Over-sampling Technique (SMOTE) to improve model performance in response to the problem of imbalanced class instances. The subset of the NIH Chest X-ray dataset is used to train and assess the model. The designed model classifies the images into 8 different classes of lung diseases. They are Emphysema, Cardiomegaly, Atelectasis, Edema, Consolidation, Mass, Effusion, Pneumothorax. The proposed model delivered accuracy of 96.42% which demonstrates the efficacy in precise classification of lung diseases. The Graphical User Interface (GUI) is integrated for better interaction between the patient and the model. Through improved diagnostic capabilities, this suggested method not only promotes technological innovation but also shows promise for enhancing patient care and health care outcomes.

generowanie próbek syntetycznych z klasy mniejszościoweji (SMOTE) w celu poprawy wydajności modelu w odpowiedzi na problem niezrównoważonych instancji klasowych. Podzbiór danych NIH Chest X-ray jest używany do trenowania i oceny modelu. Zaprojektowany model klasyfikuje obrazy do 8 różnych klas chorób płuc: rozedma płuc, kardiomegalia, niedodma, obrzęk, konsolidacja, masa, wysięk, odma opłucnowa. Zaproponowany model zapewnił dokładność na poziomie 96,42%, co świadczy o dużej skuteczności w precyzyjnej klasyfikacji chorób płuc. Dla lepszej interakcji między pacjentem a modelem zintegrowano graficzny interfejs użytkownika (GUI). Dzięki ulepszonym możliwościom diagnostycznym proponowana metoda nie tylko wspomaga innowacje technologiczne, ale także dobrze rokuje dla poprawy opieki nad pacjentem i efektów opieki zdrowotnej.