Category: Nauka

Istraživači sa Univerziteta Donja Gorica predstavili su model dubokog učenja za automatsko otkrivanje tuberkuloze rendgenskim snimkom grudnog koša na IEEE IT2025 konferenciji. Koristeći konvolucionu neuronsku mrežu (CNN), model klasifikuje slike kao normalne ili pozitivne na tuberkulozu sa impresivnih 97,55% preciznosti. Ovo otkriće ima potencijal da ubrza dijagnozu, smanji opterećenje radiologa i poboljša stope ranog otkrivanja, posebno u zdravstvenim ustanovama sa niskim resursima. Korišćenjem veštačke inteligencije za brzu i pouzdanu analizu medicinske slike, ovo istraživanje naglašava rastuću ulogu kompjuterskog vida u modernoj zdravstvenoj zaštiti i njegovu sposobnost da poboljša efikasnost i tačnost u otkrivanju bolesti.

ABSTRACT – This article presents a deep learning model that enables fast and accurate diagnosis of tuberculosis based on chest X-rays. The developed model uses convolutional neural network that enable the automatic classification of chest x-rays into one of two classes: Normal or Tuberculosis with a high degree of accuracy. The model achieved an accuracy of 97.55% on the test data set, indicating its potential to open new perspectives for medical professionals in establishing a tuberculosis diagnosis. This model can significantly speed up the diagnostic process, reducing the workload of medical workers and increasing their productivity in the fight against tuberculosis, one of the most common lung diseases.

Na IT2025 IEEE konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su svoju najnoviju studiju o korištenju vještačke inteligencije (AI) za dijagnostiku raka dojke. Istraživanje istražuje primjenu modela dubokog učenja, ResNet152 i DenseNet121, za analizu mamografskih slika. Osim kliničkih rezultata, studija naglašava implikacije korištenja računarske infrastrukture visokih performansi (HPC) kako bi se optimizirala obuka i evaluacija modela. Prenošenjem eksperimentalne postavke na HPC resurse, istraživanje otvara puteve za brže razvojne cikluse, istraživanje složenijih arhitektura i skalabilnost za implementaciju u stvarnom svijetu.

ABSTRACT – Artificial Intelligence is rapidly advancing the medical field by providing innovative disease diagnosis, treatment, and research approaches. This study explores the application of artificial intelligence in breast cancer diagnostics, focusing on using convolutional neural networks and deep learning to analyze mammographic images. ResNet152 and DenseNet121 models were used to classify malignant changes, achieving AUC scores exceeding 0.9, demonstrating their clinical utility. The research emphasizes how artificial intelligence can enhance screening efficiency, expedite diagnostic processes, and facilitate personalized treatment approaches. Ethical considerations, including patient safety and the transparency of artificial intelligence systems, were also analyzed. The findings underscore the potential of artificial intelligence to transform diagnostic procedures for breast cancer and highlight the importance of further research to integrate these technologies into clinical practice.

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 IT2025 IEEE konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su studiju o kloniranju glasa i tehnologiji pretvaranja teksta u govor (TTS) za očuvanje kulturnog naslijeđa. Njihovo istraživanje upoređivalo je najsavremenije AI modele, uključujući kloniranje glasa u realnom vremenu (RVC), kornjaču AI, Bark i Coqui AI, kako bi procijenili kako mali, visokokvalitetni skupovi podataka mogu proizvesti točniji i prirodniji govor od velikih, nestrukturiranih. Studija naglašava potencijal AI u očuvanju crnogorskog jezika i usmene tradicije, omogućavajući stvaranje audio knjiga, digitalnih arhiva i interaktivnih iskustava. Ovo istraživanje utire put pristupačnijim obrazovnim resursima i poboljšanom kulturnom angažmanu koristeći sintezu govora vođenu umjetnom inteligencijom.

ABSTRACT – This research presents a comparative analysis of modern voice cloning systems, focusing on their ability to generate high-quality speech from limited training data. The paper aims to demonstrate that carefully curated smaller datasets can produce superior results to larger, less structured datasets. The investigation of multiple state-of-the-art models, including Realtime Voice Cloning (RVC), Tortoise AI, Bark, and Coqui AI, establishes optimal data preparation protocols and identifies critical factors in training data quality, with particular emphasis on applications for the Montenegrin language and cultural preservation.

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.