تشخیص اختلالات تنفسی با تحلیل صدای ریه

به گزارش ؛ به نقل از روابط عمومی دانشگاه تربیت مدرس، 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 پیش روی این فرآیند آن است که وابستگی بالایی بین تشخیص بیماری، تخصص و تجربه پزشک وجود دارد.
هدف این پژوهش که در قالب پایان نامه کارشناسی ارشد در رشته مهندسی صنایع، سیستم‌های سلامت انجام شده، ارائه روشی اتوماتیک برای شناسایی و تشخیص بیماری‌های تنفسی با تحلیل صدای ریه با رویکرد یادگیری عمیق است. همچنین چالش برچسب گذاری داده‌ها که یکی از بزرگ‌ترین چالش‌های حوزه یادگیری ماشین است از طریق ارائه یک مدل یادگیری نیمه نظارتی مورد بررسی قرار گرفته است.
در این پژوهش از روش استخراج ویژگی اسپکتروگرام استفاده می‌شود و داده‌ها از طریق یک مدل یادگیری نظارت شده که شامل یک شبکه عصبی کانولوشنی 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 برچسب گذاری این داده‌ها ارائه شده است.
صحت بدست آمده برای مدل یادگیری نظارت شده برابر با ۹۷% و معیار‌های دقت، بازخوانی و امتیاز F به ترتیب برابر با ۹۷.۱۶%، ۹۷.۳۳% و ۹۷% هستند. سناریو‌های مختلفی برای مدل یادگیری نیمه نظارتی ارائه شده است که صحت برچسب گذاری که معیار اصلی و هدف مدل نیمه نظارتی است، برابر با ۹۰.۳۰% با انحراف معیار ۳.۲۲% است.
نتایج بدست آمده جزو بهترین نتایج حاصله در موضوع مورد پژوهش است و قابلیت ارتقاء نیز دارد. از مدل‌های طراحی و پیاده سازی شده می‌توان در موارد مختلفی از قبیل ارائه سیستم کمک یار پزشک و پلتفرم‌های آنلاین و یا اینترنت اشیاء استفاده کرد.