Рак кожи является самой распространенной онкопатологией в организме человека и одной из ведущих причин смертности в мире. Технологии искусственного интеллекта способны сравняться и даже превзойти возможности дерматолога по эффективности визуальной классификации. Таким образом, актуальна разработка высокоточных интеллектуальных систем вспомогательной диагностики в области дерматологии, для выявления рака кожи на ранних стадиях. В работе предлагается ансамблевая интеллектуальная система анализа гетерогенных дерматологических данных на основе мультимодальных нейронных сетей с различными сверточными архитектурами. Точность средневзвешенной ансамблевой модели на основе мультимодальных систем с использованием сверточных архитектур AlexNet, SeNet_154, Inception_v4, Densenet_161, ResNeXt_50 и ResNeXt_101 для 10 диагностически-значимых категорий составила 87,38%.

Ключевые слова: машинное обучение, искусственный интеллект, сверточные нейронные сети, мультимодальные нейронные сети, ансамблевые нейронные сети, цифровая обработка данных, гетерогенные данные, рак кожи, меланома

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 3.1.6 - Онкология, лучевая терапия

В данной работе рассмотрены актуальные архитектуры нейронных сетей, применяемые для классификации рака молочной железы по гистологическим микрофотографиям. Главной целью исследования было проведение расширенного тестирования обученных моделей на данных, которые принципиально будут отличаться от обучающего датасета. В качестве данных для обучения был выбран крупный российский датасет с классификацией гистологических микрофотографий по характеру поражения, а в качестве тестовых данных выступили данные из этого же датасета, но с измененными параметрами. Для обучения были выбраны модели ResNet 152, DenseNet 121, Inception_resnet_v2. Для обучения был применен подход transfer learning. Предобработка изображений перед обучением состояла в нормализации значений всех каналов изображения в диапазоне от 0 до 1. По итогу тестирования была выявлена проблема с классификацией изображений с изменениями в балансе цвета, контрастности и яркости. Эти изменения привели к значительному ухудшению метрик. Из проведенных тестов сделан вывод, что для качественного обучения моделей с целью классификации рака молочной железы недостаточно элементарной нормализации, ведь она делает модели неустойчивыми к изменениям изображений, которые могут встретиться на практике.

Ключевые слова: нейронная сеть, модель, машинное обучение, рак молочной железы, классификация рака, искусственный интеллект, transfer learning, гистологическая микрофотография

2.3.1 - Системный анализ, управление и обработка информации , 3.1.6 - Онкология, лучевая терапия