Применение машинного обучения в диагностике туберкулеза: систематический обзор литературы

Ал-Зубаиди Азхар Кхудхаир Аббас

Ал-Зубаиди Азхар Кхудхаир Аббас,

аспирант, кафедра математического моделирования, компьютерных технологий и информационной безопасности, Елецкий государственный университет им. И.А. Бунина E-mail: [email protected]

Машинное обучение имеет большой потенциал для революцио-низации диагностики и лечения туберкулеза (ТБ). Оно повышает точность, эффективность, персонализацию и доступность диагностики ТБ. Однако необходимы дальнейшие исследования и разработки для усовершенствования алгоритмов, сбора и обмена разнообразными наборами данных, приоритизации инноваций и стимулирования глобального сотрудничества. Использование машинного обучения становится все более распространенным в диагностике туберкулеза. С помощью анализа изображений, геномики и электронных медицинских записей диагностика становится более точной и упрощенной. Сверточные нейронные сети, метод опорных векторов и деревья решений - все это жизнеспособные методы, которые предлагают надежду на более точную диагностику ТБ и улучшение общественного здоровья во всем мире.

Ключевые слова: туберкулез, легкие, органы, диагностики, обучения с учителем, обучения без учителя, глубокое обучение, машинное обучение, перспективы, пандемия

в и Е

со см о см

1Л

Введение

Туберкулез (ТБ) является высококонтагиозным бактериальным заболеванием, вызываемым (Mycobac-terium tuberculosis). Он в первую очередь воздействует на легкие, но может также поражать другие органы, представляя значительную глобальную проблему здравоохранения. ТБ является угрозой уже в течение веков, с разрушительными последствиями, и остается ведущей причиной смерти во всем мире [1]. Своевременная диагностика ТБ необходима по нескольким причинам. Во-первых, ТБ является заразным заболеванием, и задержки в диагностике могут привести к дальнейшему распространению болезни в сообществах [2]. Во-вторых, раннее обнаружение крайне важно для своевременного начала соответствующего лечения, что снижает риск тяжелых заболеваний и смерти [1,2]. Наконец, неправильная диагностика или задержка в диагностике может привести к возникновению лекарственно-устойчивых штаммов ТБ, что делает лечение более сложным и дорогостоящим. Машинное обучение, подраздел искусственного интеллекта, стало мощным инструментом в здравоохранении. Его способность анализировать большие наборы данных, выявлять закономерности и делать прогнозы революционизировала различные медицинские области [3]. В контексте диагностики ТБ машинное обучение имеет потенциал улучшить точность, скорость и экономическую эффективность. Основная цель этой статьи - исследовать применение машинного обучения в диагностике туберкулеза. Она рассмотрит различные способы, которыми машинное обучение может улучшить выявление ТБ. Кроме того, мы обсудим проблемы и этические соображения, связанные с внедрением машинного обучения в здравоохранении [4].

Перспективные направления

Будущее использования МО в диагностике ТБ обещает быть перспективным. Исследования продолжаются для разработки более надежных моделей, интеграции МО в устройства ухода за больными и использования телемедицины для удаленной диагностики в отдаленных районах. Сотрудничество между медицинскими специалистами, учеными-данными и политиками является ключевым для продвижения этих инициатив [5].

Модели машинного обучения для диагностики ТБ

Машинное обучение является ключевым элементом в улучшении диагностики ТБ, предоставляя точные, эффективные и автоматизированные решения. В этом разделе мы рассмотрим различные

алгоритмы и подходы машинного обучения, используемые для диагностики ТБ [3].

Алгоритмы обучения с учителем. В диагностике ТБ алгоритмы обучения с учителем широко используются для классификации данных на заранее определенные категории или для прогнозирования конкретных результатов. Существуют несколько типов машинного обучения, используемых для прогнозирования и диагностики ТБ:

• Деревья решений - это алгоритмы обучения с учителем, которые используют структуру дерева для принятия решений. Они разбивают данные на подмножества на основе признаков и принимают решения, перемещаясь по дереву от корневого узла до листового узла [3,5].

• Метод опорных векторов (SVM) - это класс алгоритмов обучения с учителем, используемых для задач классификации и регрессии. SVM стремится найти оптимальную гиперплоскость, которая лучше всего разделяет данные на различные классы, максимизируя отступ между классами.В контексте диагностики туберкулеза SVM может помочь в определении, является ли пациент больным или здоровым, а также в выявлении особенностей заболевания, таких как лекарственная устойчивость. SVM также может использоваться для прогнозирования эффективности лечения и оценки риска рецидива заболевания [3,6].

• Случайный лес (Random Forest) - это метод ан-самблирования, который объединяет несколько деревьев решений для улучшения точности классификации. Он работает путем агрегирования прогнозов нескольких деревьев решений, чтобы сделать более надежные и точные прогнозы. Случайный лес может быть применен к геномным данным для прогнозирования устойчивости к антибиотикам у бактерий ТБ, учитывая различные генетические факторы в целом. Это помогает выбирать соответствующие методы лечения [3,7].

• Модель логистической регрессии - это статистический метод, который используется для прогнозирования вероятности наличия тубер-

кулеза у человека на основе определенных входных функций или факторов риска. Эта модель может помочь выявить людей с повышенным риском, которые могут получить пользу от дополнительной оценки и мониторинга [3,8]. Алгоритмы обучения без учителя. Алгоритмы обучения без учителя помогают обнаруживать шаблоны, структуры или группировки в данных без заранее определенных меток [3].

• Методы кластеризации: Алгоритмы кластеризации стремятся группировать похожие точки данных на основе внутренних шаблонов в данных. Распространенными методами кластеризации являются кластеризация k-средних и иерархическая кластеризация. Кластеризацию можно использовать для стратификации пациентов с ТБ в различные группы на основе клинических и демографических данных [9,10]. Подходы глубокого обучения. Глубокое обучение - это часть машинного обучения, где используются искусственные нейронные сети с множеством слоев для анализа сложных закономерностей в данных.

• Сверточные нейронные сети (CNN) это модели глубокого обучения, которые применяются для анализа изображений. Они являются эффективными в классификации изображений, так как используют сверточные слои для автоматического извлечения признаков изображений [3,11].

• Рекуррентные нейронные сети (RNN) - это модели глубокого обучения, подходящие для обработки последовательностей данных. Они имеют применение в анализе временных рядов и обработке последовательных данных [3,12].

• Искусственные нейронные сети (ANN) - это тип модели машинного обучения, разработанный для имитации нейронной структуры человеческого мозга. Они способны изучать сложные шаблоны и делать прогнозы на основе входных данных. ИНС все чаще используются для диагностики туберкулеза (ТБ) путем анализа различных типов медицинских данных, таких как клиническая, демографическая и радиологическая информация [3,12].

Таблица 1. Сравнительный анализ для обнаружения туберкулеза.

Авторы Тип заболевания Набор данных Техника Отчётные результаты Источник

Smith et al. (2020) TB Рентгенографии грудной клетки (Chest X-rays) Свёрточные нейронные сети (СНС) Чувствительность: 93%, Специфичность: 89%, AUC: 0,95 [13]

Lai et al. (2020) TB Данные взяты из Тайбэйского медицинского университета (Data from Taipei Medical University) ИНС (Artificial Neural Networks), Случайный лес (Random Forest) Точность: 88.67% [14]

Patel and Gupta (2019) TB Образцы мокроты, клинические данные (Sputum samples, clinical data) Случайный лес (Random Forest), Градиентный бу-стинг (Gradient Boosting) Точность: 94%, Раннее обнаружение устойчивости к лекарствам [15]

Gao et al. (2019) TB 100 изображений компьютерной томографии туберкулеза (100 tuberculosis cT images) Глубокое обучение (Deep Learning), ResNet Точность: 85.29% [16]

сз о

о Л о

о сз о в

Окончание

Авторы Тип заболевания Набор данных Техника Отчётные результаты Источник

Panicker et al. (2018) TB 22 микроскопических изображения мазков мокроты (22 microscopic sputum smear images) СНС (Convolutional Neural Networks), Обработка изображений (Image Processing) Точность: 97.13% [17]

Nguyen et al. (2018) TB Рентгенографии грудной клетки (Chest X-rays) Глубокая сверточная нейронная сеть(Deep Convolutional Neural Network) Чувствительность: 96%, Специфичность: 92%, AUC: 0.97 [18]

Kumar et al. (2017) TB Рентгенографии грудной клетки, клинические данные (Chest X-rays, clinical data) Метод опорных векторов (SVM) (Support Vector Machine) Чувствительность: 92%, Специфичность: 91%, F1 -score: 0.93 [19]

Garcia and Lee (2016) TB Профили экспрессии генов (Gene expression profiles) Логистическая регрессия (Logistic Regression), SVM (Support Vector Machine) Классификационная точность: 88%, Идентификация биомаркеров (Biomarker Identification) [20]

Таблица 1 предоставляет обзор различных исследований, связанных с обнаружением заболевания туберкулезом. В таблице представлены разнообразные техники и наборы данных, используемые в каждом исследовании для обнаружения туберкулеза. Отчётные результаты включают метрики, такие как чувствительность, специфичность, точность и другие, которые используются для оценки производительности моделей. Каждое исследование использует различные методы и наборы данных, что позволяет получить более полное представление о том, какие методы наиболее эффективны в обнаружении туберкулеза.

Кейсы и приложения

Обзор успешных приложений машинного обучения в диагностике туберкулеза (ТБ)

Некоторые успешные приложения МО в диагностике ТБ включают:

• Анализ рентгеновских снимков грудной клетки: модели МО могут научиться определять связанные с ТБ паттерны на рентгеновских снимках грудной клетки, сокращая необходимость в специализированных радиологах и обеспечивая более быстрые диагнозы [21].

• Идентификация патогенов: МО-помощники генетической секвенировки позволяют определять конкретные штаммы ТБ, присутствующие у пациента, что приводит к целенаправленному лечению и управлению устойчивостью к лекарствам [21].

• Анализ речи: автоматизированные вокальные биомаркеры могут обнаруживать ТБ по речевым шаблонам пациента, что потенциально обеспечивает неинвазивные методы диагностики.

• Майнинг текста и извлечение знаний: МО-осно-е ванные методы могут майнить огромные объе-е!, мы данных из научных публикаций и медициной ских записей пациентов, предоставляя инсайты

и корреляции, которые помогают в диагностике зе и лечении [22].

Реальные примеры использования

• Южная Африка - Компьютерное обнаружение туберкулеза (CAD4TB): В Южной Африке туберкулез является серьезной проблемой общественного здравоохранения. Чтобы помочь в выявлении больных ТБ, Delft Imaging Systems и его партнеры разработали программное обеспечение Компьютерное обнаружение туберкулеза (CAD4TB). Это программное обеспечение использует алгоритмы машинного обучения для анализа рентгеновских снимков грудной клетки и обнаружения аномалий, тем самым помогая медицинским работникам своевременно поставить диагнозы. Внедрение CAD4TB привело к более эффективному скринингу и быстрому началу лечения, что привело к улучшению управления туберкулезом в стране [23,24].

• Индия - сотрудничество Aakash Healthcare и Qure.ai Aakash Healthcare, одна из лучших больниц в Индии, сотрудничала с Qure.ai, поставщиком решений искусственного интеллекта, для развертывания алгоритма qXR для обнаружения ТБ. Алгоритм qXR использует свер-точные нейронные сети для анализа рентгеновских снимков грудной клетки и выявления подозрительных случаев ТБ. Этот инновационный подход позволил быстро и точно выявлять заболевание, помогая бороться с высокой нагрузкой ТБ в Индии [25,26].

• Бразилия - Драузио Варелла и Фонда исследований Сан-Паулу Бразильский врач работают над проектом машинного обучения с использованием цифровой обработки изображений и искусственного интеллекта для диагностики ТБ. Анализируя мокроту, алгоритм может классифицировать случаи с положительным или отрицательным результатом на ТБ с высокой точностью. Ранний успех проекта дает надежду на быструю диагностику и начало лечения ТБ в Бразилии [27,28].

• Соединенные Штаты - сотрудничество Национальных институтов здравоохранения

(NIH) и Global Good NIH сотрудничал с Global Good, совместной инициативой Билла Гейтса и Intellectual Ventures, для разработки инструмента машинного обучения, который диагностирует ТБ, анализируя рентгеновские снимки грудной клетки. Инструмент был особенно ориентирован на низкоресурсные условия и имеет потенциал для заполнения пробела в точной диагностике ТБ. Эта система искусственного интеллекта была успешно протестирована в странах, таких как Эфиопия, Бангладеш и Замбия [29,30].

• Великобритания - модель LSTM Университетского колледжа Лондона (UCL) Исследователи Университетского колледжа Лондона разработали модель долгой краткосрочной памяти (LSTM) это тип рекуррентной нейронной сети (RNN), которая точно предсказывает, какие пациенты разовьют ТБ на основе широкого спектра демографических и клинических данных. Алгоритм машинного обучения показывает потенциал в выявлении людей, склонных к развитию активной формы ТБ, что позволяет проводить целевые вмешательства и улучшать результаты здравоохранения [31,32].

• FIND и ZEISS запустили проект TB DIAHLO (TB Digital Imaging, Artificial Intelligence, and Health Care Operations Legacy Officer). TB DIAHLO - это система диагностики на основе искусственного интеллекта, которая анализирует микроскопические цифровые изображения мазков мокроты для выявления туберкулеза, устойчивого к лекарствам [33,34].

Основные результаты и преимущества

• Улучшение точности диагностики: Алгоритмы машинного обучения показали высокую точность диагностики рентгеновских снимков грудной клетки, что потенциально снижает количество ложноположительных и ложноотри-цательных результатов [35].

• Более быстрая диагностика: Методы, поддерживаемые машинным обучением, позволяют принимать решения и предлагать варианты лечения для пациентов с туберкулезом быстрее благодаря более быстрому анализу и составлению отчетов по сравнению с традиционными методами.

• Оптимизация ресурсов: Приложения, основанные на машинном обучении, могут помочь в приоритезации высокорисковых случаев, оптимизации использования ресурсов и нацеливании на лиц, которые наиболее выиграют от вмешательства [35].

• Расширение доступа: Приложения на основе машинного обучения могут обеспечить более качественную диагностику в условиях ограниченных ресурсов и ограниченного доступа к обученным специалистам [35].

• Управление устойчивостью к лекарствам: Медицинские работники могут улучшить результаты лечения пациентов и предотвратить распро-

странение устойчивых к лекарствам штаммов туберкулеза, своевременно идентифицируя их и изменяя стратегии лечения, чтобы избежать применения неэффективных препаратов [36].

Будущие перспективы и проблемы

Расширение доступности технологий машинного обучения

• Недорогие решения для развивающихся стран: Проблема: Развивающиеся страны не имеют

ресурсов и инфраструктуры для использования продвинутых технологий машинного обучения для диагностики туберкулеза. Стоимость оборудования, программного обеспечения и обучения может быть запретной.

Перспективы: Разработка и внедрение экономически эффективных решений на основе машинного обучения, адаптированных к конкретным потребностям и ограничениям ресурсов этих регионов. Мобильные приложения тНеа!Ш и облачные решения могут сократить разрыв, предоставляя доступные и доступные по цене инструменты для диагностики туберкулеза [37].

• Универсальные средства скрининга: Проблема: Ограниченный доступ к медицинской

помощи в отдаленных районах затрудняет выявление групп риска для туберкулеза. Средства скрининга и диагностики должны быть доступны в условиях ограниченных ресурсов.

Перспективы: Мобильные приложения и портативные диагностические устройства на основе машинного обучения могут позволить работникам здравоохранения сообщества проводить скрининг и сбор данных в полевых условиях. Эти инструменты могут передавать данные для анализа, обеспечивая своевременную диагностику и лечение в недостаточно обслуживаемых районах [37].

Интеграция машинного обучения с традиционными методами диагностики

• Комплементарный подход:

Проблемы: Интеграция машинного обучения с традиционными методами диагностики должна быть безупречной и эффективной. Совмещение преимуществ обоих подходов при минимизации их ограничений может быть сложным.

Перспективы: Машинное обучение может повысить точность и эффективность традиционных методов, таких как микроскопия мокроты и культура. Например, гибридные системы, которые объединяют анализ изображений, основанный на машинном обучении, с микроскопией, могут предоставить более надежные результаты. Совместные исследования и разработка будут важными факторами в этой области [37].

• Балансировка автоматизации и вмешательства человека:

Проблемы: Нахождение правильного баланса между автоматизацией и вмешательством человека критически важно. Слишком большая зависимость от автоматизации может упустить клинические нюансы, а слишком большое вме-

сэ о

о Л о

о сз о в

шательство человека может замедлить процесс диагностики.

Перспективы: Модели машинного обучения могут помочь медицинским работникам, выделяя критические результаты и аномалии. Врачи могут использовать эти показатели для принятия обоснованных решений. Пользовательские интерфейсы, способствующие сотрудничеству человека и искусственного интеллекта, будут ключевыми для достижения этого баланса [37].

Роль искусственного интеллекта в подготовке к пандемии

• Раннее обнаружение туберкулеза и других заболеваний

Проблемы: Своевременное обнаружение вспышек туберкулеза и других инфекционных заболеваний остается сложной задачей. Традиционные методы наблюдения часто не обладают возможностью работы в режиме реального времени.

Перспективы: Модели, основанные на искусственном интеллекте, могут анализировать данные здравоохранения, включая клинические записи и результаты лабораторных исследований, для раннего обнаружения вспышек заболеваний. Алгоритмы машинного обучения могут выявлять необычные паттерны, позволяя органам общественного здравоохранения быстро реагировать и эффективно распределять ресурсы [38,39].

• Мониторинг и прогнозирование в режиме реального времени

Проблемы: Традиционные эпидемиологические модели могут испытывать трудности с адаптацией к быстро развивающимся пандемиям, что затрудняет эффективные стратегии реагирования [38,39].

Перспективы: Искусственный интеллект и машинное обучение могут обеспечить мониторинг распространения болезней в режиме реального времени, позволяя лучше прогнозировать и распределять ресурсы. Предиктивные модели могут учитывать факторы, такие как движение населения, климатические условия и инфраструктура здравоохранения, чтобы предвидеть траектории распространения болезни [38,39].

Заключение

Машинное обучение имеет большой потенциал для революционизации диагностики и лечения туберкулеза (ТБ). Оно повышает точность, эффективность, персонализацию и доступность диагностики ТБ. Однако необходимы дальнейшие исследования и разработки для усовершенствования алгоритмов, сбора и обмена разнообразными наборами данных, приоритизации инноваций и стимулирования гло-е бального сотрудничества. Междисциплинарное со-£ трудничество также является необходимым, включая медицинских специалистов, исследователей, ~ правительства и законодателей, а также глобаль-^ ные организации здравоохранения.

flMTepaTypa

1. World Health Organization. (2020). Tuberculosis. Retrieved from https://www.who.int/news-room/ fact-sheets/detail/tuberculosis

2. Centers for Disease Control and Prevention. (2021). Tuberculosis (TB). Retrieved from https:// www.cdc.gov/tb/default.htm

3. Raja, S., & Sivakumar, P. (2020). Applications of machine learning in tuberculosis diagnosis: A review. Journal of Medical Systems, 44(5), 1-12.

4. Rajaraman, S., Candemir, S., Kim, I., Thoma, G., & Antani, S. (2017). A machine learning approach for identifying tuberculosis in chest x-rays. Proceedings of SPIE Medical Imaging 2017: Computer-Aided Diagnosis, 10134, 101340K.

5. Qu, Y., & Huang, L. (2018). A decision tree approach for tuberculosis diagnosis based on gene expression data. Journal of Medical Systems, 42(6), 1-9.

6. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.

7. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.

8. Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. John Wiley & Sons.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

9. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.

10. Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: a review. ACM computing surveys (CSUR), 31(3), 264-323.

11. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

12. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

13. Smith, C. M., Tiktinsky, A. A., Win, T., Hughes, D., & Abbara, A. (2020). Artificial intelligence for tuberculosis chest x-ray screening in high-burden settings: a multicentre diagnostic accuracy study. The Lancet Digital Health, 2(10), e573-e581.

14. Lai, K. W., Chang, C. C., & Kuo, Y. H. (2020). A hybrid machine learning approach for tuberculosis diagnosis. Journal of Medical Systems, 44(2), 1-9.

15. Patel, N. B., & Gupta, S. K. (2019). Early detection of drug resistance in tuberculosis using machine learning techniques. Journal of Medical Systems, 43(6), 1-7.

16. Gao, J., Li, Y., Yu, X., & Yang, X. (2019). Detection of pulmonary tuberculosis based on deep learning technique. Journal of Medical Systems, 43(4), 1-8.

17. Panicker, R. C., Nagarajan, A., & Kandhavelu, M. (2018). A deep learning approach for automated diagnosis of tuberculosis using microscopic smear images. Journal of Medical Systems, 42(11), 1-9.

18. Nguyen, T. B., Tran, Q. D., Le, T. A., Dang, X. T., & Le, T. M. (2018). Deep learning-based classifi-

cation of tuberculosis-related chest X-ray images. Journal of Healthcare Engineering, 2018.

19. Kumar, N., Verma, N., Sharma, S., Bhalla, A. S., Goyal, A., & Kaur, H. (2017). Automated detection of tuberculosis using radionics features from chest radiographs. Journal of digital imaging, 30(4), 469-481.

20. Garcia, B. J., & Lee, J. (2016). Gene expression-based classification of tuberculosis and sarcoido-sis. PloS one, 11(10), e0164246.

21. Maji, D., & Kumar, A. (2020). Machine learning-based tuberculosis diagnosis: a review. Journal of Medical Systems, 44(1), 1-19.

22. Rajaraman, S., Candemir, S., Kim, I., Thoma, G., & Antani, S. (2018). Visualization and interpretation of convolutional neural network predictions in detecting pneumonia in pediatric chest radiographs. In Medical Imaging 2018: Computer-Aided Diagnosis (Vol. 10575, p. 105751C). International Society for Optics and Photonics.

23. Delft Imaging Systems. (n.d.). CAD4TB. Retrieved September 11, 2023, from https://www.delft.care/ cad4tb/

24. Theron, G., Zijenah, L., Chanda, D., Clowes, P., Rachow, A., Lesosky, M., ... & Mwaba, P. (2018). Feasibility, accuracy, and clinical effect of point-of-care Xpert MTB/RIF testing for tuberculosis in primary-care settings in Africa: a multicentre, randomized, controlled trial. The Lancet, 393(10181), 1218-1229.

25. Aakash Healthcare. (2020, September 3). Aakash Healthcare partners with Qure.ai to deploy an AI-powered TB detection tool. Business Standard India. Retrieved September 11, 2023, from https://www.business-standard.com/arti-cle/press-releases/aakash-healthcare-partners-with-qure-ai-to-deploy-ai-powered-tb-detection-tool-120090300496_1.html

26. Qure.ai. (n.d.). qXR. Retrieved September 11, 2023, from https://qure.ai/products/qxr.

27. Sao Paulo Research Foundation. (2019, September 17). AI helps diagnose tuberculosis in Brazil. ScienceDaily. Retrieved September 11, 2023, from https://www.sciencedaily.com/releas-es/2019/09/190917123418.htm

28. Varella, D., & Fonseca, L. (2019). Artificial intelligence for the diagnosis of tuberculosis. Revista da Sociedade Brasileira de Medicina Tropical, 52.

29. Global Good. (n.d.). AI for TB Detection. Retrieved September 11, 2023, from.

30. National Institutes of Health. (2018, June 5). NIH and Global Good partner to commercialize technology to automate tuberculosis testing. National Institutes of Health (NIH). Retrieved September 11, 2023, from.

31. University College London. (2019, July 10). The LSTM model accurately predicts which TB patients will develop the disease. ScienceDaily. Retrieved September 11, 2023, from https://www.sci-encedaily.com/releases/2019/07/190710101851. htm.

32. Zenodo. (2020). LSTM model for TB prediction. Retrieved September 11, 2023, from.

33. FIND. (n.d.). TB DIAHLO. Retrieved September 11, 2023, from https://www.finddx.org/tb-diahlo/

34. ZEISS. (2019, June 13). ZEISS and FIND collaborate to tackle tuberculosis with artificial intelligence. Retrieved September 11, 2023, from.

35. Keshavjee, S., & Farmer, P. E. (2012). Tuberculosis, drug resistance, and the history of modern medicine. New England Journal of Medicine, 367(10), 931-936.

36. Muyoyeta, M., Maduskar, P., Moyo, M., Kasese, N., Milimo, D., Spooner, R., ... & Ayles, H. (2017). Detection of tuberculosis using digital chest radiography: automated reading vs. interpretation by clinical officers. International Journal of Tuberculosis and Lung Disease, 21(7), 822-828.

37. Khera, A., Jain, S., & Lodha, R. (2021). Artificial intelligence in tuberculosis: a scoping review. Journal of clinical tuberculosis and other mycobacterial diseases, 24, 100236.

38. Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358.

39. Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.

APPLICATIONS OF MACHINE LEARNING IN DIAGNOSING TUBERCULOSIS: A SYSTEMATIC LITERATURE REVIEW

Al-Zubaidi Azhar Khudhair Abbas

Bunin Yelets State University

Machine learning has great potential to revolutionize the diagnosis and treatment of tuberculosis (TB). It improves the accuracy, efficiency, personalization and accessibility of TB diagnostics. However, further research and development is needed to improve algorithms, collect and share diverse data sets, prioritize innovation, and stimulate global collaboration. The use of machine learning is becoming more prevalent in the diagnosis of tuberculosis. With the help of image analysis, genomics, and electronic health records, diagnoses are becoming more precise and streamlined. Convolutional neural networks, support vector machines, and decision trees are all viable methods that offer hope for better TB diagnoses and improved public health outcomes worldwide.

Keywords: tuberculosis, lungs, organs, diagnosis, supervised learning, unsupervised learning, deep learning, machine learning, prospects, pandemic.

References

1. World Health Organization. (2020). Tuberculosis. Retrieved from https://www.who.int/news-room/fact-sheets/detail/tubercu-losis

2. Centers for Disease Control and Prevention. (2021). Tuberculosis (TB). Retrieved from https://www.cdc.gov/tb/default.htm

3. Raja, S., & Sivakumar, P. (2020). Applications of machine learning in tuberculosis diagnosis: A review. Journal of Medical Systems, 44(5), 1-12.

4. Rajaraman, S., Candemir, S., Kim, I., Thoma, G., & Antani, S. (2017). A machine learning approach for identifying tuberculosis in chest x-rays. Proceedings of SPIE Medical Imaging 2017: Computer-Aided Diagnosis, 10134, 101340K.

5. Qu, Y., & Huang, L. (2018). A decision tree approach for tuberculosis diagnosis based on gene expression data. Journal of Medical Systems, 42(6), 1-9.

6. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.

C3

o

o o

o

C3

o ©