Дисертація доктора філософії. Гаврилюк Мирослав Андрійович. Методи та засоби інтелектуального аналізу коротких наборів медичних даних

Реєстраційний номер

0826U001977, Дисертація доктора філософії

На здобуття

Доктор філософії

Дата захисту

03-07-2026

Статус

Захищена

Назва роботи

Методи та засоби інтелектуального аналізу коротких наборів медичних даних

Здобувач

Гаврилюк Мирослав Андрійович,

Керівник Ізонін Іван Вікторович
Опонент Манзюк Едуард Андрійович
Опонент Шафроненко Аліна Юріївна
Рецензент Мельникова Наталія Іванівна
Рецензент Лясковська Соломія Євгенівна

Установа, організація, у вченій раді якої відбудеться/відбувся захист

Національний університет "Львівська політехніка"

Опис

У дисертаційній роботі розв’язано актуальну наукову задачу підвищення здатності до узагальнення моделей регресії та класифікації, побудованих на основі медичних даних малих обсягів, шляхом розроблення й удосконалення методів інтелектуального аналізу даних та розвитку ансамблів таких моделей, що забезпечують врахування особливостей коротких, високорозмірних та незбалансованих вибірок. Розроблені, удосконалені та розвинуті методи орієнтовані на поєднання аугментації та ансамблевого навчання для коротких наборів даних із різних галузей медицини. Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку літературних джерел та додатків. У першому розділі виконано аналітичний огляд моделей і методів розв’язання задач регресії та класифікації у випадку коротких наборів медичних даних. Проаналізовано причини нестачі доступних для аналізу даних у медичній сфері. Описано особливості коротких наборів даних та проблеми, які виникають під час їх інтелектуального аналізу. Наведено визначення поняття коротка вибірка медичних даних у межах дисертаційного дослідження. Формально описано задачі регресії та класифікації. Проведено огляд існуючих моделей для аналізу коротких наборів даних. Розглянуто методи, засновані на принципах декартового квадрата множини вхідних компонент векторів для розв’язання задач регресії та класифікації. Проаналізовано причини підвищення ефективності інтелектуального аналізу за їх допомогою у випадку коротких вибірок даних. У другому розділі розроблено та удосконалено методи інтелектуального аналізу коротких високорозмірних медичних вибірок для розв’язання задач регресії, бінарної та мультикласової класифікації шляхом модифікації процедури аугментації на основі декартового квадрата множини вхідних компонент векторів. Для усунення зазначених обмежень удосконалено метод декартового квадрата шляхом переходу від конкатенації векторів до покомпонентного обчислення різниць між усіма парами вхідних екземплярів із додатковим використанням каскадного принципу формування ознак. Такий підхід дозволяє зменшити розмірність аугментованої вибірки та підвищити інформативність представлення даних. Теоретично обґрунтовано, що удосконалений метод забезпечує підвищення здатності до узагальнення нелінійних моделей регресії та бінарної класифікації при аналізі коротких високовимірних вибірок даних. Крім того, розроблено метод розв’язання задач мультикласової класифікації з адитивною компенсацією вихідного сигналу. Він передбачає формування штучного цільового атрибуту шляхом додавання зваженої суми вхідних ознак до значення мітки класу з подальшим застосуванням попарного представлення даних. Такий підхід забезпечує коректну інтерпретацію цільового сигналу та розширює область застосування підходів на основі декартового квадрата на багатокласові задачі. У третьому розділі розвинуто методи інтелектуального аналізу коротких незбалансованих вибірок медичних даних на основі ансамблів моделей декартового квадрата для розв’язання задач регресії та бінарної класифікації. Зокрема, подальшого розвитку набуло застосування ансамблевого підходу типу бегінг у задачах регресії, у межах якого для кожної випадкової підвибірки синтезується окремий базовий член ансамблю із використанням удосконаленого методу декартового квадрата множини вхідних компонент векторів. Крім того, розвинуто ансамбль збалансованих підвибірок даних для аналізу даних в умовах дисбалансу класів у задачі бінарної класифікації. Тут кожен базовий член ансамблю навчається на власній збалансованій підвибірці з вирівнюванням обсягів класів до рівня міноритарного, а результати першого рівня узгоджуються із використанням метамоделі. Розвинутий метод зменшує зміщення оцінок апостеріорних ймовірностей, спричинене домінуванням класу більшості, та забезпечує підвищення здатності до узагальнення моделей при аналізі коротких наборів медичних даних. У четвертому розділі розроблено програмно-алгоритмічний комплекс, за допомогою якого можна виконувати інтелектуальний аналіз коротких вибірок медичних даних. Апробацію виконано на прикладі низки практичних задач зі сфери медицини. Результати продемонстрували підвищення здатності до узагальнення обох алгоритмічних реалізацій розробленої моделі порівняно з базовими. Окрім цього, розвинені ансамблі моделей на основі декартового квадрата множини вхідних компонент векторів верифіковано та апробовано при розв’язанні задач регресії та класифікації. Результати порівняння з існуючими ансамблями продемонстрували суттєво кращу здатність до узагальнення розвинених ансамблів при розв’язанні практичних задач із галузей ревматології, ендокринології травматології та трансплантології.

Дата реєстрації

2026-05-27

Додано/оновлено в НРАТ

2026-05-27 / 2026-07-09