AI for Medical Diagnostics

Abstract

Tato diplomová práce se zabývá použitím modelů hlubokého učení pro automatizovanou lékařskou diagnostiku pomocí rentgenových snímků hrudníku z datového souboru NIH Chest X-ray14. Tři architektury konvolučních neuronových sítí - ResNet-50, DenseNet- 121 a EfficientNet-B0 - byly hodnoceny pro klasifikaci 14 hrudních onemocnění pomocí více-násobné (multilabel) klasifikace. Modely byly trénovány a testovány v různých rozlišeních obrazu, aby se posoudil dopad architektonické složitosti a prostorových detailů na diagnostický výkon. Zatímco všechny modely dosáhly vysokých skóre AUC pro onemocnění s výraznými radiografickými rysy, důsledně se potýkaly s vybavováním vzácných nebo obtížně detekovatelných stavů, jako je pneumonie, fibróza a kýla. Výsledky zdůrazňují kritická omezení kvůli nevyváženosti tříd, prahování a label noise. Navzdory silné celkové klasifikační schopnosti zůstává klinická použitelnost modelů omezena nízkou citlivostí. Doporučení pro zlepšení zahrnují využití focal loss funkce, kalibraci prahu na třídu, data augmentation, a ensemble learning. Bylo také vyvinuto interaktivní rozhraní Colab pro inferenci v reálném čase. Tento diplomová práce ukazuje příslib a výzvy nasazení systémů AI v lékařském zobrazování a zdůrazňuje potřebu vyváženého výkonu, interpretovatelnosti a externí klinické validace.