V ponedeljek, 9. decembra 2024, je Alenka Trpin uspešno zagovarjala doktorsko disertacijo z naslovom »Metrično učenje s hiperbolično metriko v algoritmih strojnega učenja za aplikacijo v onkologiji«.
Komisijo za zagovor sta sestavljala izr. prof. dr. Borut Lužar in izr. prof. dr. Zoran Levnajić.
Doktorsko disertacijo pa je izdelala pod mentorstvom prof. dr. Biljane Mileve Boshkoske in somentorstvom doc. dr. Tanje Mesti.
Povzetek doktorske disertacije:
Strojno učenje, podmnožica umetne inteligence, omogoča sistemom, da se samostojno učijo in prilagajajo brez stalnega človeškega nadzora, pri čemer uporabljajo algoritme za obdelavo podatkov, prepoznavanje vzorcev in izboljševanje delovanja na podlagi izkušenj. To omogoča modelom, da izboljšajo svojo natančnost in učinkovitost napovedovanja, zaradi česar so primerni za dinamične in zapletene naloge.
V tej disertaciji je predstavljen nov pristop k neodvisni in učinkoviti klasifikaciji slik, ki združuje elemente konvolucijskih nevronskih mrež (CNN), hiperbolične geometrije in ekstrakcije atributov. V nasprotju z obstoječimi metodami, ki običajno temeljijo na eni od teh tehnik, naš integrirani pristop združuje njihove prednosti, da bi dosegel vrhunsko učinkovitost. Poleg tega smo na podlagi prvotnega pristopa razvili izpeljane metode, ki so izboljšale vložitev podatkov v prostor. Vse predlagane tehnike so bile empirično ovrednotene na podatkovni množici slik in številčnih podatkih ter so v primerjavi z osnovnimi metodami pokazale boljšo učinkovitost. Primerjalna analiza je potrdila, da naš pristop dosega večjo klasifikacijsko natančnost kot tradicionalne tehnike.
Zaradi ključne vloge natančnih in učinkovitih diagnostičnih orodij v onkologiji, kjer je treba obdelati velike količine podatkov iz različnih preiskav bolnikov, je razvoj zanesljivih algoritmov bistvenega pomena za učinkovito diagnosticiranje in zdravljenje raka. Ta doktorska disertacija se posebej ukvarja s klasifikacijo slik raka in se osredotoča na razlikovanje med benignimi in malignimi spremembami, kar je bistvena naloga za zgodnje odkrivanje in zdravljenje raka. Empirični rezultati so pokazali, da je vložitev podatkov v hiperbolični prostor v kombinaciji z metodo za učenje razdalje LMNN (Large Margin Nearest Neighbours) in uporabo Poincaréjeve razdalje v algoritmu k-najbližjih sosedov (kNN) dala primerljive ali boljše rezultate v primerjavi s tradicionalnimi tehnikami klasifikacije. Naše ugotovitve kažejo, da imata vložitev v hiperbolični prostor in metrično učenje potencial za izboljšanje klasifikacije slik v onkologiji ter ponujata obetavno smer za nadaljnje raziskave in razvoj aplikacij v zdravstvu.
Iskrene čestitke!
