Скачать электронную версию статьи (в свободном доступе).
Цель: Получить предварительную оценку возможностей применения трёхклассовой архитектуры
сверточной нейронной сети (CNN) для снижения вероятности получения ложноположительных
и ложноотрицательных заключений при дифференциальной диагностике туберкулеза и рака
легких за счет выделения в отдельный класс нетипичных для данных заболеваний изображений.
Материал и методы: Исследования проводились путем вычислительного эксперимента с использованием
разработанного для этих целей программного комплекса на основе сверточной
нейронной сети. На выходе нейросети формировалась диаграмма, показывающей вероятности
соответствия снимка раку, туберкулёзу, либо иному, не содержащему признаки данных заболеваний,
изображению. Для обучения нейросети было отобрано 108 изображений, количество которых
было доведено до 512 за счет использования увеличения. Работа модели оценивалась по тестовой
части выборки и по изображениям, взятым из внешних источников.
Результаты: Разработанная нейросетевая модель позволяет не только идентифицировать типовые
КТ-изображения или рентгеновские снимки рака и туберкулеза легких. Вероятность отнесения
исследуемого снимка к верифицированному классу (рак, туберкулез или иное не содержащее
признаков данных заболеваний изображение), лежит в пределах 80–95 %, тогда как на вероятность
его отнесения к альтернативным классам не превышает 5–20 %. И даже для изображений,
взятых из сторонних источников, существенно отличающихся от изображений датасетов,
результат распознавания был положительным. Представление результатов работы нейросети в
виде вероятности отнесения изображения к тому или иному классу заболевания существенно повышает
степень доверия врача к получаемым результатам и минимизирует вероятность получения как ложноположительных, так и ложноотрицательных заключений.
Заключение: Проведенные исследования показали, что разработанная нейросетевая модель
верно классифицирует изображения и за счет введения дополнительного класса повышает надёжность
и степень доверия к получаемому результату.
Ключевые слова: КТ-изображения, рентгеновские снимки дифференциальная диагностика, рак, туберкулёз, программный комплекс, трехклассовая идентификация, сверточные нейронные сети
Purpose: To conduct a preliminary assessment of the potential of a three-class convolutional neural
network (CNN) architecture to reduce the likelihood of false-positive and falsenegative diagnoses in the
differential diagnosis of tuberculosis and lung cancer by classifying images atypical for these diseases
into a separate class.
Materials and methods: The study was conducted through a computational experiment using a specially
developed software package based on a convolutional neural network. The neural network output
generated a diagram showing the probabilities of an image matching cancer, tuberculosis, or another
image not containing signs of these diseases. 108 images were selected for training the neural network,
which was increased to 512 through the use of augmentation. Model performance was evaluated using
a test sample and images taken from external sources.
Results: The developed neural network model enables the identification of not only typical CT images
and X-rays of lung cancer and tuberculosis. The probability of classifying a scanned image into a verified
class (cancer, tuberculosis, or another image containing no signs of these diseases) ranges from
80–95 %, while the probability of classifying it into alternative classes does not exceed 5–20 %. Even for
images taken from thirdparty sources that differed significantly from the dataset images, the recognition
result was positive. Presenting the neural network's results as the probability of classifying an image
into a particular disease class significantly increases the physician's confidence in the obtained results
and minimizes the likelihood of both false positives and false negatives.
Conclusion: The studies showed that the developed neural network model correctly classifies images
and, by introducing an additional class, increases the reliability and confidence in the obtained results.
Key words: CT images, X-ray images, differential diagnosis, cancer, tuberculosis, software package, three-class identification, convolutional neural networks
DOI: 10.52775/1810-200X-2025-108-4-112-129