Hierarchical machine learning system for functional diagnosis of eye pathologies based on the information-extremal approach

Abstract

EN: Context. The task of information-extremal machine learning for the diagnosis of eye pathologies based on the characteristic signs of diseases is considered. The object of the study is the process of hierarchical machine learning in the system for diagnosing ophthalmological diseases. The aging population and the increasing prevalence of eye diseases, such as glaucoma, optic nerve atrophy, retinal detachment, and diabetic retinopathy, necessitate effective methods for early diagnosis to prevent vision loss. Traditional diagnostic methods largely rely on the experience of the physician, which can lead to errors. The use of artificial intelligence (AI) and machine learning (ML) can significantly improve the accuracy and speed of diagnosis, making this topic highly relevant. Objective. To enhance the functional efficiency of a computerized system for diagnosing eye pathologies based on image data. Method. A method of information-extremal hierarchical machine learning for a system of eye pathology diagnosis based on the characteristic signs of diseases is proposed. The method is based on a functional approach to modeling cognitive processes of natural intelligence, ensuring the adaptability of the diagnostic system under any initial conditions for the formation of pathology images and allowing flexible retraining of the system when the recognition class alphabet expands. The foundation of the method is the principle of maximizing the criterion of functional efficiency based on a modified Kullback information measure, which is a functional of the diagnostic rule precision characteristics. The learning process is considered as an iterative procedure for optimizing the parameters of the diagnostic system’s operation according to this information criterion. Based on the proposed categorical functional model, an information-extremal machine learning algorithm with a hierarchical data structure in the form of a binary recursive tree is developed. This data structure enables the division of a large number of recognition classes into pairs of nearest neighbors, for which the machine learning parameters are optimized using a linear algorithm of the necessary depth. Results. An intelligent technology for diagnosing eye pathologies has been developed, which includes a comprehensive set of information, algorithmic, and software components. A comparative analysis of the effectiveness of different methods for organizing decision rules during system training has been conducted. It was found that the use of recursive hierarchical classifier structures allows achieving higher diagnostic accuracy compared to binary classifiers. Conclusions. The developed intelligent computer-based diagnostic system for eye pathologies demonstrates high efficiency and accuracy. The implementation of such a system in medical practice could significantly improve the quality of eye disease diagnostics, reduce the workload on physicians, and minimize the risk of misdiagnosis. Further research could focus on refining algorithms and expanding their application to other types of medical images.

UK: Актуальність. Розглянуто задачу інформаційно-екстремального машинного навчання системи діагностування патологій ока за характерними ознаками захворювань. Об’єктом дослідження є процес ієрархічного машинного навчання системи діагностування офтальмологічних захворювань. Старіння населення та поширення захворювань очей, таких як глаукома, атрофія зорового нерва, відшарування сітківки та діабетична ретинопатія, вимагають ефективних методів ранньої діагностики для запобігання втрати зору. Традиційні методи діагностики значною мірою залежать від досвіду лікаря, що може призводити до помилок. Використання штучного інтелекту (ШІ) та машинного навчання (МН) може суттєво покращити точність і швидкість діагностування, що робить цю тему надзвичайно актуальною. Мета. Підвищення функціональної ефективності комп’ютеризованої системи діагностування патологій ока на основі зображень. Метод. Запропоновано метод інформаційно-екстремального ієрархічного машинного навчання для системи діагностування патологій ока на основі характерних ознак захворювань. Метод базується на функціональному підході до моделювання когнітивних процесів природного інтелекту, що забезпечує адаптивність системи діагностування за будь-яких початкових умов формування зображень патологій і дозволяє гнучко перенавчати систему при збільшення потужності алфавіту класів розпізнавання. Основою методу є принцип максимізації критерію функціональної ефективності на базі модифікованої інформаційної міри Кульбака, яка є функціоналом від точносних харатеристик діагростичних правил. Процес навчання розглядається як ітераційна процедура оптимізації параметрів роботи системи діагностування за цим інформаційним критерієм. На основі запропонованої категорійної функціональної моделі розроблено алгоритм інформаційно-екстремального машинного навчання з ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Така структура даних дозволяє розділяти велику кількість класів розпізнавання на пари найближчих сусідів, для яких параметри машинного навчання оптимізуються за лінійним алгоритмом необхідної глибини. Результати. Розроблено інтелектуальну технологію діагностики патологій ока, яка включає комплекс інформаційного, алгоритмічного та програмного забезпечення. Проведено порівняльний аналіз ефективності різних методів організації вирішальних правил у процесі навчання системи. Виявлено, що використання декурсивних ієрархічних структур класифікаторів дозволяє досягти вищої точності діагностики у порівнянні з бінарними класифікаторами. Висновки. Розроблена інтелектуальна система комп’ютерного діагностування патологій ока демонструє високу ефективність та точність. Впровадження такої системи у медичну практику може суттєво підвищити якість діагностики очних захворювань, знизити навантаження на лікарів та мінімізувати ризик помилкових діагнозів. Подальші дослідження можуть бути спрямовані на вдосконалення алгоритмів та розширення їх застосування на інші типи медичних зображень.