Інтелектуальна система підтримки прийняття рішень на базі нейронних мереж глибокого навчання для задач медичної діагностики
Вантажиться...
Дата
2026
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Сидорський В. С. Інтелектуальна система підтримки прийняття рішень на базі нейронних мереж глибокого навчання для задач медичної діагностики. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 124 Системний аналіз (12 – Інформаційні технології). – Національний Технічний Університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026.
Задачі медичної діагностики є критично важливими для збереження добробуту людства, однак сучасні демографічні тенденції, зокрема зростання чисельності населення, випереджають темпи збільшення кількості висококваліфікованих медичних працівників. Це призводить до ситуації, за якої потреба в якісному медичному догляді не може бути повністю задоволена, особливо в регіонах з обмеженими ресурсами. У зв’язку з цим актуальною є задача підвищення точності та адаптивності клінічних інтелектуальних систем підтримки прийняття рішень (ІСППР), а також їх узгодження з типовими структурами медичних даних. Такі системи здатні автоматизувати частину діагностичних процесів і стандартизувати лікарський висновок, що, своєю чергою, сприятиме суттєвому підвищенню продуктивності праці лікарів. Значна частина діагностичних задач пов’язана з онкологічними захворюваннями, для яких процеси виявлення й оцінювання вже добре формалізовані та можуть бути використані як основа для побудови інтелектуальних систем, зокрема за критеріями Lung–RADS та Bosniak. Попри наявність значного масиву наукових напрацювань у сфері глибокого навчання для аналізу медичних зображень, кількість клінічних ІСППР, впроваджених у практику, залишається обмеженою. Це зумовлює актуальність розроблення таких систем з урахуванням вимог до форматів вхідних даних, способів представлення результатів і потреб кінцевих користувачів, а також із впровадженням інтерактивних механізмів, що підвищують довіру лікарів. Особливий інтерес у цьому контексті становить діагностика раку легенів і нирок, водночас із закладанням методологічних засад для подальшої адаптації систем до інших медичних задач. Для розв’язання задачі побудови сучасної та практично цінної клінічної ІСППР у роботі запропоновано методологію її створення, разом із низкою методів і підходів, спрямованих на підвищення точності діагностики та вирішення суміжних задач медицини й біології. В основі запропонованої методології закладено такі принципи: – доступність і стандартизованість усіх проміжних результатів для кожної підсистеми; – можливість простого розширення функціоналу ІСППР шляхом додавання нових підсистем; – використання моделей глибокого навчання для розв’язання складно структурованих медичних задач. Перевагами запропонованої методології є те, що: – побудована ІСППР адаптована до протоколів обміну медичною інформацією (формату DICOM), приймає на вхід медичні зображення у типовому для клінічної практики вигляді та надає структуровану інформацію щодо кожного підозрілого утворення для прийняття остаточного рішення експертом; – система є робастною до різних типів досліджень і можливих похибок окремих підсистем; – система легко масштабується та може бути доповнена додатковими підсистемами; – система має інтерактивну складову, яка дозволяє експерту з мінімальними зусиллями коригувати можливі похибки; – система побудована на базі моделей глибокого навчання, що забезпечує високу точність розв’язання складно структурованих задач. На основі запропонованої методології було розроблено ІСППР для діагностики раку легенів, яка без використання інтерактивної складової досягла повноти 87% при середній кількості хибнопозитивних спрацювань 2 утвори на один КТ–скан, а з інтерактивною складовою – 94% повноти при середній кількості хибнопозитивних спрацювань 1 утвір на один КТ–скан. Для сегментаційної підсистеми запропоновано удосконалену функцію втрат Boundary DoU++, яка дозволила підвищити значення метрики surface Dice similarity coefficient з 0.47 до 0.487. Запропоновані методи аугментації даних та використання багатоканального входу для моделі класифікації утворів покращили результати з 0.914 до 0.9383 за метрикою ROC AUC. Інтерактивну підсистему побудовано з урахуванням прогнозів статичної системи, що підвищило її адаптивність у складі загальної ІСППР. Було розроблено клінічну ІСППР для виявлення раку нирок, яка продемонструвала покращення показників порівняно з попередньою версією, зокрема підвищення специфічності з 0.95 до 0.99 за збереження рівня чутливості 0.96. Дану ІСППР розроблено у співпраці з компанією Better Medicine; система визнана придатною до проведення клінічних випробувань, які наразі тривають у клініці. У ході дисертаційного дослідження запропоновано методи доменної адаптації для сегментації функціональних тканинних одиниць, зокрема гістограмне вирівнювання між доменами, спеціально підібраний набір аугментацій, включаючи міждомений CutMix, а також напівкероване навчання для збільшення вибірки цільового домену. Запропоновані підходи дозволили підвищити точність сегментації з 0.156 до 0.834 за метрикою Dice на цільовому домені та зменшити розрив між доменами з 0.555 до 0.02, одночасно покращивши показники на суміжному домені з 0.711 до 0.854. Отримані результати перевищують показники низки сучасних передових рішень для розв’язання цієї задачі. Було розроблено трирівневу систему моделей для класифікації раку шкіри на доброякісний та злоякісний. Особливістю цієї системи є поєднання інформації з фотографій утворів і табличних метаданих про пацієнта та всі його утвори. Система включає алгоритми класичного машинного навчання, глибокі згорткові нейронні мережі та гібридні нейронні моделі, для яких запропоновано двоетапний підхід до оптимізації. Багаторівнева архітектура дозволяє агрегувати передбачення попередніх моделей, підвищуючи загальну точність. Досягнуто значення 0.17 за метрикою Partial ROC AUC (за максимального значення 0.2) для трирівневої системи та 0.974 за метрикою ROC AUC для дворівневої, що відповідає рівню найсучасніших підходів і перевищує результати попередніх моделей. Отримані результати були впроваджені в навчальний процес, зокрема в магістерський курс «Інтелектуальна обробка голосової інформації», розроблений автором. Запропоновані методи доменної адаптації та гібридні нейронні мережі були інтегровані в лекційні та практичні матеріали розділу «Класифікація сигналів». Підсумовуючи, наукова новизна дисертаційної роботи полягає в наступному. Вперше розроблено методологію побудови клінічної інтелектуальної системи підтримки прийняття рішень на базі набору моделей глибокого навчання, що працюють із медичними зображеннями та метаданими основного клінічного протоколу обміну інформацією DICOM і надають на виході виявлені підозрілі утворення, їх радіометричні ознаки та оцінку ступеня ризику. На відміну від попередніх рішень, які реалізують лише окремі задачі (детекція, сегментація, класифікація), розроблена ІСППР охоплює повний процес діагностики та може бути безпосередньо використана в медичних закладах. Вперше розроблено метод тренування згорткової нейронної мережі для класифікації утворень, який, на відміну від попередніх підходів, передбачає використання двох каналів із додатковим контекстом навколо утвору та з чітко виділеною рамкою утвору, а також застосування спеціалізованих аугментацій. Це дозволило підвищити точність моделі та її стійкість до похибок локалізації утвору. Вперше розроблено комплекс методів доменної адаптації для сегментації функціональних тканинних одиниць, який, на відміну від попередніх робіт, поєднує такі підходи: гістограмне вирівнювання між різними протоколами забарвлення; спеціалізований набір аугментацій, зокрема CutMix між доменами; напівкероване навчання на цільовому домені. Це дало змогу суттєво підвищити точність сегментації на цільовому домені. Вперше розроблено комплекс методів для задачі класифікації раку шкіри, який, на відміну від підходів, заснованих на одиничних моделях або однорівневих ансамблях, передбачає: двоетапну оптимізацію гібридної нейронної мережі, що оперує зображеннями утворів і метаданими утвору та пацієнта; багаторівневу систему, яка поєднує моделі класичного та глибокого машинного навчання. Використання запропонованих методів дозволило суттєво підвищити точність виявлення раку шкіри на фотографічних знімках. Дістала подальшого розвитку інтерактивна модель сегментації, яка, на відміну від існуючих рішень, оптимізується не лише за інтерактивним сигналом, а й з урахуванням результатів роботи статичної моделі сегментації, що дозволяє підвищити її точність. Дістала подальшого розвитку сегментаційна функція втрат Boundary DOU шляхом її модифікації до Boundary DOU++, у якій, на відміну від базової версії, введено додатковий параметр γ, що забезпечує підвищення точності сегментації малих об’єктів, зокрема утворів у легенях. Теоретичні та практичні результати дисертаційної роботи опубліковано у фахових вітчизняних і закордонних наукових виданнях та апробовано на міжнародних і національних наукових конференціях і семінарах. За матеріалами дисертації опубліковано 5 наукових праць, з яких 2 – статті у журналах і збірниках наукових праць, що входять до переліку фахових видань, затверджених МОН України за спеціальністю дисертації (1 з них індексується у міжнародній наукометричній базі Scopus), 1 – стаття у періодичному науковому виданні, індексованому в міжнародній наукометричній базі Scopus, та 2 – тези міжнародних науково–практичних конференцій.
Опис
Ключові слова
медичні зображення, нейронні мережі, згорткові нейронні мережі, інтелектуальні системи підтримки прийняття рішень, глибоке навчання, семантична сегментація, діагностика раку, аналіз великих даних, інтерактивні моделі, напівкероване навчання, машинне навчання, оптимізаційна задача, ракові захворювання шкіри, КТ-зображення, штучний інтелект, medical imaging, neural networks, convolutional neural networks, intelligent decision support systems, deep learning, semantic segmentation, cancer diagnosis, big data analysis, interactive models, semi-supervised learning, machine learning, optimization problem, skin cancer, CT scans, artificial intelligence
Бібліографічний опис
Сидорський, В. С. Інтелектуальна система підтримки прийняття рішень на базі нейронних мереж глибокого навчання для задач медичної діагностики : дис. … д-ра філософії : 124 Системний аналіз / Сидорський Володимир Сергійович. - Київ, 2026. - 163 с.