“Analyse und Optimierung von C-19 Klassifikationsmodellen: Datensätze, Evaluierungskriterien und Hyperparameter-Tuning”

Erfolgreiche Covid-19-Diagnostik durch maschinelles Lernen: Ein tiefer Einblick in unsere Datensätze und Modellbewertung

In der heutigen Welt, in der Informationsverarbeitung und genaue Diagnosemethoden von entscheidender Bedeutung sind, spielen maschinelle Lernmodelle eine wichtige Rolle bei der Bewältigung globaler Gesundheitsherausforderungen. Unser jüngstes Forschungsprojekt konzentrierte sich auf die Klassifizierung von Covid-19 (C-19) mit Hilfe von Röntgenbildern und CT-Scans. Hier geben wir Ihnen einen detaillierten Einblick in die Datensätze, die wir genutzt haben, unsere Vorgehensweise bei der Modellentwicklung sowie die Bewertungskriterien, die zum Einsatz kamen.

Vielfältige und ausgeglichene Datensätze

Für unsere Studie nutzten wir öffentlich zugängliche Röntgenbilder und CT-Scans von Plattformen wie Kaggle, um unsere Modelle zu entwickeln und zu validieren. Die Auswahl der Datensätze erfolgte sorgfältig, um eine ausgewogene Darstellung von sowohl C-19- als auch Nicht-Covid-19 (NC-19)-Fällen zu gewährleisten. Die aufbereiteten Bilder wurden von Rauschen bereinigt, die Pixelwerte normalisiert und auf eine einheitliche Größe angepasst. Mithilfe von Augmentationstechniken wie Rotationen und Spiegelungen konnten wir die Datensatzgröße erweitern und die Generalisierungsfähigkeit der Modelle verbessern.

Im Einzelnen umfasste unser Datensatz 30.386 Röntgen- und CT-Bilder von 16.648 Patienten, wobei 16.194 Bilder C-19-positive und 14.192 Bilder NC-19-negative Fälle darstellten. Daher konnten wir sicherstellen, dass unser Modell nicht nur auf einen einzigen Datensatz angewiesen ist, sondern auch in der Lage ist, in realen Anwendungsfällen genau zu arbeiten.

Effizientes Modell-Training durch sorgfältige Datenvorbereitung

Alle Bilddaten wurden auf eine Größe von 224 × 224 Pixeln angepasst, um eine einheitliche Verarbeitung zu gewährleisten. Die Daten wurden in Trainings-, Validierungs- und Testdatensätze aufgeteilt, wobei auf ein ausgewogenes Verhältnis zwischen positiven und negativen Fällen geachtet wurde. Besonders wichtig war dies für die Robustheit unseres Modells in der Praxis.

Bewährte Bewertungsmaßstäbe für maschinelles Lernen

Für die Bewertung unserer Modelle setzten wir eine Reihe von Kennzahlen ein, darunter Genauigkeit, Spezifität, Sensitivität, G-Mean und den F1-Score. Diese Metriken halfen uns, die Zuverlässigkeit und Präzision unserer Modelle bei der Differenzierung von C-19- und NC-19-Fällen zu bestimmen.

Ergebnisse durch Hyperparameter-Optimierung maximiert

Um die Leistung unserer vortrainierten Modelle weiter zu steigern, haben wir die obersten Schichten der Netzwerktopologie angepasst und zusätzliche Schichten implementiert. Die vollständige Liste der hinzugefügten Schichten sowie die optimalen Hyperparameter finden Sie in der vollständigen Studie. Durch die Anpassung dieser Parameter konnten wir die Modelle feiner abstimmen und die Modellgenauigkeit verbessern.

Abschließend markiert diese Forschung einen bedeutenden Schritt in der Anwendung maschinellen Lernens im medizinischen Bereich. Unsere umfassende Herangehensweise und der Einsatz vielfältiger Datensätze gewährleisten, dass die Modelle nicht nur präzise sind, sondern auch in vielfältigen realen Szenarien zuverlässig funktionieren.