Отримано 29.01.2024, Доопрацьовано 26.04.2024, Прийнято 30.05.2024

Експертні системи для аналізу біомедичної інформації в діагностиці гострих лейкозів

Jinqiong Li, Сергій Павлов, Олексій Стахов

Це дослідження сприяє подальшому вдосконаленню знань, точності діагностичних методів. Це також відіграє важливу роль у діагностиці лікування гострого лейкозу сьогодні. Застосування різноманітних технологій, обмін досвідом та ідеями мають значні досягнення, які матимуть революційний ефект у медичному обслуговуванні пацієнтів, а також підвищать точність діагностики. Найбільш вагомим внеском є розробка та впровадження технологій, особливо штучного інтелекту (ШІ) або машинного навчання. Дослідження ілюструє, як моделі на основі штучного інтелекту можуть допомогти в оцінці та інтерпретації біомедичних даних, забезпечуючи більш точний діагноз і полегшуючи прийняття рішень. Натреновані на великих базах даних, такі моделі показують перспективу у виявленні тонких моделей, що вказують на різні підтипи лейкемії, що може призвести до більш точних і адаптованих методів лікування. Вивчення нових біомаркерів, використання передових методів візуалізації та використання нових технологій, таких як блокчейн, для безпеки даних представляють багатообіцяючі шляхи для прогресу. Однак вирішення таких проблем, як дотримання нормативних вимог, етичні міркування та складність визначення відповідних препаратів-кандидатів, залишається ключовим для відповідального розвитку

зображення бластних і небластних клітин кров, біомедична інформація, гострий лейкоз, діагностика та терапія, біомедичне зображення
157-164
Li, J., Pavlov, S., & Stakhov, O. (2024). Expert systems for analysis of biomedical information in the diagnosis of acute leukemia. Information Technologies and Computer Engineering, 21(1), 157-164. https://doi.org/10.31649/1999-9941-2024-59-1-157-164

Використані джерела

[1] Abdeldaim, A.M., Sahlol, A.T., Elhoseny, M., & Hassanien, A.E. (2018). Computer-aided acute lymphoblastic leukemia diagnosis system based on image analysis. In Advances in soft computing and machine learning in image processing (Vol. 730, pp. 131-147). Cham: Springer. doi: 10.1007/978-3-319-63754-9_7.

[2] Ahmed, I.A., Senan, E.M., Shatnawi, H.S.A., Alkhraisha, Z.M., & Al-Azzam, M.M.A. (2023). Hybrid techniques for the diagnosis of acute lymphoblastic leukemia based on fusion of CNN features. Diagnostics, 13(6), article number 1026. doi: 10.3390/diagnostics13061026.

[3] Ansari, S., Navin, A.H., Sangar, A.B., Gharamaleki, J.V., & Danishvar, S. (2023). A customized efficient deep learning model for the diagnosis of acute leukemia cells based on lymphocyte and monocyte images. Electronics, 12(2), article number 322. doi: 10.3390/electronics12020322.

[4] Arber, D.A. et al. (2017). Initial diagnostic workup of acute leukemia: Guideline from the College of American Pathologists and the American Society of Hematology. Archives of Pathology & Laboratory Medicine, 141(10), 1342-1393. doi: 10.5858/arpa.2016-0504-cp.

[5] Pavlov, S.V., Saldan, Y.R., Karas, O.V., & Tymchyk, S.V. (2023). Analysis of methods and systems for diagnosing diabetic retinopathy. Optical-electronic Information and Energy Technologies, 46(2), 135-141.

[6] Jincun, L., & Pavlov, S. (2023). Expert bioinformation system for diagnosis of forms of acute leukemia based on analysis of biomedical information. Information Technology and Computer Engineering, 20(3), 84-93. doi: 10.31649/1999-9941-2023-58-3-84-93.

[7] Wójcik, W., Pavlov, S., & Kalimoldayev, M. (2019). Information technology in medical diagnostics II. London: Taylor & Francis Group, CRC Press. doi: 10.1201/9780429057618.

[8] Chen, K.X. (2020). Academician kai-xian chen talks about the development of traditional chinese medicine and global medicine. World Journal of Traditional Chinese Medicine, 6(1), 1-11. doi: 10.4103/wjtcm.wjtcm_30_19.

[9] Chiaretti, S., Zini, G., & Bassan, R. (2014). Diagnosis and subclassification of acute lymphoblastic leukemia. Mediterranean Journal of Hematology and Infectious Diseases, 6(1), article number e2014073. doi: 10.4084/mjhid.2014.073.

[10] Cicconi, L., & Lo-Coco, F. (2016). Current management of newly diagnosed acute promyelocytic leukemia. Annals of Oncology, 27(8), 1474-1481. doi: 10.1093/annonc/mdw171.

[11] Ahsan, S., Farooq, A., Shahbaz, M., & Arshad, M.J. (2012). 1 scaling technique for web based management systems in bioinformatics. Life Science Journal, 9(3), 1-5.

[12] Davis, A.S., Viera, A.J., & Mead, M D. (2014). Leukemia: an overview for primary care. American Family Physician, 89(9), 731-738.

[13] Estey, E.H. (2012). Acute myeloid leukemia: 2012 update on diagnosis, risk stratification, and management. American Journal of Hematology, 87(1), 89-99. doi: 10.1002/ajh.22246.

[14] Grimwade, L.F., Fuller, K.A., & Erber, W.N. (2017). Applications of imaging flow cytometry in the diagnostic assessment of acute leukaemia. Methods, 112, 39-45. doi:.1016/j.ymeth.2016.06.023.

[15] Haferlach, T. et al. (2010). Clinical utility of microarray-based gene expression profiling in the diagnosis and subclassification of leukemia: Report from the International microarray innovations in leukemia study group. Journal of Clinical Oncology, 28(15), 2529-2537. doi: 10.1200/jco.2009.23.4732.

[16] Harrison, C.J., & Johansson, B. (2015). Acute lymphoblastic leukemia. In S. Heim & F. Mitelman (Eds.), Cancer cytogenetics: Chromosomal and molecular genetic aberrations of tumor cells (pp. 198-251). Hoboken: John Wiley & Sons. doi: 10.1002/9781118795569.ch10.