Author: nccmne3

Istraživači sa Univerziteta Donja Gorica predstavili su model dubokog učenja za automatsko otkrivanje tuberkuloze na osnovu rendgenskih snimaka pluća na IEEE IT2025 konferenciji. Korišćenjem konvolucione neuronske mreže (CNN), model klasifikuje slike kao normalne ili pozitivne na tuberkulozu sa impresivnom tačnošću od 97.55%. Ovo dostignuće ima potencijal da ubrza postavljanje dijagnoze, smanji opterećenje radiologa i poboljša stopu ranog otkrivanja, naročito u zdravstvenim sistemima sa ograničenim resursima. Kroz primjenu vještačke inteligencije za brzu i pouzdanu analizu medicinskih slika, ovo istraživanje ističe sve značajniju ulogu računarskog vida u savremenoj medicini i njegovu sposobnost da unaprijedi efikasnost i preciznost u otkrivanju bolesti.

Abstrakt – Ovaj rad predstavlja model dubokog učenja koji omogućava brzo i precizno postavljanje dijagnoze tuberkuloze na osnovu rendgenskih snimaka pluća. Razvijeni model koristi konvolutivnu neuronsku mrežu koja omogućava automatsku klasifikaciju snimaka u jednu od dvije kategorije: Normalno ili Tuberkuloza, sa visokim stepenom tačnosti. Model je postigao tačnost od 97.55% na testnom skupu podataka, što ukazuje na njegov potencijal da otvori nove perspektive za medicinske stručnjake u uspostavljanju dijagnoze tuberkuloze. Ovaj model može značajno ubrzati dijagnostički proces, smanjiti opterećenje medicinskog osoblja i povećati njihovu produktivnost u borbi protiv tuberkuloze, jedne od najčešćih plućnih bolesti.

Na IEEE IT2025 konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su svoje najnovije istraživanje o primjeni vještačke inteligencije (AI) u dijagnostici raka dojke. Istraživanje se bavi upotrebom modela dubokog učenja, ResNet152 i DenseNet121, za analizu mamografskih snimaka. Pored kliničkih rezultata, studija naglašava značaj korišćenja računarske infrastrukture visokih performansi (HPC) za optimizaciju obuke i evaluacije modela. Prenošenjem eksperimentalne postavke na HPC resurse, otvaraju se putevi za brže razvojne cikluse, istraživanje složenijih arhitektura i skalabilnost za primjenu u stvarnim uslovima.

Abstrakt – Vještačka inteligencija brzo unapređuje medicinu pružajući inovativne pristupe dijagnostici bolesti, tretmanu i istraživanju. Ova studija istražuje primjenu vještačke inteligencije u dijagnostici raka dojke, fokusirajući se na upotrebu konvolutivnih neuronskih mreža i dubokog učenja za analizu mamografskih snimaka. Modeli ResNet152 i DenseNet121 korišćeni su za klasifikaciju malignih promjena, pri čemu su ostvareni AUC rezultati veći od 0.9, što potvrđuje njihovu kliničku korisnost. Istraživanje ističe kako vještačka inteligencija može poboljšati efikasnost skrininga, ubrzati dijagnostičke procese i omogućiti personalizovane pristupe liječenju. Takođe su analizirani etički aspekti, uključujući bezbjednost pacijenata i transparentnost AI sistema. Nalazi ukazuju na potencijal vještačke inteligencije da transformiše dijagnostičke procedure za rak dojke i naglašavaju značaj daljih istraživanja radi integracije ovih tehnologija u kliničku praksu.