The object of research, development or design (in Russian) : Технологии искусственного интеллекта и модели глубоких нейтронных сетей для диагностики и прогнозирования рака молочной железы.

The object of research, development or design (in Kazakh) : Сүт безі қатерлі ісігін диагностикалау және болжау үшін жасанды интеллект технологиялары және терең нейрондық желі модельдері.

Aim of work (in Russian) : Целью нашего исследования является улучшение диагностики рака молочной железы путем разработки технологий искусственного интеллекта с последующим внедрением в клиническую практику.

Aim of work (in Kazakh) : Біздің зерттеуіміздің мақсаты-жасанды интеллект технологияларын әзірлеу арқылы сүт безі қатерлі ісігінің диагностикасын жақсарту, содан кейін клиникалық тәжірибеге енгізу.

Методы исследования (на русском) : Сбор и анализ медицинских данных; Молекулярно-генетические методы; Биоинформатические методы; Статистические методы анализа; Методы медицинской визуализации (маммография, УЗИ, МРТ); Методы машинного обучения и глубокого обучения для автоматизированной диагностики; Методы обработки и интеграции мультиомных данных (геномика, транскриптомика, протеомика); Методы построения предиктивных моделей для раннего выявления рака молочной железы.

Методы исследования (на казахском) : Медициналық деректерді жинау және талдау; Молекулярлық-генетикалық әдістер; Биоинформатикалық әдістер; Статистикалық талдау әдістері; Медициналық визуализация әдістері (маммография, УДЗ, МРТ); Машиналық оқыту және терең оқыту әдістері (автоматтандырылған диагностика үшін); Көпомикалық деректерді өңдеу және біріктіру әдістері (геномика, транскриптомика, протеомика); Сүт безі обырын ерте анықтауға арналған предиктивті модельдерді құру әдістері.

Obtained results and novelty (in Russian) : 1. Проведен всесторонний литературный обзор современных методов автоматизированной диагностики рака молочной железы, включая сверточные нейронные сети, трансформеры и мультимодальные модели. 2. Собраны и систематизированы данные из открытых источников по всем типам данных. 3. Обучены модели глубоких нейронных сетей на данных из открытых источников. 4. Проведено экспериментальное обучение ранних версий vision-language моделей (VLM), включая модели на основе CLIP-подобных архитектур, на медицинских данных. Получены первичные результаты, демонстрирующие возможность адаптации VLM к задачам онкологической диагностики.

Obtained results and novelty (in Kazakh) : 1. Сүт безі обырын автоматтандырылған анықтау мен диагностикалауда қолданылатын терең нейрондық желілер, трансформерлер және мультимодальды модельдер бойынша жан-жақты әдеби шолу жүргізілді. 2. Барлық деректер түрлері бойынша ашық ақпарат көздерінен деректер жиналып, бірыңғай зерттеу базасына біріктірілді.. 3. Ашық ақпарат көздерінен алынған деректер негізінде терең нейрондық желі модельдері оқытылды. 4. CLIP-тектес архитектураларға негізделген vision-language (VLM) модельдерінің ерте нұсқаларын медициналық деректерде оқыту бойынша эксперименттік жұмыс жүргізілді. Алғашқы нәтижелер VLM-модельдерін онкологиялық диагностикаға бейімдеудің мүмкіндігін көрсетті.

The main constructive and technical economic indicators (in Russian) : Конструктивные показатели: Интеграция данных различных типов: медицинские изображения, генетические данные, лабораторные анализы, клинические записи; Модели объединяют структурированные и неструктурированные данные; Использование мультимодальных алгоритмов глубокого обучения (гибридные модели); Возможности автоматического обновления моделей на основе новых данных (self-learning); Применение трансформеров или свёрточных нейросетей для анализа изображений; Внедрение алгоритмов обработки текста (анамнез, электронные медицинские карты) и числовых данных (анализ биомаркеров). Технико-экономические показатели: Точность определения опухолей: > 85% (в зависимости от данных и моделей); Раннее обнаружение: улучшение выявления на 20–30% по сравнению с традиционными методами; Уменьшение нагрузки на медицинский персонал за счёт автоматизации анализа данных; Снижение затрат на диагностику 15–25%; Повышение шансов на выживание благодаря ранней диагностике: до 20%.

The main constructive and technical economic indicators (in Kazakh) : Сындарлы көрсеткіштер: Әртүрлі типтегі деректерді біріктіру: медициналық кескіндер, генетикалық деректер, зертханалық зерттеулер, клиникалық жазбалар; Модельдер құрылымдық және құрылымданбаған деректерді біріктіреді; Терең оқытудың мультимодальды алгоритмдерін қолдану (гибридті модельдер); Жаңа деректерге негізделген модельдерді автоматты түрде жаңарту мүмкіндіктері (self-learning); Кескіндерді талдау үшін трансформаторларды немесе конвульсиялық нейрондарды қолдану; Мәтінді өңдеу алгоритмдерін (анамнез, электрондық медициналық карталар) және сандық деректерді (биомаркерлерді талдау) енгізу. Техникалық-экономикалық көрсеткіштер: Ісіктерді анықтау дәлдігі: > 85% (деректер мен үлгілерге байланысты); Ерте анықтау: дәстүрлі әдістермен салыстырғанда анықтауды 20-30% жақсарту; Деректерді талдауды автоматтандыру арқылы медициналық персоналға жүктемені азайту; Диагностика шығындарының төмендеуі 15-25%; Ерте диагностиканың арқасында өмір сүру мүмкіндігін арттыру: 20% дейін.

Level of implementation (in Russian) : Не внедрено.

Level of implementation (in Kazakh) : Енгізілмеген.

Efficiency (in Russian) : Высокая.

Efficiency (in Kazakh) : Жоғары.

Field of application (in Russian) : Региональные онкологические диспансеры и научно-исследовательские институты; центры маммологического скрининга; многопрофильные клинические больницы; диагностические центры, использующие маммографию и другие методы визуализации; учреждения, внедряющие системы поддержки клинических решений (CDSS); телемедицинские платформы, работающие с медицинскими изображениями; образовательные и исследовательские организации, занимающиеся анализом медицинских данных и разработкой ИИ-моделей в онкологии.

Field of application (in Kazakh) : Аймақтық онкологиялық диспансерлер мен ғылыми-зерттеу институттары; маммологиялық скрининг орталықтары; көпсалалы клиникалық ауруханалар; визуализация әдістерін (маммография, УДЗ, МРТ) пайдаланатын диагностикалық орталықтар; клиникалық шешімдерді қолдау жүйелерін (CDSS) енгізетін медициналық ұйымдар; медициналық бейнелермен жұмыс істейтін телемедицина платформалары; медициналық деректерді талдау және онкологиядағы ЖИ-модельдерін әзірлеумен айналысатын білім беру және зерттеу мекемелері.