Розроблення моделі пояснювального ШІ для аналізу медичних даних

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Шебеко Андрієм Андрійовичем. Тема “Розроблення моделі пояснювального ШІ для аналізу медичних даних”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є системи штучного інтелекту, алгоритми машинного навчання для аналізу медичних даних. Предметом досліджень є методи, техніки та алгоритми пояснення, візуалізації та перевірки результатів роботи систем штучного інтелекту в медичному контексті. Досягнення мети реалізується через розробку і впровадження архітектури програми, яка використовує моделі пояснювального ШІ, які базуються на алгоритмах машинного навчання та техніках візуалізації, таких як SHAP і CAM. Система спроектована для аналізу медичних даних, зокрема магнітно резонансних зображень коліна. Подальший аналіз даних відбувається з використанням методів глибокого навчання та перехресного навчання. У результаті виконання магістерської роботи розроблено модель пояснювального ШІ для аналізу медичних даних на основі магнітно-резонансної томографії коліна. Модель використовує згорткові нейронні мережі MRNet, SHAP та CAM для класифікації та візуалізації даних. Апробація роботи проведена на реальних медичних наборах даних, показавши високу точність і зрозумілість результатів для медичних фахівців. Структурована програмна реалізація моделі забезпечує її практичну цінність та можливість застосування в реальних медичних задачах. Загальний обсяг роботи: 64 сторінок, 27 рисунки, 22 посилання. Master’s degree work of the student of the group CSAI-22 Shebeko Andrii Аndriiovych. The topic is " Explainable AI for medical data analysis". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is artificial intelligence systems, machine learning algorithms for the analysis of medical data. The subject of the work is research methods, techniques and algorithms for explaining, visualizing and checking the results of the artificial intelligence system in the medical context. The goal of the research is achieved by expanding the dimensionality of the input data space of the problem by using the outputs of the probabilistic neural network. Further processing of the extended data set is carried out by using known methods of machine learning. The performance of the hybrid system was tested by using various machine learning algorithms based to solve the classification problem on a real biomedical data set. The goal of the research is achieved by development and implementation of program that use XAI models that are based on machine learning algorithms and visualization techniques such as SHAP and CAM. The system is designed to analyze medical data, in particular, magnetic resonance images of the knee. Additional data analysis is performed using deep and cross-learning methods. As a result of the master's work, an explanatory AI model was developed for the analysis of medical data based on magnetic resonance imaging of the knee. The model uses convolutional neural networks MRNet, SHAP and CAM for data classification and visualization. Approbation of the work was carried out on real medical data sets, showing high accuracy and comprehensibility of the results for medical professionals. The structured software implementation of the model ensures its practical value and the possibility of application in real medical problems. The total volume of work: 64 pages, 27 figures, 22 references.