КЛАССИФИКАЦИОННЫЕ МОДЕЛИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПОДГОТОВКЕ ПАТОЛОГОАНАТОМОВ
Ключевые слова:
классификационные модели, трансферное обучение, CNN-архитектура.Аннотация
В статье рассматривается внедрение современных классификационных моделей искусственного интеллекта (ИИ) в подготовку патологоанатомов. Разработан программный комплекс «GistoDiagnozUZ», включающий модули предобработки, сегментации и классификации гистологических изображений. Эксперименты на открытых и собственных наборах данных показали увеличение значения AUROC до 0,93, сокращение времени анализа слайдов почти вдвое и снижение когнитивной нагрузки патологоанатомов. Результаты подтверждают, что интеграция методов transfer learning и оригинальных CNN-архитектур повышает диагностические навыки и может стать основой стандартизированной ИИ-поддержки в образовательных программах по патоморфологии.
Библиографические ссылки
Bera, K., Schalper, K. A., et al. (2022). Artificial intelligence in digital pathology—new tools for diagnosis and precision oncology. Nature Reviews Clinical Oncology, 19, 744-757.
Wilbur, D. C., et al. (2022). Entrustable professional activities for pathology residents in the era of AI. Modern Pathology, 35, 1630-1638.
Mercan, E. (2023). Artificial-intelligence competencies for pathology training programmes. JAMA Network Open, 6(3), e2254321.
College of American Pathologists. (2021). Artificial Intelligence Principles for Pathology and Laboratory Medicine (White Paper).
Taylor, P. (2020). Global shortage of pathologists: AI may close the gap. The Lancet Oncology, 21(4), 466-467.
Litjens, G., Kooi, T., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In MICCAI 2015 (pp. 234-241). Springer.
Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. ICML 2019 Proceedings, 97, 6105-6114.
Tellez, D., et al. (2019). Quantifying the effects of dataset size, data variability and transfer learning on deep learning performance in histopathology. Histopathology, 75(6), 914-924.
Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A. and Mastorides, S. M. Lung and colon cancer histopathological image dataset (lc25000). // arXiv preprint arXiv:1912.12142. – 2019.
Naren O.S. Multi Cancer Dataset, Kaggle, [online] Available: https://www.kaggle.com/datasets/obulisainaren/multi-cancer.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Farxod Meliev, У.Р. Шадиев, Ф.М. Мелиев, З.А. Маликов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
