TIBBIY TASVIRLARNI (RENTGEN, MRT) DATA MINING YORDAMIDA TAHLIL QILISH

YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 444 TIBBIY TASVIRLARNI (RENTGEN, MRT) DATA MINING YORDAMIDA TAHLIL QILISH Inomov Muhammadsher Valisher o’gli Farg’ona Davlat Texnika Unversiteti. (FDTU) Tel:+998 934110317 email: [email protected] Fan o‘qituvchi: Xolmatov A https://doi.org/10.5281/zenodo.18055175 Annotatsiya: Ushbu maqola mashina o‘rganish (ML) texnologiyasini tibbiy tasvirlar bilan integratsiya qilish orqali inson kasalliklarini tashxislash sohasida qo‘llanilishini tahlil qiladi. Tadqiqot X-ray, kompyuter tomografiya (KT), magnit-rezonans tomografiya (MRT) va ultratovush tasvirlari ma’lumotlarini o‘rganadi va ML modellarining samaradorligini ko‘rsatadi, jumladan: qo‘llab-quvvatlovchi vektor mashinalari (SVM), sun’iy neyron tarmoqlar (ANN), random forest (RF) va konvolyutsion neyron tarmoqlar (CNN). Ushbu usullar o‘pka va prostata saratoni kabi saraton turlari hamda boshqa kasalliklarni aniqlashda muvaffaqiyatli qo‘llaniladi. Shuningdek, maqolada ML metodlarining asosiy cheklovlari ta’kidlangan: ular katta hajmdagi ma’lumotlar to‘plamiga tayanadi va hisoblash xarajatlari yuqori bo‘lishi mumkin. Tadqiqot MLni klinik amaliyotga joriy etishning imkoniyatlari va istiqbollarini ham muhokama qiladi, shu jumladan uning cheklovlarini yengib o‘tish va bemorlar uchun yaxshiroq tashxis va davolash imkoniyatlarini yaratish yo‘llari. Abstract:This article reviews the integration of Machine Learning (ML) with medical imaging for human disease diagnosis. It analyzes data from X-rays, computed tomography (CT), magnetic resonance imaging (MRI), and ultrasound, demonstrating the effectiveness of ML models including Support Vector Machines (SVM), Artificial Neural Networks (ANN), Random Forest (RF), and Convolutional Neural Networks (CNN). These methods have proven successful in detecting cancers such as lung and prostate cancer, as well as other diseases. The study also highlights the main challenges of ML methods, such as reliance on large datasets and high computational requirements. Furthermore, it discusses the potential and prospects of implementing ML in clinical practice, addressing limitations and creating better opportunities for diagnosis and patient care. Аннотация:В данной статье рассматривается интеграция методов машинного обучения (ML) с медицинской визуализацией для диагностики заболеваний человека. Анализируются данные рентгеновских снимков, компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ) и ультразвука, демонстрируя эффективность моделей ML, включая машины опорных векторов (SVM), искусственные нейронные сети (ANN), случайные леса (RF) и сверточные нейронные сети (CNN). Эти методы показали высокую эффективность в выявлении рака легких и простаты, а также других заболеваний. В работе также отмечены основные ограничения методов ML, такие как зависимость от больших наборов данных и высокая вычислительная сложность. Кроме того, обсуждаются перспективы внедрения ML в клиническую практику с целью улучшения диагностики и ухода за пациентами. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 445 Kalit so‘zlar: mashina o‘rganish; magnit-rezonans tomografiya (MRT); kompyuter tomografiya (KT); qo‘llab-quvvatlovchi vektor mashinasi (SVM); sun’iy neyron tarmoq (ANN); random forest (RF); konvolyutsion neyron tarmoq (CNN) Keywords: machine learning; magnetic resonance imaging; computed tomography; support vector machine; artificial neural network; random forest; convolutional neural network Ключевые слова: машинное обучение; магнитно-резонансная томография; компьютерная томография; машина опорных векторов; искусственная нейронная сеть; случайный лес; сверточная нейронная сеть. 1. Kirish Sog‘liqni saqlash sohasida raqamli texnologiyalar, jumladan 3D chop etish, robototexnika va nanotexnologiya kabi ilg‘or yutuqlar tufayli tezkor o‘zgarishlar sodir bo‘lmoqda. Ushbu innovatsiyalar inson xatolarini kamaytirish, klinik natijalarni yaxshilash va uzoq muddatli ma’lumotlarni samarali kuzatish imkonini beradi.. Murakkab algoritmlar va ilg‘or tahliliy imkoniyatlar yordamida AI an’anaviy klinik amaliyotlarni o‘zgartirib, bemor markazida yechimlarni yaratadi va murakkab kasalliklarni boshqarishni osonlashtiradi [1]. Kompyuter yordamida tibbiy tasvirlarni tahlil qilish shifokorlarga kasalliklarni aniqlashda yordam berish bilan birga, terapevtik rejalashtirishda ham samarali vosita hisoblanadim. Ushbu usullar tibbiy ma’lumotlarni talqin qilish va qayta ishlashda asosiy vosita bo‘lib, klinik amaliyotda qaror qabul qilish jarayonining tayanchini tashkil etadi [2]. AI va mashina o‘rganishni tibbiyotga integratsiya qilish elektron tibbiy yozuvlar, tibbiy tasvirlar, genomika, shuningdek, xulq-atvor va atrof-muhit ma’lumotlaridan foydalanishga bog‘liq. Ushbu manbalar orasida tibbiy tasvirlar markaziy o‘rin egallaydi, chunki ular patologiyalarni aniqlash va boshqarish uchun zarur tashxisiy ma’lumotlarni beradi. X-ray, kompyuter tomografiya (KT), magnit-rezonans tomografiya (MRT) va ultratovush texnologiyalari yordamida sog‘liqni saqlash mutaxassislari inson tanasining batafsil vizualizatsiyasini oladi, bu esa tashxis va davolash jarayonini osonlashtiradi. Mashina o‘rganish kasalliklarning tashxisi va prognoziga qanday hissa qo‘shishini to‘liq tushunish uchun SVM, ANN, RF, CNN kabi turli usullarni tatbiq etish va ularning samaradorligini o‘rganish muhimdir. Ushbu tadqiqotda tibbiy tasvirlar to‘plamlari, xususiyatlarni chiqarish usullari va prognoz tahlilida qo‘llanilgan klassifikatsiya strategiyalari batafsil taqdim etiladi. 2. Sog‘liqni saqlashda mashina o‘rganishning qo‘llanilishi Mashina o‘rganish sog‘liqni saqlash sohasida tashxisni aniqlik bilan qo‘yish, davolash rejalarini shaxsiylashtirish va bemor natijalarini yaxshilash imkonini beradi. Hozirgi kunda mashina o‘rganish quyidagi sohalarda keng qo‘llanilmoqda: Masofaviy sog‘liqni monitoring qilish: Ko‘plab aqlli soatlar va fitnes qurilmalari individual sog‘liqni kuzatishi mumkin. Ushbu qurilmalar ML yordamida sog‘liqni tahlil qiladi va foydalanuvchilarga ularning holati haqida ma’lumot beradi [6]. Masalan, aqlli tizim qondagi glyukoza va qon bosimini real vaqt rejimida tahlil qilib, shifokorlarni kerak bo‘lganda ogohlantirishi mumkin [7]. Robot yordamidagi jarrohlik: Robot yordamidagi jarrohlik aniq, minimal invaziv va tezroq tiklanish imkonini beradi, ammo qimmat. Shu sababli, robotlarning har bir protseduradagi ishtirok vaqtini samarali boshqarish muhimdir. Bashoratlarni yaxshilash orqali YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 446 shifoxonalar jarrohlik jadvalini optimallashtirishi va resurslarni samarali ishlatishi mumkin [8]. 3. Tibbiy tasvirlash turlari Tibbiy tasvirlash usullari, jumladan rentgen, KT (kompyuter tomografiyasi), MRT (magnit-rezonans tomografiya) va ultratovush, to‘qimalar va o‘sma joylarini ko‘rsatib, turli kasalliklarni tashxislash va davolashda muhim ma’lumot beradi. Ushbu usullar miya, suyaklar va yumshoq to‘qimalar kabi organlarni baholaydi va bemor parvarishi uchun zarur bo‘lgan ichki anatomiyani aniq ko‘rsatadi [10]. • Rentgen (X-ray): 1895 yilda kashf etilgan rentgen tasvirlari nurlarning o‘zgaruvchan singdirilishi asosida ikki o‘lchamli (2D) tasvirlarni hosil qiladi. Ular suyakka shikastlanish, o‘pka kasalliklari, saraton, osteoporoz va tishlarning kariesini aniqlashda ishlatiladi. Tez va arzon bo‘lishi bilan birga, nurlanish xavfi sabab ehtiyot choralarini talab qiladi [10]. • MRT (magnit-rezonans tomografiya): 1980-yillarda ixtiro qilingan MRT boshqa usullar, masalan, KT yoki rentgen bilan aniqlanmaydigan anomaliyalarni ko‘rsatadi. U to‘qima zichligini xaritalash o‘rniga, protonlarning energiya tarqalishini xaritalaydi. Kuchli magnit maydoni yordamida protonlarni hizalaydi va radio to‘lqin oqimi bilan ularning muvozanatini buzib, suv va yog‘ga boy yumshoq to‘qimalar tasvirlarini oladi [10]. 4. Tibbiy tasvirlashda mashina o‘rganish (ML) qo‘llanilishi Mashina o‘rganishning tibbiy tasvirlash sohasidagi asosiy qo‘llanilishlari tasniflash, aniqlash va segmentatsiyadan iborat. Ushbu ilovalar tibbiy tasvirlarni tahlil qilishda shifokorlarga ilg‘or vositalarni taqdim etib, tashxis aniqligi va samaradorligini oshirishga xizmat qiladi. • Tasniflash: Tasniflash aniq tashxis uchun zarur bo‘lib, segmentatsiya qilingan hududlarni, masalan, yaxshi va yomon sifatli o‘smalarni ajratadi. Mashina o‘rganish yordamida u tasvirlardan olingan xususiyatlarni tahlil qilib, kasallik darajasini baholaydi va davolash qarorlarini qo‘llab-quvvatlaydi5. ML usullari va modellari: oldingi tadqiqotlar Tibbiy tasvirlash yordamida kasalliklarni tashxislash va oldindan aniqlash uchun mashina o‘rganish usullarining qo‘llanilishi keng o‘rganilgan bo‘lib, ularning sog‘liqni saqlash natijalarini yaxshilashdagi muhim roli ta’kidlangan. Ko‘plab tadqiqotlar turli kasalliklarda tashxis aniqligini va oldindan bashorat qilish samaradorligini oshirishga qaratilgan usullarni o‘rganib chiqqan 6. Xulosa Xulosa qilib aytganda, kasalliklarni tashxislashda aniqlik samarali davolashni rejalashtirish va bemorlarning sog‘lig‘ini ta’minlash uchun juda muhimdir. Mashina o‘rganish texnologiyalari ilg‘or tibbiy tasvirlash usullari bilan birgalikda turli kasalliklarni tashxislash sohalarida qanday ishlashini yoritishga qaratilgan ushbu tadqiqot bir nechta bo‘limlarga bo‘lingan: birinchi bo‘lim — sog‘liqni saqlashda mashina o‘rganishning qo‘llanilishi, keyingi bo‘lim — sog‘liqni saqlashdagi ma’lumot modallari, tibbiy tasvirlash turlari va nihoyat, tibbiy tasvirlashda mashina o‘rganishning qo‘llanilishi. Adabiyotlar, References, Литературы: 1. Kumar, Y.; Koul, A.; Singla, R.; Ijaz, M.F. — Kasalliklarni tashxislashda sun’iy intellekt: tizimli adabiyot sharhi, umumlashtirilgan ramka va kelajak tadqiqotlari rejasi, 2023. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 447 2. Yeasmin, M.N.; Al Amin, M.; Joti, T.J.; Aung, Z.; Azim, M.A. — Tasvir asosidagi kompyuter yordamida tashxislashda sun’iy intellektning rivojlanishi: sharh, 2024. 3. Dubey, S.; Tiwari, G.; Singh, S.; Goldberg, S.; Pinsky, E. — Sog‘liqni saqlashda davolash rejasini ishlab chiqishda mashina o‘rganishdan foydalanish, 2023. 4. Ozdemir, B.; Pacal, I. — Ko‘p sinfli teri saratonini tasniflash uchun mustahkam chuqur o‘rganish ramkasi, 2025.