Autorius: YARASLAU PADREZ
Disertacijos pavadinimas: Mašininiu mokymusi grindžiama vėžio ir fibrozės diagnostika taikant antrosios harmonikos generavimo mikroskopiją
Mokslo sritis: Fizika N 002
Mokslinis vadovas: dr. Renata Karpič
Gynimo data: 2025-09-17
ANOTACIJA: Šis darbas tiria plačiojo lauko antrosios harmonikos generavimo (SHG) mikroskopijos ir mašininio mokymosi (ML) algoritmų integravimą skydliaukės vėžio ir fibrözės, susijusios su onkologinėmis ligomis, diagnostikai. SHG mikroskopija, etikečių nereikalaujantis vaizdavimo metodas, buvo panaudota plaučių audinių, paveiktų plaučių arterinės hipertenzijos (PAH), ir skydliaukės karcinomos mazgų kolageno tinklo struktūrų vaizdavimui. SHG vaizdų statistinė ir tekstūrinė analizė atskleidė PAH būdingus kolageno pertvarkymo etapus, parodant šio metodo potencialą kaip neardančiosios fibrözės vertinimo priemonės PAH ir susijusių plaučių ligų atveju. Skydliaukės patologijoje poliarizaciniu būdu atlikta SHG mikroskopija, derinta su neprižiūrimuoju mašininiu mokymusi, leido kiekybiškai įvertinti kolageno kapsulės heterogeniškumą ir kolageno ultrastruktūrą papiliiniuose skydliaukės karcinomuose bei nustatyti nesugadytas, invazines ir mikroinvazines zonas, kurios dažnai praleidžiamos įprastinės histologijos metu. Be to, prižiūrimieji ML modeliai, ypač C-parametrų vektorinės klasifikacijos metodas ir daugiasluoksnio perceptrono (giliojo mokymosi) modelis, efektyviai atskyrė folikulinius skydliaukės karcinomus nuo papilinių, nepaisant didelio duomenų triukšmo, ir pasiekė patikimą diagnostinį tikslumą. Tyrimas pabrėžia, kad SHG mikroskopija, sustiprinta mašininiu mokymusi, yra efektyvi papildoma diagnostinė priemonė, galinti pagerinti diagnostikos tikslumą, sumažinti stebėtojo įtaką ir palaikyti automatizuotų klasifikavimo sistemų kūrimą.
Metai: 2025.