РАЗВОЈ МОДЕЛА МАШИНСКОГ УЧЕЊА ЗАСНОВАНОГ НА АЛГОРИТМУ СЛУЧАЈНИХ ШУМА ЗА ДЕТЕКЦИЈУ ПРОМЕНА У ТКИВУ ЈЕТРЕ НАКОН ИЗЛАГАЊА ЧЕСТИЦАМА ОКСИДА ГВОЖЂА

Jovana Paunović Pantić; Danijela Vučević; Igor Pantić; Svetlana Valjarević; Tatjana Rodosavljević

doi:10.5937/medi57-46969

Jovana Paunović Pantić University of Belgrade, Faculty of Medicine, Department of Pathophysiology, Dr. Subotica 9, RS-11129, Belgrade, Serbia
Danijela Vučević University of Belgrade, Faculty of Medicine, Department of Pathophysiology, Dr. Subotica 9, RS-11129, Belgrade, Serbia
Igor Pantić University of Belgrade, Faculty of Medicine, Department of Medical Physiology, Visegradska 26/II, RS-11129 Belgrade, Serbia.
Svetlana Valjarević University of Belgrade, Faculty of Medicine, Clinical Hospital Center "Zemun", Vukova 9, RS-11080 Belgrade, Serbia
Tatjana Rodosavljević University of Belgrade, Faculty of Medicine, Department of Pathophysiology, Dr. Subotica 9, RS-11129, Belgrade, Serbia

DOI: https://doi.org/10.5937/medi57-46969

Sažetak

Увод/Циљ: Циљ наше студије је био развој модела машинског учења заснованог на алгоритму случајних шума, који користећи текстуралне податке из дигиталних микрографа ткива јетре, има способност да направи разлику између нормалног ткива јетре, и оштећеног ткива изложеног честицама оксида гвожђа.

Методе: Региони интереса у оквиру дигиталних микрографа ткива јетре, добијених од мишева који су третирани честицама оксида гвожђа и мишева контролне групе, анализирани су коришћењем методе матрикса симултаног појављивања сивих вредности („GLCM“ метода). Добијени текстурални параметри су коришћени као улазни подаци за тренирање и тестирање модела случајних шума у оквиру библиотеке "Scikit-learn" у програмском језику Python. Додатно, развијен је и конвенционални модел машинског учења дрва одлуке, заснован на алгоритму дрва класификације и регресије („CART“ алгоритам).

Резултати: Модел случајних шума надмашио је алтернативни приступ CART дрва одлуке у погледу тачности класификације, предвиђајући циљну класу узорка у 73,67% инстанци у валидационом скупу података. Површина испод криве карактеристика оператера била је 0,81, указујући на релативно добру дискриминишућу моћ модела. F1 скор модела је износио 0,74 што показује добру, мада не савршену прецизност и поврат информација.

Закључак: Подаци добијени из ове студије могу се искористити за даљи развој система заснованих на вештачкој интелигенцији за идентификацију физиолошких и патофизиолошких промена у ткиву јетре. Резултати такође служе као почетна тачка за додатна истраживања везана за аутоматизацију хистопатолошке анализе јетреног ткива изложеног екстерним токсичним агенсима.