Registration Number
0825U003557, PhD dissertation
Status
Доктор філософії
Date
03-09-2025
popup.evolution
o
Title
Models and methods of information technology for diagnosing infectious diseases by skin manifestations
Author
Eduard Kinshakov,
popup.head Yuliia Parfenenko
popup.opponent Yelyzaveta Hnatchuk
popup.opponent Viktor Olevskyi
popup.review Artem Korobov
popup.review Viacheslav Moskalenko
popup.rada
Sumy State University
Description
Дисертація присвячена науково-прикладній проблемі підвищення точності та ефективності діагностики шкірних захворювань на ранніх стадіях шляхом розробки інтелектуальної інформаційної технології. Система інтегрує попередню обробку зображень, моделі класифікації та механізми підтримки прийняття рішень, реалізована як телемедичний сервіс, доступний через чат-бот у низькоресурсних умовах.
Вступ обґрунтовує актуальність, визначає мету, завдання, предмет і об’єкт дослідження, підкреслює наукову новизну, практичне значення, особистий внесок, публікації та апробацію.
Розділ 1 аналізує сучасні підходи до автоматизованої діагностики у дерматології. Оцінено сильні та слабкі сторони існуючих систем на основі ШІ, акцент зроблено на доступності датасетів, стандартизації процесів, інтерпретованості та довірі користувачів. Зроблено висновок про необхідність системи підтримки прийняття рішень, яка поєднує алгоритмічну точність та адаптивність до клінічних умов.
Розділ 2 розробляє математичну модель попередньої обробки зображень шкіри із застосуванням сегментації та фільтрації. Обґрунтовано використання CNN та VGG19 як ефективних архітектур. Запропоновано комбінований метод з кластеризацією K-Means, сегментацією Watershed та порогуванням Отсу. Проаналізовано датасет DermNet, виявлено дисбаланс класів; застосовано методи балансування та аугментації. Проведено експерименти для порівняння моделей CNN і VGG19 на 23 класах, вивчено вплив функцій активації, оптимізаторів і параметрів навчання.
Розділ 3 пропонує ієрархічний метод класифікації з редукцією класів на основі симптомів та медичних анкет пацієнтів. Для узагальнених груп хвороб створено окремі нейронні мережі, що забезпечило приріст точності на 15–20% порівняно з універсальною моделлю. На основі дерева рішень за симптомами обиралася відповідна мережа. Розроблено сім спеціалізованих моделей для новоутворень, вірусних, грибкових, алергічних, запальних, папулосквамозних і бульозних хвороб. Порівняльні експерименти засвідчили зниження витрат обчислювальних ресурсів та підвищення точності відносно базової моделі. Оцінювання здійснено за метриками accuracy, precision, recall, F1-score, AUC і матрицями невідповідностей, що підтвердило надійність і зменшення кількості помилкових діагнозів.
Розділ 4 описує функціональну модель та хмарну архітектуру системи (AWS, Kafka, ECS, RDS), інтегровану з чат-ботом у Telegram. Захист даних відповідає законодавству України. Спроєктовано модулі збору, обробки та взаємодії; UML і IDEF0-діаграми ілюструють робочі процеси. Безпеку забезпечено за допомогою шифрування, контролю доступу та журналювання. Практичні сценарії підтвердили зручність: пацієнт надсилає зображення, система їх обробляє й класифікує, після чого надає ймовірні діагнози та рекомендації. Тестування на реальних прикладах довело ефективність, масштабованість і корисність системи в медичних та освітніх умовах.
У дослідженні підтверджено доцільність використання TensorFlow та PyTorch. Методи попередньої обробки (нормалізація, кластеризація, морфологічна фільтрація, Watershed) покращили сегментацію та класифікацію. Зведення 23 діагнозів у 7 груп дало змогу створити спеціалізовані моделі, що забезпечило приріст точності на 15–20%. Експерименти підтвердили збалансованість між точністю та ефективністю використання ресурсів.
Registration Date
2025-08-25
popup.nrat_date
2025-08-25 / 2026-07-02
