Abstract
В статье рассматривается применение методов машинного обучения для автоматизированного выявления патологических клеток и структурных изменений лёгочной ткани на основе компьютерно-томографических изображений. Актуальность исследования обусловлена высокой распространённостью заболеваний лёгких и необходимостью ранней, точной и объективной диагностики, особенно в условиях роста объёмов медицинских данных и ограниченных ресурсов клинической практики. Традиционная интерпретация КТ-снимков требует значительных временных затрат и подвержена влиянию человеческого фактора, что стимулирует внедрение интеллектуальных систем поддержки принятия решений. В работе предложен комплексный подход, включающий многоэтапную предварительную обработку изображений (нормализация, подавление шумов, контрастное усиление, сегментация лёгочной ткани), а также применение и сравнительный анализ различных моделей машинного обучения. В качестве основных алгоритмов использованы конволюционные нейронные сети (CNN), метод опорных векторов (SVM) и ансамблевый метод Random Forest. Для оценки эффективности моделей применялись метрики Accuracy, Precision, Recall, F1-score и ROC-AUC. Экспериментальные результаты показали, что наилучшие показатели точности и устойчивости демонстрируют модели на основе CNN, способные автоматически извлекать сложные пространственно-текстурные признаки патологий. Полученные данные подтверждают перспективность использования методов машинного обучения для повышения качества диагностики заболеваний лёгких и могут быть использованы при разработке клинических систем автоматизированного анализа медицинских изображений.