Пошук академічних текстів

Інформація × Реєстраційний номер 0826U001192, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту Статус Запланована Назва роботи Методи і засоби пояснювального штучного інтелекту для прогнозування поширення епідемій Здобувач Мартьянов Дмитро Ігорович, Керівник Виклюк Ярослав Ігорович Опонент Ушенко Юрій Олександрович Опонент Філатова Ганна Євгеніївна Рецензент Камінський Роман Миколайович Рецензент Хавалко Віктор Михайлович Опис Мартьянов Д.І. Методи і засоби пояснювального штучного інтелекту для прогнозування поширення епідемій. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 «Комп’ютерні науки». – Національний університет «Львівська політехніка», Львів, 2026. Зміст анотації. Дисертація має на меті розробити інформаційну технологію прогнозування та інтерпретації медичних ризиків на основі ансамблевих моделей машинного навчання та методів Explainable AI. Дослідження фокусується на побудові високоточних і пояснюваних моделей штучного інтелекту для аналізу соціально-економічних, медичних, демографічних і біохімічних даних у задачах прогнозування поширення туберкульозу та тяжкості перебігу COVID-19. Особливістю роботи є комплексне поєднання асоціативного аналізу, інженерії ознак, оптимізації моделей та методів пояснюваності, що забезпечує формування прозорих і відтворюваних рішень. Запропонована система орієнтована на застосування у сфері охорони здоров’я, епідеміологічному моніторингу та медичних інформаційних системах, де критично важливою є надійність прогнозування та інтерпретованість результатів. У першому розділі здійснено аналіз наукових джерел щодо застосування штучного інтелекту в епідеміології та клінічному прогнозуванні. Окреслено ключові чинники поширення туберкульозу в Україні та світі, а також предиктори тяжкості перебігу COVID-19. Визначено наукову проблему, а саме відсутність комплексних інтерпретованих моделей, здатних інтегрувати різноманітні медичні та соціальні дані та забезпечувати високу точність прогнозів Explainable AI. У другому розділі розроблено методи попередньої обробки, інтеграції та інженерії даних. Проведено структуризацію українських епідеміологічних даних із туберкульозу, індійських регіональних наборів та клінічних COVID-даних; виконано нормалізацію, балансування вибірок, зменшення мультиколінеарності й асоціативний аналіз. Визначено найінформативніші фактори, такі як бактеріовиділення, ВІЛ/ТБ, частота флюорографічних оглядів (для туберкульозу), а також IL-6, LDL-H, Depression, AST, Lymphocytes (для COVID-19). У третьому розділі побудовано та оптимізовано лінійні, нелінійні й ансамблеві моделі машинного навчання, зокрема Decision Tree, Random Forest, SVM, KNN, нейронні мережі, AdaBoost і Stacking. Запропоновано метод Explainable Optimization for AI, що поєднує підбір гіперпараметрів із аналізом важливості ознак. Досягнуто високої точності прогнозування: для туберкульозу – R²test до 0.84–0.87, для COVID-19 – Accuracy до 0.974 та AUC-ROC = 1.000. Показано доцільність використання локальних моделей ризику та нормалізованих показників захворюваності для регіональних прогнозів. У четвертому розділі розроблено архітектуру інформаційної технології і попередньої обробки даних, машинного навчання, оптимізації та Explainable AI, що включають SHAP-аналіз, аналіз чутливості, permutation importance, дерева рішень та побудову локальних профілів ризику. Забезпечено прозорість прогнозів і можливість інтеграції технології в медичні інформаційні системи та системи підтримки прийняття рішень. Основні наукові результати дисертації опубліковано у 10 працях, зокрема: 2 статті – у виданнях, що індексуються в наукометричних базах даних (Q2 і Q4), 4 статті – у фахових виданнях України, 3 публікації – у збірниках матеріалів наукових конференцій, 1 – розділ міжнародної монографії. Дата реєстрації 2026-04-25 Додано в НРАТ 2026-04-25 Закрити