Dergiler / Konya Journal of Engineering Sciences / 2021 / Cilt: 9 Sayı: 2

DERİN SİNİR AĞLARI VE YENİDEN ÖRNEKLEME METOTLARI İLE RUTİN KAN TESTLERİNE DAYALI COVID-19 TESPİTİ

Covid-19 Detection Based on Routine Blood Tests with Deep Neural Networks and Resampling Methods

Sayfa
522–534
Yayın Tarihi
2021-06-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca yeni girilecek veriler için tahmin yapabilmek amacıyla, PyQt kullanılarak bir uygulama geliştirilmiştir ve kullanılan niteliklerin modele katkıları SHapley Additive Explanations (SHAP) tekniği ile belirlenmiş ve açıklanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İlk olarak Aralık 2019’da ortaya çıkan ve dünya çapında bir salgına neden olan Koronavirüs (COVID- 19) hastalığı; akut solunum sendromu SARS-CoV-2’nin neden olduğu viral bir hastalık olarak tanımlanmaktadır.
📊
Temel Bulgular & Veri:COVID-19 hastalığının tespiti için güncel olan rRT-PCR testi kullanılmaktadır.
💡
Sonuç & Katkı:Ayrıca yeni girilecek veriler için tahmin yapabilmek amacıyla, PyQt kullanılarak bir uygulama geliştirilmiştir ve kullanılan niteliklerin modele katkıları SHapley Additive Explanations (SHAP) tekniği ile belirlenmiş ve açıklanmıştır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:2019 · 19 hasta
⚙️Değişkenler:Derin Sinir Ağları · Yeniden Örnekleme · COVID-19

Özet

İlk olarak Aralık 2019’da ortaya çıkan ve dünya çapında bir salgına neden olan Koronavirüs (COVID- 19) hastalığı; akut solunum sendromu SARS-CoV-2’nin neden olduğu viral bir hastalık olarak tanımlanmaktadır. COVID-19 hastalığının tespiti için güncel olan rRT-PCR testi kullanılmaktadır. Bu tes- tin uzun geri dönüş süresi, %15-20 civarında yanlış negatif oranları ve pahalı ekipmanları olması nedeni- yle rutin kan incelemelerinin değerleri ile tespit yöntemi daha hızlı ve daha ucuz bir alternatif olarak değerlendirilebilmektedir. Bu çalışmada, rutin kan testlerinden Derin Sinir Ağları (DSA) kullanılarak COVID-19 tespit edilmeye çalışılmıştır. Kullanılan veri setinde sınıf dengesizliği olduğu için yeniden örnekleme yöntemleriyle sınıf dengesizliği giderilmiş ve kullanılan algoritmaların performansları değer- lendirilmiştir. Yeniden örnekleme yapılırken SMOTE, ADASYN, Geometric SMOTE, Random Under- Sampler, Random OverSampler algoritmaları kullanılmıştır. Kurulan model sonunda 0,985 doğruluk değeri ve 0,99 F1-skoru ile en başarılı sonuç, Random OverSampler algoritması ile alınmıştır. Ayrıca yeni girilecek veriler için tahmin yapabilmek amacıyla, PyQt kullanılarak bir uygulama geliştirilmiştir ve kullanılan niteliklerin modele katkıları SHapley Additive Explanations (SHAP) tekniği ile belirlenmiş ve açıklanmıştır.

Abstract

Coronavirus (COVID-19) disease, which first appeared in December 2019 and caused a worldwide outbreak; is described as a viral disease caused by acute respiratory syndrome SARS-CoV-2. The current RRT-PCR test is used to detect COVID-19 disease. Due to long return time of this test, about 15-20% false-negative rates and expensive equipment, the detection method with the values of routine blood analyses can be considered as a faster and cheaper alternative. In this study, COVID-19 was tried to be detected by using Deep Neural Networks (DNN), one of the routine blood tests. Because there is class imbalance in the used data set, class imbalance has been eliminated by resampling methods and the performance of used algorithms has been evaluated. While resampling, SMOTE, ADASYN, Geometric SMOTE, Random UnderSampler, Random OverSampler algorithms were used. As a result of established model, the most successful result was obtained with the Random OverSampler algorithm, with an accuracy of 0.985 and an F1-score of 0.99. In addition, an application has been developed using PyQt to make predictions for new data to be entered and the contributions of used attributes to the model were determined and explained with the SHapley Additive Explanations (SHAP) technique.

🔖

Bu Makaleye Atıf Yap

TOKMAK, M., KÜÇÜKSİLLE, E. (2021). DERİN SİNİR AĞLARI VE YENİDEN ÖRNEKLEME METOTLARI İLE RUTİN KAN TESTLERİNE DAYALI COVID-19 TESPİTİ. Konya Journal of Engineering Sciences, Cilt: 9 Sayı: 2, 522–534. https://ajindex.com/articles/909092

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (5)

  1. Ahsan, M. M., Gupta, K. D., Islam, M. M., Sen, S., Rahman, M., Hossain, M. S., 2020, "Study of different deep learning approach with explainable ai for screening patients with COVID-19 symptoms: Using ct scan and chest x-ray image dataset", arXiv preprint arXiv:2007.12525. AlJame, M., Ahmad, I., Imtiaz, A., Mohammed, A., 2020, "Ensemble learning model for diagnosing COVID-19 from routine blood tests", Informatics in Medicine Unlocked, Vol. 21, pp 100449. Ankara,
  2. N., Sahi̇nturk, H., 2019, "Dengesiz Kredi Skorlama Veri Setlerinde Kolektif Öğrenme Algoritmalarının Performans Değerlendirmesi", PressAcademia Procedia, Vol. 9, No. 1, pp 180-185.
  3. Avila, E., Dorn, M., Alho, C. S., Kahmann, A., 2020, "Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios", ArXiv:2005.10227. Banerjee, A., Ray, S., Vorselaars, B., Kitson, J., Mamalakis, M., Weeks, S., Baker, M., Mackenzie, L. S., 2020, "Use of Machine Learning and Artificial Intelligence to predict SARS-CoV-2 infection from Full Blood Counts in a population", International Immunopharmacology, Vol. 86, pp 106705. Barros, P., Parisi, G. I., Weber, C., Wermter, S., 2017, "Emotion-modulated attention improves expression recognition: A deep learning model", Neurocomputing, Vol. 253, pp 104-114.
  4. Bogu, G. K., Snyder, M. P., 2021, "Deep learning-based detection of COVID-19 using wearables data", MedRxiv, pp 2021.01.08.21249474. Cabitza, F., Campagner, A., Ferrari, D., Di Resta, C., Ceriotti, D., Sabetta, E., Colombini, A., De Vecchi, E., Banfi, G., Locatelli, M., Carobene, A., 2021, "Development, evaluation, and validation of machine learning models for COVID-19 detection based on routine blood tests", Clinical Chemistry and Laboratory Medicine (CCLM), Vol. 59, No. 2, pp 421-431.
  5. Cascella, M., Rajnik, M., Cuomo, A., Dulebohn, S. C., Di Napoli, R., 2020, "Features, Evaluation, and Treatment of Coronavirus", StatPearls, Treasure Island (FL): StatPearls Publishing. Chassagnon, G., Vakalopoulou, M., Paragios, N., Revel, M.-P., 2020, "Artificial intelligence applications for thoracic imaging", European journal of radiology, Vol. 123, pp 108774. Civit-Masot, J., Luna-Perejón, F., Domínguez Morales, M., Civit, A., 2020, "Deep learning system for COVID-19 diagnosis aid using X-ray pulmonary images", Applied Sciences, Vol. 10, No. 13, pp 4640. Cui, Z., Xue, F., Cai, X., Cao, Y., Wang, G., Chen, J., 2018, "Detection of malicious code variants based on deep learning", IEEE Trans