AI for Medical Diagnostics

Kader, Mohiuddin Abdul

AI for Medical Diagnostics

DSpace Repository

Language: English čeština

AI for Medical Diagnostics

dc.contributor.advisor	Šenkeřík, Roman
dc.contributor.author	Kader, Mohiuddin Abdul
dc.date.accessioned	2025-12-10T23:09:49Z
dc.date.available	2025-12-10T23:09:49Z
dc.date.issued	2024-10-27
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/57714
dc.description.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.
dc.format	77p
dc.language.iso	en
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	umělá inteligence ve zdravotnictví	cs
dc.subject	hluboké učení	cs
dc.subject	klasifikace rentgenových snímků hrudníku	cs
dc.subject	NIH Chest X-ray14	cs
dc.subject	ResNet-50	cs
dc.subject	DenseNet-121	cs
dc.subject	EfficientNet-B0	cs
dc.subject	vícenásobná klasifikace	cs
dc.subject	senzitivita	cs
dc.subject	AUC	cs
dc.subject	fokální ztráta	cs
dc.subject	kalibrace prahů	cs
dc.subject	interpretovatelnost modelu	cs
dc.subject	lékařská diagnostika zobrazovacích metod	cs
dc.subject	artificial intelligence in healthcare	en
dc.subject	deep learning	en
dc.subject	chest X-ray classification	en
dc.subject	NIH Chest X-ray14	en
dc.subject	ResNet-50	en
dc.subject	DenseNet-121	en
dc.subject	EfficientNet-B0	en
dc.subject	multi-label classification	en
dc.subject	sensitivity	en
dc.subject	AUC	en
dc.subject	focal loss	en
dc.subject	threshold calibration	en
dc.subject	model interpretability	en
dc.subject	medical image diagnosis	en
dc.title	AI for Medical Diagnostics
dc.title.alternative	AI for Medical Diagnostics
dc.type	diplomová práce	cs
dc.contributor.referee	Kotyrba, Martin
dc.date.accepted	2025-06-18
dc.description.abstract-translated	This study investigates the application of deep learning models for automated medical diagnosis using chest radiographs from the NIH Chest X-ray14 dataset. Three convolutional neural network architecturesResNet-50, DenseNet-121, and EfficientNet-B0were evaluated for multi-label classification of 14 thoracic diseases. The models were trained and tested across varying image resolutions to assess the impact of architectural complexity and spatial detail on diagnostic performance. While all models achieved high AUC scores for diseases with prominent radiographic features, they consistently struggled with recall for rare or subtle conditions such as Pneumonia, Fibrosis, and Hernia. The results highlight critical limitations due to class imbalance, thresholding, and label noise. Despite strong overall classification capability, the models' clinical applicability remains constrained by low sensitivity. Recommendations for improvement include focal loss, per-class threshold calibration, data augmentation, and ensemble learning. An interactive Colab interface was also developed for real-time inference. This research underscores the promise and challenges of deploying AI systems in medical imaging, emphasizing the need for balanced performance, interpretability, and external clinical validation.
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Software Engineering	cs
dc.thesis.degree-discipline	Software Engineering	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Information Technologies	cs
dc.thesis.degree-program	Information Technologies	en
dc.identifier.stag	70103
dc.date.submitted	2025-06-02