The object of research, development or design (in Russian) : Пандемия Covid-19 подчеркнула важность быстрой диагностики заболеваний. Из-за нехватки квалифицированных радиологов появилась необходимость в решениях на основе глубокого обучения для выявления легочных заболеваний на рентгеновских снимках. Однако из-за ограничений по передаче конфиденциальных данных, таких как рентгеновские снимки, обучение моделей становится сложной задачей. Федеративное обучение (ФО) предлагает инновационную платформу, позволяющую медицинским учреждениям обучать модели без передачи данных третьим лицам. Проект направлен на преодоление ограничений ФО с использованием методов классификации с малым числом примеров. i) Проблема усреднения моделей в ФО. Разные наборы данных у клиентов приводят к различиям в характеристиках моделей, и простое усреднение может быть неэффективным. Мы предлагаем подходы, учитывающие это различие. Наш алгоритм FedPans увеличивает точность на 3% в условиях non-iid данных, приближаясь к точности централизованного обучения. ii) Локальное обучение сталкивается с ограничениями объема данных, которые можно компенсировать методами обучения с малым числом примеров (FSL). iii) Проект улучшает классификацию заболеваний грудной клетки в условиях non-iid данных, что соответствует реальным условиям. Эта инициатива важна и для Казахстана, внедряя ИИ в медицину и решая актуальные проблемы. Проект поддерживает устойчивое улучшение общественного здоровья, повышая качество жизни в стране.

The object of research, development or design (in Kazakh) : Covid-19 пандемиясы кезінде науқастарды диагностикалау маңызды іс болды. Білікті рентгенологтардың жетіспеушілігі рентген суреттерінде өкпе ауруларын анықтау үшін терең оқыту шешімдерін қажет етті. Алайда, пациенттердің деректерін басқа мекемелерге беруге тыйым салынғандықтан, терең оқытуды қолдану күрделі. Бұл мәселені Федеративті оқыту (ФО) шешеді, ол жеке деректерді жарияламай, бірнеше медициналық мекемелерге модельді бірлесіп оқытуға мүмкіндік береді. Жоба кеуде қуысының кескіндерін аз деректермен жіктеуде ФО шектеулерін еңсеруді ұсынады. i) ФО нейрондарды дұрыс бөлу мәселесін зерттейді. ФО алгоритмдері әдетте орталық серверде орташалауды қолданады, бірақ әр клиенттің деректері әртүрлі болғандықтан, бұл әдіс тиімсіз. Біз бұл мәселені әртүрлі орташалау әдістерін пайдалану арқылы шешуді ұсынамыз. FedPans алгоритмі тәуелсіз емес және бірдей таратылмаған (non-iid) деректерде дәлдікті 3%-ға арттырды. ii) Жергілікті оқыту шектеулі деректер мәселесін шешу үшін біз аз мысалдармен оқыту әдістерін (FSL) пайдалануды ұсынамыз. iii) Жоба non-iid деректерде кеуде ауруларын дәл жіктеуді жақсартады деп күтілуде. Бұл бастама Қазақстанда да маңызды рөл атқара алады, ЖИ-ді медицинада қолдануды дамытады және жергілікті мәселелерді шешеді. Жоба елдегі өмір сапасын арттыруға және денсаулық сақтау жүйесін нығайтуға көмектеседі, осылайша кең ауқымды әлеуметтік-экономикалық мәселелерді шешеді.

Aim of work (in Russian) : Разработать архитектуру диагностики Covid-19 и других патологий на основе рентгеновских снимков легких используя Федеративное Обучение и методы обучения с малым числом примеров.

Aim of work (in Kazakh) : Федеративті оқытуды және аз мысалды оқыту әдістерін қолдана отырып, өкпенің рентгенографиясын талдау негізінде Covid-19 және басқа патологиялардың тиімді диагностикалық архитектурасын әзірлеу және көрсету.

Методы исследования (на русском) : Федеративное обучение (ФО) предлагает решение, позволяющее медицинским учреждениям совместно обучать модели без ущерба для конфиденциальности данных пациентов. Этот подход лежит в основе проекта, обеспечивая защиту данных и одновременно точность диагностики респираторных заболеваний. Проект направлен на создание надежного и конфиденциального метода обучения моделей глубокого обучения (ГО), который соответствует стандартам безопасности данных и повышает точность диагностики. Также разрабатываются легкие модели ГО с целью повышения эффективности и снижения потребления ресурсов, что облегчает их развертывание в различных условиях, включая среды с ограниченными ресурсами. Основная цель — уменьшить размер модели на 50%, сохранив точность классификации не менее 90%. Это позволит использовать модель на устройствах с ограниченными вычислительными возможностями, что особенно важно для регионов с ограниченным доступом к мощным ресурсам, делая диагностику более доступной и удобной. Третья задача проекта — интеграция обучения с малым числом примеров (FSL) в структуру ФО. Этот подход повышает адаптивность модели, позволяя ей учиться на небольших объемах данных. Проект стремится улучшить точность классификации на 10% при ограниченном количестве данных, что помогает модели эффективно работать в реальных условиях, где большие размеченные наборы данных недоступны. Это решение усиливает устойчивость модели, делая её надежной в различных практических ситуациях.

Методы исследования (на казахском) : Федеративті оқыту (ФО) – бұл бірнеше медициналық мекемелерге науқастардың жеке мәліметтерін бұзбай, бірлескен оқыту моделін қолдануға мүмкіндік беретін инновациялық шешім. Бұл тәсіл құпия медициналық деректердің құпиялылығын қорғауда жаңа серпіліс жасап, терең оқыту үлгілерін сенімді және қауіпсіз түрде үйретуге мүмкіндік береді. Негізгі мақсаты – деректерді қорғаудың жоғары стандарттарын сақтай отырып, ауруларды дәл диагностикалау және тыныс алу органдарының ауруларын анықтау процестерін жетілдіру. Екінші маңызды мақсат – ресурстарды үнемдеуді және тиімділікті ескере отырып, жеңіл терең оқыту модельдерін жасау. Бұл модельдер әртүрлі жағдайларда, оның ішінде ресурстары шектеулі орталарда қолдану үшін оңай бейімделеді. Модельдің өлшемін кемінде 50% азайтып, жіктеу дәлдігін 90%-дан төмен түсірмей, оны шектеулі есептеу мүмкіндіктері бар құрылғыларда қолдануға мүмкіндік береді. Бұл әсіресе есептеу ресурстары шектеулі аймақтарда диагностикалық құралдардың қолжетімділігін арттырады. Үшінші міндет – аз мысалды оқытуды (FSL) федералды оқыту құрылымына енгізу. Бұл әдіс модельдің бейімделгіштігін арттырып, сирек кездесетін таңбаланған мысалдардан тиімді үйренуге жағдай жасайды. Жоба мәліметі аз жағдайда модельдің дәлдігін 10%-ға жақсартуды мақсат етеді, бұл модельдің нақты жағдайларда сенімді жұмыс жасауына мүмкіндік береді.

Obtained results and novelty (in Russian) : не применимо

Obtained results and novelty (in Kazakh) : қолданылмайды

The main constructive and technical economic indicators (in Russian) : Основными конструктивными и технико экономические показателями являются оценка точности, расчет чувствительности (sensitivity), F1-оценка, специфичность (specificity), анализ рабочих характеристик приемника (ROC), анализа матрицы неточностей (Confusion Matrix).

The main constructive and technical economic indicators (in Kazakh) : Негізгі конструктивті және техникалық экономикалық көрсеткіштер дәлдікті бағалау, сезімталдықты есептеу (sensitivity), F1-бағалау, ерекшелік (specificity), қабылдағыштың жұмыс сипаттамаларын талдау (ROC), дәлсіздіктер матрицасын талдау (Confusion Matrix) болып табылады.

Level of implementation (in Russian) : не применимо

Level of implementation (in Kazakh) : қолданылмайды

Efficiency (in Russian) : не применимо

Efficiency (in Kazakh) : қолданылмайды

Field of application (in Russian) : медицина

Field of application (in Kazakh) : медицина