Моделі та методи інформаційної технології діагностування інфекційних захворювань за шкірними проявами

Abstract

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.

The dissertation addresses the relevant scientific and applied problem of improving the accuracy and effectiveness of early-stage diagnosis of skin diseases by developing an intelligent information technology. This technology integrates image segmentation methods, adaptive classification techniques, and decision support systems. The proposed solution is implemented as a telemedicine system, accessible via a chatbot, enabling the diagnosis of skin images under constrained resource conditions and low-bandwidth connections. The Introduction substantiates the relevance of the topic, defines the aim and objectives, identifies the research subject and object, highlights scientific novelty and practical significance, and outlines the author's contribution, validity of the results, list of publications, and research approbation. The first chapter is dedicated to the analysis of current approaches to automated diagnosis of skin diseases and the implementation of information technologies in medical practice. The strengths and weaknesses of existing decision support systems, particularly those based on artificial intelligence, are evaluated, which made it possible to formulate requirements for further research. A comparative analysis was carried out to evaluate the effectiveness of both traditional and advanced methods in the field of automated identification of dermatological diseases. Emphasis was placed on the crucial role of publicly available datasets as a valuable resource for training and testing the developed models. Relevant issues were considered, including the standardization of processes, the interpretability of decisions, and the need to increase trust in the outcomes of automated diagnostics. As a result, it was concluded that there is an urgent need to develop an intelligent decision support system for diagnosing infectious diseases based on skin manifestations one that combines high algorithmic accuracy with the ability to flexibly adapt to specific clinical conditions, thus forming a foundation for further scientific research. Chapter 2 formulates a mathematical model for preprocessing skin lesion images based on a combination of image segmentation and filtering techniques. The feasibility of using convolutional neural networks (CNNs) and deep architectures such as VGG19 is substantiated. A preprocessing method is proposed that integrates K-Means clustering, Watershed segmentation, and Otsu’s thresholding to enhance the delineation of affected skin regions. The structure and composition of the DermNet dataset are analyzed, revealing an imbalance in the distribution of images across classes, which influenced the training strategy. To address this, data balancing and augmentation techniques were implemented to improve model robustness against visual noise and variability. Additionally, the study examines the impact of different activation functions, optimizers, and training parameters on classification accuracy. The findings were used to define architectural requirements for the future decision support system in dermatological diagnostics. An experimental comparison of CNN and VGG19 architectures was conducted for the classification of 23 skin pathology classes using the DermNet dataset. Chapter three presents a decision support method for the diagnosis of skin diseases based on hierarchical classification. The method applies class reduction derived from the patient’s preliminary medical history. A separate neural network was constructed for each generalized class, resulting in a 15–20% increase in classification accuracy compared to a universal model. A class reduction method using a decision tree was also proposed, operating on the basis of preliminary user questionnaires. A full cycle of classification metrics evaluation was conducted, including accuracy, precision, recall, F1-score, and AUC. The structure of a symptom-based decision tree was developed, enabling the system to adapt to the specific initial request of the patient. This allowed for a flexible mechanism of selecting the appropriate neural network depending on the presented symptom complex. Detailed architectures were introduced for seven specialized models aimed at classifying generalized disease groups: tumorous, viral, fungal, allergic, inflammatory, papulosquamous, and bullous conditions. A comparative analysis was performed between the results of these specialized models and a baseline universal neural network encompassing all mentioned classes. It was demonstrated that the class reduction approach significantly reduces computational costs while improving classification accuracy through targeted training on a narrower diagnostic scope. The results of each model were presented using metric tables and confusion matrices, which enabled evaluation of not only overall accuracy but also the model’s ability to avoid misclassification between clinically similar conditions. The foundation was established for the further development of an intelligent decision support system that combines the analytical accuracy of deep learning with the flexibility of expert logic. Chapter four presents the functional model of the information technology and the architecture of the automated decision support system for diagnosing skin diseases, implemented as a telemedicine system with a Telegram chatbot and integrated into a cloud infrastructure using AWS, Kafka, ECS, and RDS. Compliance with the principles of personal data protection according to the Law of Ukraine "On Personal Data Protection" is ensured. The development was tested in a medical center and an educational environment, which confirmed its practical effectiveness. Within this chapter, the components of the system architecture are also detailed, including modules for data collection, processing, storage, and analysis, as well as user interaction mechanisms through a dialog interface. UML diagrams illustrating the key processes of request processing, classification routing, conclusion formation, and recommendation delivery are developed. The IDEF0 notation is applied for modeling the structural and functional interaction of subsystems. Particular attention in this chapter is paid to security issues, which are implemented through access restrictions to medical data, encryption of communication channels, and authorization using unique identifiers. The processes of logging user and administrator actions are described to track interaction history and further improve the system. Furthermore, practical application scenarios of the information technology are presented, where a user photographs the affected skin area, sends the image via a Telegram bot, after which the system performs preliminary processing, classification, and provides a response in the form of a probable diagnosis with a recommendation to consult a doctor. Validation results were generated using real images from clinical cases, which allowed for the evaluation of classification accuracy in conditions closely approximating practical use. The results of the testing are analyzed, confirming ease of use, efficiency of technical implementation, and significant potential for scaling in both clinical and educational practice. The developed models and methods enable early and accurate diagnosis of skin diseases, even under limited technical conditions. The outcomes have strong potential for further development of telemedicine systems across other areas of medical diagnostics. The author conducted a comprehensive analysis of machine learning methods and justified the selection of TensorFlow and PyTorch as optimal frameworks for building skin disease classification models. These tools provided the necessary flexibility for designing, training, and testing neural networks, resulting in high system accuracy and efficiency. Image preprocessing and segmentation methods were developed and implemented, including normalization, clustering, morphological filtering, and watershed-based segmentation. This significantly improved the isolation of affected skin areas and enhanced classification performance. One of the key steps was the justified grouping of 23 diagnoses into 7 generalized classes, which enabled the development of narrowly specialized models for each group. This approach to model organization, combined with an improved image processing pipeline, led to a 15–20% increase in overall system accuracy, fully aligning with the defined scientific objectives. Experimental results confirmed the effectiveness of the proposed information technology, particularly the rationale behind diagnosis grouping and the implementation of resource-efficient architectures.Final experiments confirmed the effectiveness of the proposed information technology, especially the structured diagnosis grouping and resource-efficient architecture design. The results provide a foundation for advancing telemedicine-based diagnostic systems in dermatology and beyond. Practical significance of the results: - An intelligent decision support system was developed for preliminary diagnosis of skin diseases, reducing the need for in-person consultations. It is particularly effective in situations where access to medical professionals is limited. Its implementation facilitates early disease detection, decreases the burden on healthcare institutions, and improves patient outcomes. - The system is fully adapted for telemedicine applications, allowing patients to receive remote diagnostic feedback via smartphone. It is implemented as a chatbot optimized for minimal data consumption, making it suitable for use in low-bandwidth environments. Approbation. The dissertation results have been implemented in medical institutions and are used as a tool for preliminary skin disease diagnostics, contributing to the improvement of healthcare quality and patient well-being.