| Abstract |
Ādas slimību, tostarp melanomas un bazālo šūnu karcinomas, agrīna diagnostika ir ļoti svarīga, lai uzlabotu pacientu izdzīvošanas ilgumu un attiecīgi samazinātu veselības aprūpes izmaksas. Tomēr cilvēku subjektivitāte un agrīnā stadijā vēža bojājumu vājās, smalkās variācijas ir ierobežojušas manuālās diagnostikas metožu apstrādi. Šajā promocijas darbā aprakstīts darbs pie dziļas mācīšanās algoritmu izveides ādas slimību noteikšanai un klasificēšanai, pamatojoties uz dermoskopiskiem attēliem. Pētījumā apvienots mākslīgais intelekts un datorredze, lai palielinātu dermatoloģiskās analīzes precizitāti, pieejamību un ātrumu. Kontekstā tika izmantots HAM10000 datu kopums, kas ietver septiņas bojājumu kategorijas (pilni apraksti ir sniegti 1. pielikumā). Tika izveidots un apmācīts oriģināls konvolūcijas neironu tīkla (CNN) modelis, balstoties uz Adam optimizatoru, agrīnu apstāšanos un 5kārtēju krustenisko validāciju. Lai novērstu klašu nelīdzsvarotību, kā arī papildinātu datus, tika veikta normalizācija. Hiperparametru optimizācija tika veikta, izmantojot Optuna sistēmu, jo tā uzlaboja veiktspējas stabilitāti. Diagnostikas ticamība tika apstiprināta, izmantojot novērtēšanas rādītājus - precizitāti, jutīgumu, specifiskumu, F1-rezultātu un AUC. Eksperimentu rezultāti parādīja, ka ierosinātā CNN modeļa kopējā precizitāte ir 96.94 %, un tā dažādo klašu jutīgums un specifiskums bija vairāk nekā 95%. Šie rezultāti liecina par diagnosticēšanas rezultātiem, kas ir tikpat labi kā dermatologu rezultāti, bet viss ir skaitliski efektīvs, lai to varētu izmantot klīniskajā vai mobilajā vidē. Pētījums ir bijis veiksmīgs, taču tajā ir arī atzīti trūkumi, tostarp datu daudzveidība, nespēja izprast modeļa lēmumu pieņemšanu un normatīvie ierobežojumi. Turpmākajos darbos būtu jāizmanto izskaidrojams mākslīgais intelekts, apvienota mācīšanās, un, lai veicinātu taisnīgumu, pārredzamību un mērogojamību dažādās populācijās, turpmākajos darbos būtu jāizmanto multimodāla attēlveidošanas informācija. Šis darbs ir vērtīgs viedo diagnostikas palīglīdzekļu izstrādē veselības aprūpes jomā, jo dziļās mācīšanās pieeja ir izrāviens šajā jomā, kas var nodrošināt inovatīvu lomu ādas slimību agrīnā diagnostikā.
Darba apjoms: 59 lappuses, 18 attēli, 6 tabulas, 2 pielikumi, 30 atsauces. |
