AI empowered diagnosis of pemphigus: a machine learning approach for automated skin lesion detection

• Autorzy: Ahmed Mamun , Islam Salma Binta , Alif Aftab Uddin , Islam Mirajul , Saima Sabrina Motin

Identyfikatory

DOI

10.35784/iapgos.5366

Warianty tytułu

PL

Diagnostyka pęcherzycy z wykorzystaniem sztucznej inteligencji: podejście oparte na uczeniu maszynowym do automatycznego wykrywania zmian skórnych

• Języki publikacji: EN

Abstrakty

EN

Pemphigus is a skin disease that can cause a serious damage to human skin. Pemphigus can result in other issues including painful patches and infected blisters, which can result in sepsis, weight loss, and starvation, all of which can be life-threatening, tooth decay and gum disease. Early prediction of Pemphigus may save us from fatal disease. Machine learning has the potential to offer a highly efficient approach for decision-making and precise forecasting. The healthcare sector is experiencing remarkable advancements through the utilization of machine learning techniques. Therefore, to identify Pemphigus using images, we suggested machine learning-based techniques. This proposed system uses a large dataset collected from various web sources to detect Pemphigus. Augmentation has been applied on our dataset using techniques such as zoom, flip, brightness, distortion, magnitude, height, width to enhance the breadth and variety of the dataset and improve model’s performance. Five popular machine learning algorithms has been employed to train and evaluate model, these are K-Nearest Neighbor (referred to as KNN), Decision Tree (DT), Logistic Regression (LR), Random Forest (RF), and Convolutional Neural Network (CNN). Our outcome indicate that the CNN based model outperformed the other algorithms by achieving accuracy of 93% whereas LR, KNN, RF and DT achieved accuracies of 78%, 70%, 85% and 75% respectively.

PL

Pęcherzyca to choroba skóry, która może powodować poważne uszkodzenia ludzkiej skóry. Pęcherzyca może powodować inne problemy, w tym bolesne plamy i zakażone pęcherze, które mogą skutkować sepsą, utratą masy ciała i łaknienia, co może zagrażać życiu, próchnicą zębów i chorób dziąseł. Wczesne wykrycie pęcherzycy może uchronić przed śmiertelną chorobą. Uczenie maszynowe może zaoferować wysoce efektywne podejście do podejmowania decyzji i precyzyjnego prognozowania. Sektor opieki zdrowotnej doświadcza niezwykłych postępów dzięki wykorzystaniu technik uczenia maszynowego. Dlatego do identyfikacji pęcherzycy za pomocą obrazów zaproponowano techniki oparte na uczeniu maszynowym. Proponowany system wykorzystuje duży zbiór danych zebranych z różnych źródeł internetowych do wykrywania pęcherzycy. W zbiorze danych zastosowano augmentację przy użyciu technik takich jak powiększanie, odwracanie, zmiana jasności, zniekształcenie, zmiana wielkości, wysokość i szerokości, aby zwiększyć zakres i różnorodność zbioru danych oraz poprawić wydajność modelu. Do uczenia i oceny modelu wykorzystano pięć popularnych algorytmów uczenia maszynowego, są to: K-Nearest Neighbor (określany jako KNN), drzewo decyzyjne (DT), regresja logistyczna (LR), las losowy (RF) i konwolucyjną sieć neuronowa (CNN). Uzyskane wyniki wskazują, że model oparty na CNN był lepszy od innych algorytmów, osiągając dokładność na poziomie 93%, podczas gdy LR, KNN, RF i DT osiągnęły dokładność odpowiednio 78%, 70%, 85% i 75%.

Słowa kluczowe

EN

pemphigus; blister; augmentation; CNN

PL

pęcherzyca; pęcherze; augmentacja; CNN

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 4
• Strony: 21--26
• Opis fizyczny: Bibliogr. 20 poz., fot., tab., wykr.

Twórcy

autor

Ahmed Mamun

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology, Comilla, Bangladesh

• https://orcid.org/0000-0002-3980-3981

autor

Islam Salma Binta

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology, Comilla, Bangladesh

• https://orcid.org/0009-0004-9975-4861

autor

Alif Aftab Uddin

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology, Comilla, Bangladesh

• https://orcid.org/0009-0001-8461-1129

autor

Islam Mirajul

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology, Comilla, Bangladesh

• https://orcid.org/0009-0006-1215-1422

autor

Saima Sabrina Motin

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Technology, Comilla, Bangladesh

• https://orcid.org/0009-0005-7319-7259

Bibliografia

• [1] Arduino P. G. et al.: Long-term evaluation of pemphigus vulgaris: a retrospective consideration of 98 patients treated in an oral medicine unit in north-west Italy. Journal of Oral Pathology & Medicine 48(5), 2019, 406–412 [http://doi.org/10.1111/jop.12847].
• [2] Bhadula S. et al.: Machine Learning Algorithms based Skin Disease Detection. International Journal of Innovative Technology and Exploring Engineering – IJITEE 9(2), 2019, 4044-4049 [http://doi.org/10.35940/ijitee.B7686.129219].
• [3] Elngar A. A.: Intelligent System for Skin Disease Prediction using Machine Learning. 3rd International Conference on Smart and Intelligent Learning for Information Optimization 1998, 2021 [http://doi.org/10.1088/1742-6596/1998/1/012037].
• [4] Hashi E. K., Md. Shahid Uz Zaman: Developing a Hyperparameter Tuning Based Machine Learning Approach of Heart Disease Prediction. Journal of Applied Science & Process Engineering 7(2), 2020, 631–647 [http://doi.org/10.33736/jaspe.2639.2020].
• [5] Jonnavithula S. K. et al.: Role of Machine Learning Algorithms Over Heart Diseases Prediction. 2nd International Conference on Sustainable Manufacturing, Materials and Technologies 2292(1), 2020, [http://doi.org/10.1063/5.0030743].
• [6] Kameswara Rao T. et al.: Skin Disease Detection Using Machine Learning. UGC CARE Listed (Group-I) Journal 11(12), 2022, 1593–1604 [http://doi.org/10.48047/IJFANS/V11/I12/171].
• [7] Kumar A., Shetty P., Balipa M., Rao B., Puneeth B., Shravya: An efficient technique to detect skin Disease Using Image Processing. International Conference on Artificial Intelligence and Data Engineering – AIDE, Karkala 2022, 35–40 [http://doi.org/10.1109/AIDE57180.2022.10060001].
• [8] Kumar V. B., Kumar S. S., Saboo V.: Dermatological disease detection using image processing and machine learning. Third International Conference on Artificial Intelligence and Pattern Recognition – AIPR, Lodz, 2016, 1–6 [http://doi.org/10.1109/ICAIPR.2016.7585217].
• [9] Mahesh B.: Machine Learning Algorithms – A Review. International Journal of Science and Research – IJSR 9(1), 2020, 381–386.
• [10] Połap D. et al.: An Intelligent System for Monitoring Skin diseases. Special Issue From Sensors to Ambient Intelligence for Health and Social, 2018 [http://doi.org/10.3390/s18082552].
• [11] Rathod J. et al.: Diagnosis of skin diseases using Convolutional Neural Networks. Second International Conference on Electronics, Communication and Aerospace Technology – ICECA, Coimbatore, 2018, 1048–1051 [http://doi.org/10.1109/ICECA.2018.8474593].
• [12] Rimi T. A. et al.: Derm-NN: Skin Diseases Detection Using Convolutional Neural Network. 4th International Conference on Intelligent Computing and Control Systems – ICICCS. Madurai, 2020, 1205–1209 [http://doi.org/10.1109/ICICCS48265.2020.9120925].
• [13] Sumithra R., Suhilb M., Guruc D. S.: Segmentation and classification of skin lesions for disease diagnosis. Procedia Computer Science 45, 2015, 76–85 [http://doi.org/10.1016/j.procs.2015.03.090].
• [14] American Academy of Dermatology. https://www.aad.org/public/diseases/a-z/pemphigus-symptoms (accessed: 21.01.2023).
• [15] Cleveland Clinic. https://my.clevelandclinic.org/health/diseases/21130-pemphigus (accessed: 20.04.2023)
• [16] DermNet. https://dermnetnz.org/images/pemphigus-vulgaris-images (accessed: 10.01.2023).
• [17] DermNet. https://dermnetnz.org/topics/pemphigus-foliaceus (accessed: 07.02.2023).
• [18] National library of medicine. https://www.ncbi.nlm.nih.gov/books/NBK560860/ (accessed: 29.04.2023)
• [19] NHS. https://www.nhs.uk/conditions/pemphigus-vulgaris/ (accessed: 03.01.2023).
• [20] WebPathology. https://www.webpathology.com/image.asp?n=2&Case=697 (accessed: 20.02.2023).

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).