МОДЕЛЬ КЛАСИФІКАЦІЇ РАКОВИХ ЗАХВОРЮВАНЬ ШКІРИ НА ОСНОВІ ІНТЕГРАЦІЇ ДИСКРИМІНАТОРА В АРХІТЕКТУРУ СХОДОВИХ НЕЙРОННИХ МЕРЕЖ

Проблематика. Напівкероване навчання (НН) є одним із перспективних напрямів глибокого навчання, особливо для задач, де отримання міток є складним і дорогим процесом, як у випадку класифікації ракових захворювань шкіри. Існуючі підходи, зокрема Adversarial Autoencoders (AAE) та Ladder Networks (LN), ефективно використовують нерозмічені дані, але мають обмеження у точності реконструкції та регуляризації. Мета дослідження. Розробка та дослідження моделі класифікації ракових захворювань шкіри на основі інтеграції дискримінатора в архітектуру сходових нейронних мереж. Методика реалізації. Розроблена модель поєднує регуляризуючі властивості сходових нейронних мереж із використанням функції втрат на основі дискримінатора, що оцінює якість реконструкції зображень орієнтуючись на їх структуру, форму та ключові візуальні ознаки. Експерименти проводилися на датасеті HAM10000 з різними співвідношеннями розмічених і нерозмічених даних (30%, 10%, 5%). Результати дослідження . Експерименти показали, що запропонована модель підвищила -score для класу злоякісних утворень на 4% у порівнянні з базовою сходовою мережею за умов 5% розмічених даних. При 30% маркованих зразків score досяг 74.8%, що всього на 1% менше за повністю керовану модель. Відносний показник при 5% розмічених даних склав 0.939, перевищуючи аналогічний коефіцієнт для STFL (0.877), що підтверджує ефективність використання нерозмічених даних у запропонованій моделі. Висновки. Запропонована модель вдосконалює існуючі методи напівкерованого навчання (Ladder Networks, Adversarial Autoencoders), забезпечуючи високу ефективність використання нерозмічених даних для регуляризації латентного простору енкодера у задачі класифікації ракових захворювань шкіри. Перспективи подальших досліджень включають використання дискримінатора для порівняння латентних просторів та вдосконалення функції Reconstruction Cost для розширення її застосування в інших задачах аналізу зображень