5.

2 የውሳኔ ሃሳብ እና የወደፊት ስራ

የጤናው ሴክተር ዋና ግብ ከፍተኛው ትክክለኛ ደረጃ ላይ እስኪደርስ ድረስ የበሽታ ምርመራ አፈፃፀሙን በተከታታይ
ማሻሻል፣ እንዲሁም ለታካሚዎች ወቅታዊ ወይም ውጤታማ ህክምና እና የተደራጀ የምክር አገልግሎት መስጠት ነው።
የዚህ ጥናት ሞዴል በደም ሴል ምስሎች ውስጥ የወባ ተውሳኮችን ቀላል እና ፈጣን መለየት ለማመቻቸት ለሞባይል
መተግበሪያ ተስማሚ ነው. የታቀደው መድረክ፣ አራቱን አስቀድሞ የሰለጠኑትን የሲኤንኤን ሞዴሎች የወባ ትንበያን
ያካተተ እና በዚህ መስክ ውስጥ በርካታ ጠቃሚ እና አስደናቂ አቅጣጫዎችን ይሰጣል። ይህንን ጥናት በተግባር ላይ
በማዋል ለወደፊት ስራ አንዳንድ ምክሮች ለተሻሻለ አፈፃፀም ተጨማሪ ጥናት የሚያስፈልጋቸው ምክሮች ተገኝተዋል።

 የሞዴል ማሻሻያ፡- የአሁን ሞዴሎችን ለማሻሻል እና ወደ ፍፁምነት የሚሄዱበትን የተለያዩ ዘዴዎችን ይመርምሩ እንደ
ሃይፐር ፓራሜትር ማስተካከያ፣ ወይም በተለይ የህክምና ምስል ማቀነባበሪያን ለሚያካትቱ ስራዎች የተፈጠሩ የላቀ
አርክቴክቸር አጠቃቀም። የሞዴሎቹ ትክክለኛነት በዚህ የማመቻቸት አካሄድ የበለጠ ሊሻሻል ይችላል።

 የባህሪ ምህንድስና፡- የታካሚ የስነ-ሕዝብ መረጃን፣ ክሊኒካዊ ታሪክን፣ ወይም ተጨማሪ የላብራቶሪ ምርመራዎች
ግኝቶችን ከወባ ምርመራ ጋር ማካተት ያስቡበት። የተደበቁ ንድፎችን ለመያዝ በሚረዳው በባህሪ ምህንድስና እርዳታ
የተሻሉ ትንበያዎችን ማድረግ ይቻላል.

 የመሰብሰቢያ ዘዴዎች፡- ከተለያዩ ሞዴሎች የተገመቱትን ትንበያዎች ለማጠቃለል እንደ ሞዴል አማካኝ ወይም
መደራረብ ያሉ የስብስብ አቀራረቦችን አጠቃቀም ይመርምሩ። የተለያዩ ሞዴሎችን ጥቅሞች በማጣመር እና
የእያንዳንዱን ሞዴል አድልዎ ወይም ጉድለቶችን በመቀነስ ፣የስብስብ አቀራረቦች ትክክለኛነትን የበለጠ የመጨመር
አቅም አላቸው።

 የትርጓሜ ቴክኒኮች፡- በህክምና አተገባበር ውስጥ ካለው የትርጓሜ ጠቀሜታ አንፃር ከኖራ ማብራሪያ ባለፈ ተጨማሪ
የትርጓሜ ቴክኒኮችን ለመመልከት ያስቡበት። እንደ ቀስ በቀስ ላይ የተመሰረተ ምስላዊ ወይም የትኩረት ዘዴዎች ያሉ
ስለ ሞዴሎች ውሳኔ አሰጣጥ ሂደቶች ጥልቅ ግንዛቤ ለማግኘት አማራጭ አቀራረቦችን ይመርምሩ።

5.2 Recommendation and future work

The primary goal of the health sector is to continuously improve disease diagnosis
performance until the highest accuracy level is reached, as well as to provide patients
with timely or effective treatment and a well-organized recommendation system. The
model of this study is suitable for mobile application to facilitate a simple and fast
detection of malaria parasite in blood cell images. The proposed platform, which
incorporates the four pre-trained CNN models for prediction of malaria and offers
numerous beneficial and outstanding directions in this field. While putting this research
into practice, some recommendations for future work were found that require more study
for improved performance.
 Model Optimization: Investigate various methods for enhancing and perfecting
the current models like hyper parameter adjustment, or even the usage of
advanced architectures created especially for tasks involving medical image
processing. The models' accuracy could be further enhanced by this optimization
approach.
 Feature Engineering: Consider including patient demographic information,
clinical history, or the findings of further laboratory tests that may be connected
to the diagnosis of malaria. Better predictions can be made with the aid of feature
engineering, which can assist in capturing hidden patterns.
 Ensemble Methods: Investigate the use of ensemble approaches, like model
averaging or stacking, to aggregate predictions from various models. By
combining the advantages of various models and minimizing the biases or flaws
of each individual model, ensemble approaches have the potential to increase
accuracy even further.
 Interpretability Techniques: Consider looking into more interpretability
techniques beyond lime explanation given the significance of interpretability in
medical applications. Investigate alternate approaches to acquire a deeper
understanding of the models' decision-making processes, such as gradient-based
visualization or attention mechanisms.

5. ማጠቃለያ እና ምክር
ይህ ጥናት ብጁ Convolutional Neural Network ስልተ-ቀመር ላይ የተመሰረተ መጨረሻ ገምግሟል
በቀጭን ደም ስሚር ላይ የተመሰረተ የወባ በሽታን ለይቶ ለማወቅ የሚያስችል የጥልቅ ትምህርት ሞዴል እስከ
መጨረሻ
ምስሎች. ይህ የወባ በሽታን የመለየት ዘዴ በጣም ውጤታማ ሊሆን ይችላል
በሽታው በትንሽ ጊዜ እና ከፍተኛ ትክክለኛነት. አውቶማቲክ ስርዓቱ የት ውስጥ ጠቃሚ ነው
ጥቂት ባለሙያዎች እና የግብዓት እጥረት አለ. ከዚያም ይህ ጥናት ጥቅም ላይ ውሏል
የ ResNet50፣ VGG19 እና Inception V3 ጋር Convolutional Neural Network ስልተ ቀመር
የደረቁ ጥገኛ ተውሳኮችን ወይም ያልተበከሉ የወባ የደም ናሙናዎችን ለመለየት የመማሪያ ዘዴን ማስተላለፍ
Anaconda IDE ን በመጠቀም የሰዎች የምስል ውሂብ ስብስብ።
የምስሉ መረጃ በሁለት ቡድን ተከፍሏል; እንደ ቅድመ-ሂደት ውሂብ እና የማረጋገጫ ውሂብ. ውስጥ
በዚህ ሂደት, ተመራማሪው 80% ለስልጠና, 10% ለማረጋገጫ ሲጠቀሙበት
ቀሪዎቹ 10% ለሙከራዎች ጥቅም ላይ ውለዋል. ስለዚህ, በዚህ መቧደን ላይ የተመሰረተ ትክክለኛነት
የ ResNet50፣ EfficientNetB4፣ InceptionV3 እና Vgg19 ዋጋ 94.37%፣ 93.9%፣ 91%፣
እና 88% በከፍተኛ ደረጃ ትክክለኛነት እንደ ጥገኛ እና ያልተበከሉ የሕዋስ ምስሎች ተመድበዋል
የ 93% ፣ 91.8% ፣ 91% እና 85.87% በቅደም ተከተል። የ ResNet50 ሞዴል ተስማሚ ነበር
ከ EfficientNetB4 ጋር ሲነፃፀር የወባ በሽታን ለመለየት እና ለመመደብ ሞዴል ፣
InceptionV3፣ እና Vgg19 ሞዴል። ስለሆነም ተመራማሪው የተገኘው ውጤት እንደተገኘ ያምናል
ከዚህ ሥራ አዲስ ሞዴል ለማዘጋጀት ይጠቅማል.

5. CONCLUSION AND RECOMMENDATION

This research was evaluate a custom Convolutional Neural Network algorithm based end
to-end deep learning model to improve malaria detection grounded on thin-blood smear
images. This detecting malaria disease method can be very efficient for classifying the
disease within less time and high accuracy. The automated system is useful in where
there are fewer experts and a lack of resources. Then, this study was utilize the
Convolutional Neural Network algorithm of ResNet50, VGG19 and Inception V3 with
transfer learning approach to detect wither parasites or uninfected malaria blood samples
image data set of humans by using Anaconda IDE.
The image data was split into two groups; as preprocessing data and validation data. In
this procedure, the researcher was use 80% for training, 10% for validation while the
remaining 10% were used for testing. Therefore, based on this grouping the accuracy
value of ResNet50, EfficientNetB4, InceptionV3, and Vgg19 were 94.37%, 93.9%, 91%,
and 88% classified as parasitized and uninfected cell images with a high degree precision
of 93%, 91.8%, 91% and 85.87% respectively. The ResNet50 model were a suitable
model for the malaria disease detection and classification as compare to EfficientNetB4,
InceptionV3, and Vgg19 model. Thus, the researcher believes that the results achieved
from this work will benefit towards developing a new model.