ТЕРЕҢ ОҚЫТУДЫ ҚОЛДАНА ОТЫРЫП, ТЕРІ ӨСІНДІЛЕРІНІҢ МУЛЬТИМОДАЛЬДЫ ЖІКТЕЛУІ

Аңдатпа

Мақалада дермоскопиялық кескіндер бойынша тері ауруларын автоматтандырылған жіктеу міндетіне қолданылатын машиналық оқытудың заманауи әдістері қарастырылады. Конвульсиялық нейрондық желілердің архитектурасына және алдын-ала дайындалған модельдермен трансферлік оқытуды қолдануға ерекше назар аударылады. Эксперименттік база ретінде HAM10000 жалпыға қол жетімді деректер жиынтығы пайдаланылды, оның ішінде терінің жеті түрінің суреттері, сондай-ақ пациенттердің клиникалық метадеректері (жынысы, жасы және локализациясы) бар.
Зерттеу барысында бірнеше модельдер енгізіліп, сыналды. Нөлден үйретілген негізгі конволюциялық нейрондық желі (CNN) шектеулі нәтижелерге қол жеткізіп, шамамен 39% дәлдікке қол жеткізді. Жақсартылған CNN сыныпты теңдестіру моделі жоғары дәлдікті қамтамасыз етті (73%), бірақ сирек кездесетін және визуалды ұқсас санаттарды жіктеуде әлі де шектеулер болды. Трансферлік оқыту мен клиникалық метадеректерді біріктіруді қолданатын MobileNetV2 моделі ең жақсы көрсеткіштерді көрсетті. 81% сынақ дәлдігіне қол жеткізілді, меланома үшін толықтығы (recall) негізгі CNN-де 0.38-ден 0.60-қа дейін өсті, бұл ең қауіпті ауруды өткізіп жіберу мүмкіндігін айтарлықтай төмендетеді.
Шешімдерді түсіндіру үшін Grad-Cam әдісі қолданылды, бұл модельдің назар аудару аймақтарын визуализациялауға және қателіктердің себептерін анықтауға мүмкіндік берді. Нәтижелер дерматологиядағы шешім қабылдауды қолдау міндеттерінде терең оқытуды қолдану перспективасын растайды және одан әрі клиникалық валидация мен мәліметтер базасын кеңейту қажеттілігін көрсетеді.