Детальная информация

Работа посвящена разработке и исследованию методов классификации несбалансированных медицинских изображений на основе диффузионных моделей, интегрированных с медицинскими знаниями. Основной вызов в медицинской диагностике – выявление редких болезней, когда число патологических снимков многократно уступает нормальным. Стандартные алгоритмы обучения часто пропускают такие случаи. В работе представлен метод, сочетающий условную диффузионную модель (DDPM) и вектор коморбидных патологий, а также программную реализацию, включающую фильтрацию сгенерированных изображений. Эксперименты проведены на двух открытых наборах рентгенограмм: NIH Chest X‑ray (грыжа против инфильтрации) и COVID‑19 Radiography Database (COVID‑19 против нормы). Сравнивались семь подходов: простая CNN, Focal Loss, SMOTE+MLP, WGAN‑GP (с SimpleCNN и ResNet‑18), а также условный DDPM (с SimpleCNN и улучшенный вариант с ResNet‑18). Лучшие показатели достигнуты для метода DDPM + ResNet‑18 (улучш.): на NIH F1 = 70,48%, AUC = 89,90%; на COVID‑19 F1 = 82,67%, AUC = 97,05% при точности 95,94%. Анализ других наборов данных позволил сформулировать условия применимости: не менее 100 редких образцов, наличие предобученного классификатора для фильтрации и (при слабой симптоматике) структурированных коморбидных знаний. Разработан также веб-прототип системы поддержки диагностики, подтверждающий практическую ценность метода. Код реализован на Python с использованием PyTorch, scikit‑learn и приведён в приложении.

The work is devoted to the development and research of methods for classifying imbalanced medical images based on diffusion models integrated with medical knowledge. The relevance of the work stems from the critical importance of detecting rare diseases with extremely limited training examples, which leads to such pathologies being ignored by standard classifiers. The study includes an analysis of existing approaches, the proposal of a conditional diffusion model (DDPM) architecture that encodes medical knowledge as a vector of comorbid pathologies, and the implementation of a software system comprising synthetic image generation and filtering. Experimental validation was conducted on two chest X-ray datasets: NIH Chest X-ray (hernia vs. infiltration) and the COVID-19 Radiography Database (COVID-19 vs. normal). Seven methods were compared: a baseline CNN, Focal Loss, SMOTE+MLP, WGAN-GP with SimpleCNN and ResNet-18, as well as a conditional DDPM with SimpleCNN and ResNet-18. The best results were achieved by the proposed DDPM + ResNet-18 method: on NIH it attained F1 = 70,48 % and AUC = 89,90 %, and on COVID-19 — F1 = 82,67 % and AUC = 97,05 % with an accuracy of 95,94 %. Analysis of additional datasets revealed applicability conditions: at least 100 rare samples, the presence of a pretrained classifier for filtering, and (for weakly expressed visual features) structured comorbid knowledge. A prototype diagnostic support system with a web interface was created, demonstrating the practical applicability of the method. The work was carried out using Python, PyTorch, scikit-learn; the source code is provided in the appendices.