Актуальність. Сучасний розвиток медицини вимагає впровадження систем штучного інтелекту (ШІ). Попри успіхи методів глибокого навчання, класичні статистичні підходи досягли межі ефективності через дефіцит розмічених даних, явище «доменного зсуву» та семантичний розрив між пікселями і клінічними поняттями. Ігнорування медичних знань призводить до створення вразливих, погано інтерпретованих моделей, схильних до топологічних і логічних помилок. Актуальною задачею є підвищення точності та обґрунтованості ШІ через перехід до гібридних архітектур, що інтегрують експертні знання на етапах сегментації, класифікації та оброблення природної мови.
Об’єктом дослідження є процеси інтеграції знань та опрацювання даних у системах штучного інтелекту медичних діагностичних комплексів.
Предметом дослідження є методи та засоби інтеграції експертних знань у моделі глибокого навчання для задач сегментації, класифікації медичних зображень та аналізу текстових клінічних даних.
Метою дослідження є підвищення точності та клінічної обґрунтованості процесу прийняття рішень у медичних діагностичних комплексах через створення методів та засобів інтеграції експертних знань у моделі штучного інтелекту.
Наукова новизна дослідження полягає в такому:
1) удосконалено метод адаптивної дистиляції знань від моделей-вчителів до моделі-учня, який відрізняється від аналогів використанням динамічного ансамблю моделей-вчителів зі спеціалізованою моделлю для змагальної адаптації домену та механізмом селективної фільтрації, що дає змогу накопичувати досвід із різних клінічних доменів та передавати його компактній моделі-учню, підвищуючи в такий спосіб точність процесу прийняття рішень за варіативності вхідних даних;
2) удосконалено метод встановлення смислових зв’язків у медичних текстах, який поєднує інтеграцію онтологічних знань та явне кодування інформації про тональність і заперечення, що підвищує точність інтерпретації клінічних записів та забезпечує логічну узгодженість висновків;
3) розроблено новий метод сегментації зображень магнітно-резонансної томографії серця, який ґрунтується на синергетичному поєднанні механізму експертно-керованої уваги для фокусування на складних ділянках та спеціалізованої функції втрат із топологічними обмеженнями на основі знакової відстані, який дає змогу явно кодувати вкладеність та суміжність анатомічних структур, що забезпечує підвищення точності визначення меж органів та усунення топологічних артефактів;
4) розроблено новий метод ідентифікації патологій серця за зображенням магнітно-резонансної томографії із використанням графової згорткової мережі, орієнтованої на знання, який реалізує парадигму реляційного міркування на графах, де вузли об’єднують гібридні візуальні та морфологічні ознаки, а матриця суміжності формується як суперпозиція просторових зв’язків та клінічних кореляцій із медичних настанов, що дає можливість підвищити точність класифікації діагнозів та забезпечити інтерпретованість прийнятих рішень.
Практичне значення. Створено програмний комплекс «IDK Medical AI». Метод дистиляції підвищив AUC-ROC на цільовому домені до 81,45 % на 500 зразках (+8,8 %). Метод NLP досяг точності 81,14 %. Метод сегментації знизив похибку HD95 міокарда до 6,5 мм та збільшив коефіцієнт Дайса до 95,5 %. Метод класифікації на базі GCN забезпечив точність 94,0 % (+9,0 %).
Результати впроваджено: у навчальний процес ЛТЕУ, клінічну практику Хмельницької інфекційної лікарні, виробничий процес ТОВ «КЦ НЕЙРОН» та виконання НДР ХНУ (№ 0124U004665).
Структура роботи. У вступі обґрунтовано актуальність. У розділі 1 проаналізовано технології ШІ в радіології та оброблення природної мови. У розділі 2 розкрито методи дистиляції знань та аналізу медичних текстів. Розділ 3 присвячено методам сегментації та класифікації. У розділі 4 описано архітектуру ПЗ «IDK Medical AI» та результати експериментів. Висновки узагальнюють результати.
Дисертація містить 182 сторінки (основний текст – 130 с.), 54 рис., 27 табл., 142 джерела. Опубліковано 12 праць (1 Scopus, 3 фахові «Б», 6 тез, 1 розділ монографії, 1 авторське право).
