Core Concepts
다중 작업 학습을 통해 폐 소리와 폐 질환을 동시에 효과적으로 분류할 수 있다.
Abstract
이 연구에서는 폐 소리와 폐 질환을 동시에 분류하기 위한 다중 작업 학습 접근법을 제안했다.
ICBHI 2017 호흡기 소리 데이터베이스를 사용하여 데이터를 수집했다.
Mel 주파수 켑스트럼 계수(MFCC)를 사용하여 폐 소리 데이터에서 특징을 추출했다.
2D CNN, ResNet50, MobileNet, DenseNet 등 4가지 딥러닝 모델을 사용하여 다중 작업 학습을 수행했다.
MobileNet 모델이 가장 좋은 성능을 보였으며, 폐 소리 분류 정확도 74%, 폐 질환 분류 정확도 91%를 달성했다.
또한 인구통계학적 데이터를 활용하여 만성 폐쇄성 폐질환(COPD)의 위험 수준을 예측했다.
랜덤 포레스트 모델이 92%의 가장 높은 정확도로 COPD 위험 수준을 예측했다.
이 연구 결과는 의사의 진단 부담을 줄이고 환자에게 효과적인 치료 방법을 제공하는 데 도움이 될 것이다.
Stats
나이가 65세 이상이고 BMI가 18.5 미만인 여성은 COPD 위험이 매우 심각하다.
나이가 65세 이상이고 BMI가 18.5 미만인 남성은 COPD 위험이 심각하다.
나이가 50-64세이고 BMI가 18.5 이상 24.9 이하인 남성 또는 여성은 COPD 위험이 중등도이다.
나이가 35-49세이고 BMI가 과체중 또는 비만인 남성 또는 여성은 COPD 위험이 경미하다.
Quotes
"여성은 COPD로 인해 매우 증상이 심각하며 남성 환자에 비해 폐 발작 위험이 크게 증가한다. 따라서 이러한 여성 환자에 대해 더욱 강화된 감시와 적극적인 약물 및 비약물 치료가 필요하다."
"여성의 COPD 유병률이 남성에 접근하고 있으며, 이는 일부 여성 환자의 높은 COPD 수치를 설명할 수 있다."