmış olsa da yapay sinir ağı ve destek vektör makinası için doğruluk oranları sırasıyla %76 ve %82 olarak bulunmuştur. Genelleme yapılırsa X-Işını yoluyla tanının kan ölçümü yoluyla yapılan tanıdan daha uygulanabilir olduğu ve Covid tanısında yapay zekânın insanlardan daha doğru sonuç çıkardığı sonucuna ulaşılmıştır.

Anahtar Kelimeler:

Covid-19, danışmanlı öğrenme, derin öğrenme, göğüs X-Işını, kan testi, aktarmalı öğrenme, tanı

PDF

___

Abbas, A., Abdelsamea, M. M., & Gaber, M. M. (2020). Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network. Applied Intelligence, 1-11.
A. Cozzi, S. Schiaffino, F. Arpaia, G. Della Pepa, S. Tritella, P. Bertolotti, et al. Chest x-ray in the COVID-19 pandemic: radiologists' real-world reader performance Eur J Radiol, 132 (2020), Article 109272, 10.1016/j.ejrad.2020.109272.
Alazab, M., Awajan, A., Mesleh, A., Abraham, A., Jatana, V., &Alhyari, S. (2020). COVID-19 prediction and detection using deep learning. International Journal of Computer Information Systems and Industrial Management Applications, 12, 168-181.
Scikit-learn: Machine Learning in Python, Pedregosaet al., JMLR 12, pp. 2825-2830, 2011.
Asai, T. (2020). COVID-19: accurate interpretation of diagnostic tests—a statistical point of view.
Cohen, J. P., Morrison, P., Dao, L., Roth, K., Duong, T. Q., &Ghassemi, M. (2020). Covid-19 image data collection: Prospective predictions are the future. arXiv preprint arXiv:2006.11988.
Haykin, S. S. (2008). Neural Networks and Learning Machines,third edition, Pearson.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., &Keutzer, K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
Irvin, J., Rajpurkar, P., Ko, M., Yu, Y., Ciurea-Ilcus, S., Chute, C., ... & Ng, A. Y. (2019, July). Chexpert: A large chest radiograph dataset with uncertainty labels and expert comparison. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 590-597).
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Minaee, S., Kafieh, R., Sonka, M., Yazdani, S., &Soufi, G. J. (2020). Deep-Covid: Predicting Covid-19 from chest x-ray images using deep transfer learning. Medical image analysis, 65, 101794.
Narin, A., Kaya, C., & Pamuk, Z. (2020). Automatic detection of coronavirus disease (Covid-19) using x-ray images and deep convolutional neural networks. arXiv preprint arXiv:2003.10849.
Maguolo, G., &Nanni, L. (2020). A critic evaluation of methods for Covid-19 automatic detection from x-ray images. arXiv preprint arXiv:2004.12823.
Monard, Maria-Carolina. (2002). A Study of K-Nearest Neighbour as an Imputation Method.
Wang, L., Lin, Z. Q., & Wong, A. (2020). Covid-net: A tailored deep convolutional neural network design for detection of Covid-19 cases from chest x-ray images. Scientific Reports, 10(1), 1-12.
Brinati, D., Campagner, A., Ferrari, D. et al. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: A Feasibility Study. J Med Syst 44, 135 (2020).
Abhirup Banerjee, Surajit Ray, Bart Vorselaars, Joanne Kitson, MichailMamalakis, Simonne Weeks, Mark Baker, Louise S. Mackenzie, Use of Machine Learning and Artificial Intelligence to predict SARS-CoV-2 infection from Full Blood Counts in a population, International Immunopharmacology, Volume 86 (2020).
AlJame, M., Ahmad, I., Imtiaz, A., & Mohammed, A. (2020). Ensemble learning model for diagnosing COVID-19 from routine blood tests. Informatics in Medicine Unlocked, 21, 10.
M.E.H. Chowdhury, T. Rahman, A. Khandakar, R. Mazhar, M.A. Kadir, Z.B. Mahbub, K.R. Islam, M.S. Khan, A. Iqbal, N. Al-Emadi, M.B.I. Reaz, M. T. Islam, “Can AI help in screening Viral and COVID-19 pneumonia?” IEEE Access, Vol. 8, 2020, pp. 132665 - 132676.
Rahman, T., Khandakar, A., Qiblawey, Y., Tahir, A., Kiranyaz, S., Kashem, S.B.A., Islam, M.T., Maadeed, S.A., Zughaier, S.M., Khan, M.S. and Chowdhury, M.E., 2020. Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-ray Images.
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Republic of Turkey Ministry of Health, SARS-CoV-2 Infection Adult Patient Treatment-Scientific Advisory Board Study (7 May 2021 -ANKARA).
Cortes, C., Vapnik, V. Support-vector networks. Mach Learn20, 273–297 (1995). https://doi.org/10.1007/BF00994018.
RBF SVM Parameters. scikit. (n.d.). Erişim tarihi: 23 Mayıs, 2022, Erişim adresi: https://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html .
A. E. Öztaş, D. Boncukçu, E. Özteke, M. Demir, A. Mirici and P. Mutlu, "Covid19 Diagnosis: Comparative Approach Between Chest X-Ray and Blood Test Data," 2021 6th International Conference on Computer Science and Engineering (UBMK), 2021, pp. 472-477, doi: 10.1109/UBMK52708.2021.9558969.