Дисертації

У дисертаційній роботі розв’язано актуальну науково-прикладну задачу підвищення точності попереднього діагностування шкірних захворювань шляхом розроблення інтелектуальної інформаційної технології, що об’єднує методи сегментації зображень, адаптивної класифікації та підтримки прийняття рішень. Запропонована інформаційна технологія, реалізована у інтелектуальній системі діагностування, доступній через чат-бот, що забезпечує діагностику зображень шкіри в умовах обмежених ресурсів і низької пропускної здатності каналів зв’язку. У вступі обґрунтовано актуальність теми, сформульовано мету та задачі дослідження, визначено об’єкт і предмет, розкрито наукову новизну та практичну значущість результатів, наведено особистий внесок здобувача, достовірність результатів, перелік публікацій та результати апробації. Перший розділ присвячено аналізу сучасних підходів до автоматизованої діагностики шкірних захворювань та впровадження інформаційних технологій у медичну практику. Оцінено сильні та слабкі сторони існуючих систем підтримки прийняття рішень, зокрема на основі штучного інтелекту, що дозволило сформулювати вимоги до подальших досліджень. Здійснено порівняльний аналіз результативності застосування як традиційних, так і прогресивних методик в області автоматизованої ідентифікації дерматологічних захворювань. Акцентовано увагу на ключовій ролі загальнодоступних наборів даних як важливого ресурсу для тренування та тестування розроблених моделей. Розглянуто актуальні питання, пов'язані зі стандартизацією процесів, забезпеченням зрозумілості прийнятих рішень та підвищенням рівня довіри до висновків автоматизованої діагностики. У результаті зроблено висновок про нагальну потребу у створенні інтелектуальної системи підтримки прийняття рішень для діагностування інфекційних захворювань за шкірними проявами, яка б гармонійно поєднувала високу алгоритмічну точність зі здатністю гнучко адаптуватися до специфіки клінічних умов, що і становить основу для подальших наукових пошуків. У другому розділі сформульовано математичну модель методу попередньої обробки знімків ділянок шкіри на основі поєднання сегментації зображень та накладання фільтрів. Обґрунтовано доцільність використання згорткових нейронних мереж (CNN) і глибоких моделей, таких як VGG19. Запропоновано метод попередньої обробки зображень із використанням алгоритмів K-Means, Watershed і методу Оцу, що дозволяє покращити сегментацію уражених ділянок. Також проаналізовано особливості структури та наповнення датасету DermNet, зокрема виявлено нерівномірність розподілу зображень між класами, що вплинуло на вибір стратегії навчання. Було реалізовано балансування вибірки та застосовано методи аугментації даних для підвищення стійкості моделей до візуального шуму та варіативності. Додатково здійснено дослідження впливу різних функцій активації, оптимізаторів та параметрів навчання на точність класифікації. Зібрані результати лягли в основу формування вимог до архітектури майбутньої інформаційної технології підтримки прийняття рішень у сфері дерматологічної діагностики. Проведено експериментальний аналіз архітектур CNN і VGG19 для класифікації 23 класів шкірних патологій з використанням датасету DermNet. У третьому розділі розроблено метод підтримки прийняття рішень при діагностуванні шкірних захворювань на основі багаторівневої класифікації, який використовує редукцію множини класів діагнозів як результат збирання попереднього анамнезу пацієнта. Для кожного класу побудовано окрему нейронну мережу, що дозволяє підвищити точність класифікації на 15–20% у порівнянні з універсальною моделлю. Також запропоновано метод редукції множини класів за допомогою дерева рішень, яке працює на основі попереднього опитування користувача. Проведено повний цикл оцінювання метрик класифікації: точності, точність позитивного прогнозу, повноти, F1-міри, AUC показник. Було розроблено структуру симптоматичного дерева рішень, що забезпечує адаптацію системи до специфічного первинного запиту пацієнта. Це дозволило створити гнучкий механізм вибору відповідної нейронної мережі залежно від наявного симптомокомплексу. Детально представлено архітектури семи спеціалізованих моделей, призначених для класифікації узагальнених груп захворювань, а саме: пухлинних, вірусних, грибкових, алергічних, запальних, папулосквамозних та бульозних. Проведено зіставлення результатів роботи цих спеціалізованих моделей з результатами базової універсальної нейронної мережі, яка охоплює всі зазначені класи. Було показано, що застосування підходу з попередньою редукцією класів дозволяє значно зменшити обчислювальні витрати та підвищити точність класифікації завдяки цілеспрямованому навчанню моделі на вужчому спектрі діагностичних випадків. Результати кожної моделі представлено у вигляді таблиць метрик та матриць помилок, що дає змогу оцінити не лише загальну точність, але й здатність моделі уникати хибної діагностики між патологіями зі схожими проявами. Було сформовано основу для подальшого розгортання інтелектуальної системи підтримки прийняття рішень, яка поєднує аналітичну точність глибинного навчання з гнучкістю експертної логіки. У четвертому розділі представлено функціональну модель інформаційної технології та архітектуру автоматизованої системи підтримки прийняття рішень при діагностуванні шкірних захворювань, реалізованої у вигляді телемедичної системи з чат-ботом Telegram, інтеграцію в хмарну інфраструктуру з використанням AWS, Kafka, ECS, RDS. Забезпечено відповідність принципам захисту персональних даних згідно із Законом України “Про захист персональних даних”. Проведено апробацію розробки в медичному центрі та освітньому середовищі, що підтвердило її практичну ефективність. У межах розділу також детально описано складові архітектури системи, включаючи модулі збору, обробки, зберігання та аналізу даних, а також механізми взаємодії з користувачем через діалоговий інтерфейс. Розроблено UML-діаграми, що наочно представляють ключові процеси обробки запитів, маршрутизації класифікації, формування висновків і надання рекомендацій. Для моделювання структурно-функціональної взаємодії підсистем застосовано нотацію IDEF0. Окрему увагу в цьому розділі приділено питанням безпеки, що реалізовано через обмеження доступу до медичних даних, шифрування каналів зв'язку та авторизацію за допомогою унікальних ідентифікаторів. Описано процеси логування дій користувача та адміністратора з метою відстеження історії взаємодії та подальшого вдосконалення системи. Крім того, представлено сценарії практичного застосування інформаційної технології де користувач фотографує уражену ділянку шкіри, надсилає зображення через Telegram-бот, після чого система здійснює попередню обробку, класифікацію та надає відповідь у вигляді ймовірного діагнозу з рекомендацією звернутися до лікаря. Валідаційні результати були сформовані завдяки використано реальних зображень з клінічних випадків, що дозволило оцінити точність класифікації в умовах, максимально наближених до практичного використання. Проаналізовано результати апробації, які підтвердили зручність використання, ефективність технічної реалізації та значний потенціал для масштабування як у клінічній, так і в навчальній практиці. Запропоновані моделі та методи дозволяють здійснювати попереднє діагностування шкірних захворювань на ранніх стадіях з високою точністю навіть в умовах обмежених технічних ресурсів. Отримані результати мають перспективу подальшого використання для розвитку телемедичних систем в інших медичних галузях. Автором проведено комплексний аналіз методів машинного навчання та обґрунтовано вибір фреймворків TensorFlow і PyTorch як оптимальних середовищ для побудови моделей класифікації шкірних захворювань. Застосування зазначених інструментів забезпечити необхідну гнучкість при проєктуванні, навчанні та тестуванні нейронних мереж, а також високу точність та ефективність функціонування системи. У процесі дослідження розроблено та впроваджено методи попередньої обробки й сегментації зображень, що включають нормалізацію, кластеризацію, морфологічні фільтри та сегментацію методом watershed. Це дало змогу суттєво підвищити якість виокремлення уражених ділянок шкіри, що напряму вплинуло на покращення результатів класифікації. Одним із визначальних кроків стало обґрунтоване згрупування 23 діагнозів у 7 узагальнених класів, що дозволило побудувати вузькоспеціалізовані моделі для кожної групи. Такий підхід до організації моделей, у поєднанні з удосконаленим процесом обробки зображень, дозволив підвищити загальну точність роботи системи на 15–20%, що повністю відповідає поставленим науковим завданням. Експерименти підтвердили ефективність запропонованої інформаційної технології, зокрема доцільність розподілу діагнозів за класами та реалізацію архітектур, орієнтованих на ресурсоефективність. Отримані результати є підґрунтям для подальшого розвитку телемедичних систем попередньої діагностики інфекційних захворювань за шкірними проявами, а також дерматологічних захворювань, та адаптації під інші класи медичних зображень. Практичне значення одержаних результатів: - Розроблено інтелектуальну систему підтримки прийняття рішень для попереднього діагностування шкірних захворювань, яка знижує потребу в очних консультаціях та може ефективно застосовуватись у разі обмеженого доступу до медичної допомоги. Її впровадження сприяє ранньому виявленню захворювань, зменшенню навантаження на медичні заклади та покращенню загального стану пацієнтів. - Система адаптована до телемедицини, а саме вона забезпечує віддалене отримання попереднього діагнозу через смартфон, завдяки реалізації у вигляді чат-бота, що працює зі зниженим споживанням інтернет-трафіку і є зручним у використанні в будь-яких умовах. Результати дисертаційної роботи впроваджені в медичні установи та використовуватися як інструмент для попередньої діагностики шкірних захворювань, сприяючи покращенню якості медичних послуг і здоров'я пацієнтів.

Дисертації

Browse

Filters

Settings

Sort By

Results per page

Search Results