Інформаційна система прогнозування захворю вань методами машинного навчання (52/4КНД.9683878.000000ПЗ) : кваліфікаційна робота бакалавра : спец. 122 Комп’ютерні науки ОПП «Комп’ютерні науки»

Abstract

UA: Онкологічні захворювання є однією з ключових проблем сучасної охорони здоров'я. Рання та точна діагностика значно підвищує шанси на успішне лікування. Методи машинного навчання відкривають нові можливості для створення допоміжних інструментів, здатних аналізувати медичні дані та прогнозувати ризики, однак існує потреба в доступних, гнучких та адаптивних системах для широкого впровадження. Об'єкт дослідження: Процес прогнозування ризику розвитку онкологічних захворювань на основі аналізу цитологічних даних пацієнтів. Предмет дослідження: Інформаційна система для прогнозування онкологічних ризиків, що включає модулі машинного навчання, адаптивного донавчання моделі та автоматичної оптимізації гіперпараметрів. Мета роботи: Розробка та реалізація інформаційної системи «OncoScreen Assist», що надає зручний веб-інтерфейс для прогнозування ризику онкологічних захворювань та дозволяє адаптувати прогностичну модель на основі нових даних. /// EN: Oncological diseases are a key challenge in modern healthcare. Early and accurate diagnosis significantly improves the chances of successful treatment. Machine learning methods offer new opportunities for creating auxiliary tools capable of analyzing medical data and predicting risks. However, there is a need for accessible, flexible, and adaptive systems for widespread implementation. Object of Research: The process of predicting the risk of developing oncological diseases based on the analysis of patient cytological data. Subject of Research: An information system for oncology risk prediction, which includes modules for machine learning, adaptive model retraining, and automatic hyperparameter optimization. Purpose of the Thesis: To develop and implement the «OncoScreen Assist» information system, which provides a user-friendly web interface for predicting the risk of oncological diseases and allows for the adaptation of the prognostic model based on new data.