Перегляд за Автор "Chaban, Oleksandr"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    Документ
    Метод поєднання контекстних векторних представлень слів із векторним поданням медичного домену
    (Хмельницький національний університет, 2025) Чабан, Олександр; Chaban, Oleksandr
    Основним викликом у галузі медичних висновків природною мовою (англ. NLI) є досягнення високої точності та надійності автоматизованого аналізу клінічних текстів. Такий аналіз ускладнюється специфікою медичної термінології та потребою врахування контекстуальних знань. У статті подано розв’язок задачі для підвищення якості медичного висновку природною мовою (NLI) через інтеграцію структурованих знань предметної області та інформації про тональність тексту. У роботі запропоновано метод, що поєднує сучасний алгоритм вбудовування знань MultE (застосований до Уніфікованої медичної мовної системи) з моделлю BioELMo, а також інтегрує специфічну для предметної області інформацію про тональність за допомогою MetaMap. Запропонований метод використовує вбудовування BioELMo, інтегровані знання та вектори тональності, оброблені через двоспрямовану LSTM та архітектуру на основі уваги. За набором даних MedNLI метод досяг значення F1-міри в 79,85 %, що перевершило базові моделі. Результати обчислювальних експериментів демонструють, що інтеграція специфічних знань підвищує впровадження NLI у медичній галузі, створюючи в такий спосіб надійну основу для покращення підтримки клінічних рішень.
  • Ескіз
    Документ
    Метод інтегрування доменних знань у багатостратегічну класифікацію медичних зображень
    (Хмельницький національний університет, 2024) Чабан, Олександр; Манзюк, Едуард; Дука, Олександр; Chaban, Oleksandr; Manziuk, Eduard; Duka, Oleksander
    Інтеграція доменних знань у процес класифікації медичних зображень має важливе значення для підвищення точності діагностування. У цій роботі запропоновано новий метод багатостратегічної класифікації, що інтегрує медичне доменне знання, та призначений для підвищення точності класифікації медичних зображень. У межах методу класифікатор навчався на прикладах, які були некоректно класифіковані іншими базовими класифікаторами, що сприяло колаборативному навчанню. Для навчання класифікаторів використовувались мультимодальні набори даних, які включали візуальні та табличні характеристики медичних зображень. Новий метод застосовувався до 160 зображень, тоді як контрольна група застосовувала традиційний одностратегічний метод до інших 160 зображень. Результати експериментів продемонстрували результативність запропонованого методу, зокрема, значення чутливості, специфічності та точності становили 98 %, 97 % та 96 % відповідно. У підсумку, результати дослідження підтверджують необхідність інтеграції експертних медичних знань у машинне навчання для підвищення прогностичної точності та надійності медичних діагностичних систем.