MESTERSÉGES INTELLIGENCIA AZ EGÉSZSÉGÜGYBEN: DIAGNOSZTIKAI RENDSZEREK FEJLESZTÉSE

Lieb, Máté (2025) MESTERSÉGES INTELLIGENCIA AZ EGÉSZSÉGÜGYBEN: DIAGNOSZTIKAI RENDSZEREK FEJLESZTÉSE. UNSPECIFIED thesis, UNSPECIFIED.

Text 295701006.pdf - Accepted Version Restricted to Registered users only Download (2MB)

Abstract

Kivonat A dolgozat célja egy mesterséges intelligencia alapú képfeldolgozó prototípus kifejlesztése, amely képes mellkasröntgen-felvételeken az egészséges és beteg esetek közötti különbségtételre, különös tekintettel a tüdőgyulladás és más pulmonológiai elváltozások felismerésére. A kutatás motivációját az egészségügyi rendszerek túlterheltsége, a radiológus szakemberek hiánya és a gyorsabb, megbízhatóbb diagnózis iránti igény adta. A dolgozat során egy saját fejlesztésű konvolúciós neurális hálózat (deep_cnn) került kialakításra, amelyet a nyilvánosan elérhető NIH ChestX-ray14 adathalmazon tanítottam be, CPU-only környezetben. A fejlesztés során figyelembe kellett venni az adatkészlet heterogenitását és a korlátozott erőforrásokat, ezért a modell architektúrája és a tréning folyamata is optimalizálásra került. Az alkalmazott adatpipeline előfeldolgozási és augmentációs lépésekkel biztosította a képminőség és osztályegyensúly fenntartását. A prototípus végül közel 60%-os általános pontosságot ért el a bináris osztályozási feladatban. A teljesítményértékelés során klasszifikációs riport, konfúziós mátrix és Grad-CAM vizualizáció is készült, amely rávilágított a modell döntéseinek alapjául szolgáló képi régiókra. Bár a kapott eredmények még nem klinikai alkalmazásra érettek, a dolgozat jól szemlélteti a mesterséges intelligencia alkalmazásának lehetőségeit az orvosi diagnosztikában, és alapot nyújt a jövőbeli fejlesztésekhez – ideértve a komplexebb modellek használatát, az adathalmaz bővítését, valamint a döntések interpretálhatóságának javítását. Abstract The aim of this thesis is to develop an artificial intelligence-based image processing prototype capable of differentiating between healthy and pathological cases on chest Xray images, with a particular focus on identifying pneumonia and other pulmonary abnormalities. The motivation for this research stems from the overburdened healthcare systems, the shortage of radiologists, and the growing demand for faster, more reliable diagnoses. Throughout the work, a custom-developed convolutional neural network (deep_cnn) was designed and trained on the publicly available NIH ChestX-ray14 dataset in a CPUonly environment. The development process necessitated considering the dataset's heterogeneity and the limited computational resources, which led to the optimization of both the model architecture and the training procedure. The implemented data pipeline incorporated preprocessing and augmentation steps to help maintain image quality and class balance. Ultimately, the prototype achieved an overall accuracy of nearly 60% in the binary classification task. Performance evaluation included a classification report, confusion matrix, and Grad-CAM visualization, which illuminated the image regions serving as the basis for the model's decisions. Although the results obtained are not yet suitable for clinical application, the thesis effectively demonstrates the potential of applying artificial intelligence in medical diagnostics and provides a foundation for future developments – including the use of more complex models, dataset expansion, and improving decision interpretability.

Item Type:	Thesis (UNSPECIFIED)
Additional Information:	MÉRNÖKINFORMATIKUS FOSZK
Divisions:	Informatika Intézet
Depositing User:	Gergely Beregi
Date Deposited:	07 Oct 2026 08:47
Last Modified:	07 Oct 2026 08:47
URI:	http://szakdolgozat.repo.uniduna.hu/id/eprint/2997

Actions (login required)

View Item