Numer: 06/2025 Str. 98
Autorzy: Radosław Wajman , Robert Banasiak , Maciej Sputowski , Volodymyr Mosorov :
Tytuł: Uczenie nadzorowane do identyfikacji dolnych dróg moczowych przy użyciu ograniczonych i niezrównoważonych danych treningowych
Streszczenie: W ostatnich latach zalety sztucznej inteligencji (AI) w przetwarzaniu danych i diagnostyce medycznej stały się coraz bardziej widoczne. Wpływ na to mają postępy w technologii komputerowej i integracja wielu dyscyplin. Warto zauważyć, że nastąpił szybki wzrost zastosowań AI w medycynie klinicznej, w tym jej wykorzystania w technologiach wykrywania chorób układu moczowego. AI oferuje możliwość przetwarzania informacji diagnostycznych, co stwarza nowe możliwości precyzyjnego, spersonalizowanego leczenia, jednocześnie promując nieinwazyjne podejścia diagnostyczne. W niniejszym artykule przedstawiono oryginalne podejście do rozwiązania problemu uczenia nadzorowanego w modelach sieci neuronowych splotowych (CNN) do identyfikacji dolnych dróg moczowych w przypadku ograniczonego i niezrównoważonego zestawu danych treningowych. Proponowane rozwiązanie obejmuje znaczne rozszerzenie zestawu danych diagnostycznych dotyczących pęcherza moczowego poprzez zwiększenie liczby próbek za pomocą różnych strategii. Jednak podejście to zwiększa również złożoność obliczeniową treningu AI, co sprawia, że niewykonalne jest jednoczesne załadowanie wszystkich zestawów danych treningowych do pamięci. Aby przezwyciężyć to wyzwanie, opracowano podejście rozproszonego przetwarzania, obejmujące dynamiczne ładowanie danych wraz z optymalizacją pamięci.
Słowa kluczowe: uczenie maszynowe nadzorowane; splotowe sieci neuronowe; dolne drogi moczowe; globalny błąd spójności; segmentacja obrazu