Інтелектуальна система підтримки прийняття рішень на базі нейронних мереж глибокого навчання для задач медичної діагностики
| dc.contributor.advisor | Зайченко, Юрій Петрович | |
| dc.contributor.author | Сидорський, Володимир Сергійович | |
| dc.date.accessioned | 2026-07-03T07:28:42Z | |
| dc.date.available | 2026-07-03T07:28:42Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | 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. | |
| dc.description.abstractother | Sydorskyi V. S. Intelligent Decision Support System Based on Deep Learning Neural Networks for Medical Diagnosis Tasks. – Qualifying scientific work submitted as a manuscript. Dissertation for the degree of Doctor of Philosophy in specialty 124 System Analysis (12 – Information Technology). – National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, 2026. Medical diagnostic tasks are critically important for maintaining human well– being; however, modern demographic trends, particularly global population growth, outpace the increase in the number of highly qualified medical professionals. This leads to a situation in which the demand for high–quality medical care cannot be fully satisfied, especially in resource–limited regions. In this context, the task of improving the accuracy and adaptability of clinical Intelligent Decision Support Systems (IDSS), as well as ensuring their alignment with standard medical data structures, becomes highly relevant. Such systems are capable of automating part of the diagnostic processes and standardizing clinical reports, which, in turn, will contribute to a significant increase in physicians’ productivity. A significant portion of diagnostic tasks is related to oncological diseases, for which detection and assessment procedures are already well formalized and can be used as a foundation for building intelligent systems, such as those based on the Lung– RADS and Bosniak criteria. Despite the substantial body of research in deep learning for medical image analysis, the number of clinical IDSS solutions deployed in real practice remains limited. This highlights the relevance of developing such systems with careful consideration of input data formats, result presentation, and end–user requirements, as well as the incorporation of interactive mechanisms that enhance physician trust. In this context, lung and kidney cancer diagnostics are of particular interest, while simultaneously establishing methodological foundations for adapting such systems to other medical tasks. To address the challenge of building a modern and practically valuable clinical IDSS, this work proposes a methodology for its development, along with a set of methods and approaches aimed at improving diagnostic accuracy and solving related problems in medicine and biology. The proposed methodology is based on the following principles: – availability and standardization of all intermediate results for each subsystem; – ease of functional extension through the addition of new subsystems; – use of deep learning models to solve complex, highly structured medical tasks. The advantages of the proposed methodology include: – the developed IDSS is adapted to medical information exchange protocols (DICOM format), accepts medical images in a form typical for clinical practice, and provides structured information for each suspicious lesion to support final decision– making by an expert; – the system is robust to different types of studies and potential errors in individual subsystems; – the system is easily scalable and can be extended with additional subsystems when needed; – the system includes an interactive component that allows experts to correct potential errors with minimal effort; – the system is built on deep learning models, enabling high–accuracy solutions for complex, structured tasks. Based on the proposed methodology, an IDSS for lung cancer diagnosis was developed. Without an interactive component, the system achieved a sensitivity of 87% with an average of 2 false–positive detections per CT scan, while with the interactive component, sensitivity increased to 94% with an average of 1 false–positive detection per CT scan. For the segmentation subsystem, an improved loss function, Boundary DoU++, was proposed, increasing the surface Dice similarity coefficient from 0.47 to 0.487. The proposed data augmentation methods and the use of multi–channel input for the lesion classification model improved ROC AUC performance from 0.914 to 0.9383. The interactive subsystem was designed to utilize predictions from the static system, increasing its adaptability within the overall IDSS. A clinical IDSS for kidney cancer detection was developed, demonstrating improved performance compared to its predecessor, including an increase in specificity from 0.95 to 0.99 while maintaining sensitivity at 0.96. This IDSS was developed in collaboration with the company Better Medicine and has been deemed suitable for clinical trials, which are currently ongoing. The dissertation research proposes domain adaptation methods for segmentation of functional tissue units, including histogram matching between domains, a carefully selected set of augmentations incorporating inter–domain CutMix, and semi–supervised learning to expand the target–domain dataset. These approaches improved segmentation accuracy on the target domain from 0.156 to 0.834 according to the Dice metric and reduced the domain gap from 0.555 to 0.02, while also improving performance on a related domain from 0.711 to 0.854. These results are comparable to the best contemporary solutions for this task. In addition, a three–level model system for skin cancer classification into benign and malignant categories was developed. A distinctive feature of this system is the integration of information from lesion photographs and tabular patient metadata covering all lesions. The system combines classical machine learning algorithms, deep convolutional neural networks, and hybrid neural models, for which a two–stage optimization approach was proposed. The multi–level architecture enables aggregation of predictions from previous models, improving overall accuracy. Performance of 0.17 was achieved for the Partial ROC AUC metric (with a maximum value of 0.2) for the three–level system and 0.974 ROC AUC for the two–level system, matching state– of–the–art results and surpassing previous approaches. The obtained results were implemented in the educational process, in particular in the master’s course “Intelligent Processing of Speech Information” developed by the author. The proposed domain adaptation methods and hybrid neural networks were integrated into the lecture and practical materials of the “Signal Classification” section. In summary, the scientific novelty of this dissertation includes. For the first time, a methodology for constructing a clinical intelligent decision support system based on a set of deep learning models has been developed. These models operate on medical images and metadata from the primary clinical information exchange protocol DICOM and provide, as output, detected suspicious lesions, their radiomic features, and risk level assessment. Unlike previous solutions that address only individual tasks (detection, segmentation, classification), the developed IDSS covers the entire diagnostic process and can be directly used in medical institutions. For the first time, a training method for a convolutional neural network for lesion classification has been developed. Unlike previous approaches, it involves the use of two channels with additional contextual information around the lesion and a clearly highlighted lesion boundary, as well as the application of specialized augmentations. This approach improves the model’s accuracy and robustness to localization errors. For the first time, a comprehensive set of domain adaptation methods for the segmentation of functional tissue units has been developed. Unlike previous works, it combines the following approaches: histogram equalization across different staining protocols; a specialized set of augmentations, including cross–domain CutMix; and semi–supervised learning on the target domain. This made it possible to significantly improve segmentation accuracy on the target domain. For the first time, a comprehensive set of methods for skin cancer classification has been developed. Unlike approaches based on single models or single–level ensembles, it involves: a two–stage optimization of a hybrid neural network that operates on lesion images and metadata of both the lesion and the patient; and a multi–level system that combines classical machine learning models with deep learning models. The use of the proposed methods made it possible to significantly improve the accuracy of skin cancer detection in photographic images. The interactive segmentation model has been further developed. Unlike existing solutions, it is optimized not only with respect to the interactive signal but also taking into account the results of a static segmentation model, which allows improving its accuracy. The Boundary DOU segmentation loss function has been further developed through its modification into Boundary DOU++, in which, unlike the base version, an additional parameter γ is introduced to improve the segmentation accuracy of small objects, in particular lung lesions. Theoretical and practical results of the dissertation have been published in recognized national and international scientific journals and have been validated through presentations at international and national scientific conferences and seminars. Based on the dissertation materials, 5 scientific works have been published, including 2 – journal articles published in journals and collections of scientific papers approved by the Ministry of Education and Science of Ukraine for the dissertation specialty (1 of which is indexed in the international scientific database Scopus), 1 – an article published in a periodical scientific journal indexed in the international scientific database Scopus, and 2 – proceedings of an international scientific and practical conferences. | |
| dc.format.extent | 163 с. | |
| dc.identifier.citation | 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. | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/82097 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.subject | медичні зображення | |
| dc.subject | нейронні мережі | |
| dc.subject | згорткові нейронні мережі | |
| dc.subject | інтелектуальні системи підтримки прийняття рішень | |
| dc.subject | глибоке навчання | |
| dc.subject | семантична сегментація | |
| dc.subject | діагностика раку | |
| dc.subject | аналіз великих даних | |
| dc.subject | інтерактивні моделі | |
| dc.subject | напівкероване навчання | |
| dc.subject | машинне навчання | |
| dc.subject | оптимізаційна задача | |
| dc.subject | ракові захворювання шкіри | |
| dc.subject | КТ-зображення | |
| dc.subject | штучний інтелект | |
| dc.subject | medical imaging | |
| dc.subject | neural networks | |
| dc.subject | convolutional neural networks | |
| dc.subject | intelligent decision support systems | |
| dc.subject | deep learning | |
| dc.subject | semantic segmentation | |
| dc.subject | cancer diagnosis | |
| dc.subject | big data analysis | |
| dc.subject | interactive models | |
| dc.subject | semi-supervised learning | |
| dc.subject | machine learning | |
| dc.subject | optimization problem | |
| dc.subject | skin cancer | |
| dc.subject | CT scans | |
| dc.subject | artificial intelligence | |
| dc.subject.udc | 004.932.2 | |
| dc.title | Інтелектуальна система підтримки прийняття рішень на базі нейронних мереж глибокого навчання для задач медичної діагностики | |
| dc.title.alternative | Intelligent Decision Support System Based on Deep Learning Neural Networks for Medical Diagnosis Tasks | |
| dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Sydorskyi_dys.pdf
- Розмір:
- 16.47 MB
- Формат:
- Adobe Portable Document Format
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: