Готовый отчет по практике: гибридный ИИ для медицины

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ	3
ОСНОВНАЯ ЧАСТЬ	5
1. Постановка задачи исследования	5
1. Определение проблемной ситуации	5
2. Формулирование цели исследования	6
3. Определение задач исследования	6
2. Методы выявления и решения проблемной ситуации	7
2.1. Аналитические методы	7
1. Изучение научно-технической литературы	7
2. Анализ существующих программных решений	7
3. Сравнительный анализ методов обработки неопределённости	8
2.2. Практические методы исследования	8
1. Экспертные оценки	8
2. Моделирование ситуаций	8
3. Анализ медицинских данных	8
2.3. Методы решения проблемной ситуации	9
1. Разработка архитектуры гибридной системы	9
2. Формирование функций принадлежности	9
3. Создание базы экспертных правил	9
4. Интеграция глубоких нейронных сетей	9
5. Разработка интерфейса	10
3. Новые технологии, способствующие решению исследуемой проблемы	10
3.1. Фреймворки глубокого обучения	10
3.2. Библиотеки нечёткой логики	10
3.3. Гибридные технологии	10
3.4. Технологии обработки данных	10
3.5. Визуализация	10
3.6. Интеграционные технологии	10
ЗАКЛЮЧЕНИЕ	12
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ	14


ВВЕДЕНИЕ

Научно-исследовательская практика является важным этапом подготовки к выполнению выпускной квалификационной работы и направлена на развитие профессиональных навыков, исследовательской компетентности, а также на проверку готовности студента к самостоятельному решению научно-практических задач. Тема предстоящей выпускной квалификационной работы — «Разработка системы искусственного интеллекта, основанной на применении нечетких моделей и методов, а также глубоких нейронных сетей для анализа данных в медицине» — определяет содержание аналитической и практической деятельности, выполняемой в ходе практики.

Научно-исследовательская практика является важным этапом подготовки к выполнению выпускной квалификационной работы и направлена на развитие профессиональных навыков, исследовательской компетентности, а также на проверку готовности студента к самостоятельному решению научно-практических задач. Тема предстоящей выпускной квалификационной работы — «Разработка системы искусственного интеллекта, основанной на применении нечетких моделей и методов, а также глубоких нейронных сетей для анализа данных в медицине» — определяет содержание аналитической и практической деятельности, выполняемой в ходе практики.
В процессе прохождения практики была сформулирована постановка задачи исследования, заключающаяся в изучении теоретических и прикладных принципов построения интеллектуальных систем, ориентированных на обработку медицинских данных, содержащих неопределённость, шумы, пробелы и качественные характеристики. Особое внимание уделено анализу проблемной ситуации, связанной с ограниченными возможностями традиционных детерминированных методов при работе с медицинской информацией, которая часто представлена в виде нечётких, лингвистических или частично неполных описаний симптомов, показателей и клинических наблюдений. На основе исследования существующих систем необходимо определить, какие недостатки современных алгоритмов требуют внедрения гибридных подходов, объединяющих нечеткую логику и глубокие нейронные сети.
Методы выявления и решения обозначенной проблемы включают анализ научно-технической литературы в области нечетких систем, глубокого обучения и медицинской аналитики, изучение существующих моделей и программных платформ, а также сравнительный анализ методов работы с неопределёнными и плохо структурированными медицинскими данными. В ходе практики проводится оценка эффективности различных подходов, что позволяет определить наиболее перспективные направления для разработки интеллектуальной системы, способной адаптивно и надёжно обрабатывать многомерные медицинские данные различного формата.
Особое внимание уделено современным технологиям, которые могут быть применены при создании гибридной системы искусственного интеллекта. Среди них — библиотеки для построения глубоких нейронных сетей, инструменты моделирования нечетких систем, методы гибридного интеллекта, объединяющие интерпретируемость нечеткой логики с высокой точностью глубоких моделей, а также технологии машинного обучения, позволяющие эффективно анализировать шумные и незавершённые медицинские данные. Использование этих технологий создаёт условия для разработки интеллектуальной системы нового поколения, способной поддерживать врачей в процессе диагностики, прогнозирования и принятия решений.
Таким образом, преддипломная практика позволила всесторонне изучить предмет исследования, определить ключевые направления дальнейшей работы, а также заложить теоретическую и методологическую основу для подготовки выпускной квалификационной работы.
ОСНОВНАЯ ЧАСТЬ

В ходе научно-исследовательской практики была выполнена комплексная работа, направленная на изучение теоретических и прикладных основ разработки гибридных интеллектуальных систем, предназначенных для анализа медицинских данных в условиях неопределённости. Основное внимание уделялось исследованию нечеткой логики, особенностям построения систем нечёткого вывода, а также современных архитектур глубоких нейронных сетей, способных обрабатывать многомерные, частично неполные и разнородные данные, характерные для медицинской сферы.
В рамках практики была сформулирована постановка задачи исследования, включающая необходимость разработки интегрированной системы искусственного интеллекта, сочетающей возможности нечетких моделей и глубоких нейронных сетей. Проведён анализ проблемной ситуации, выявивший существенные ограничения традиционных методов обработки данных при работе с клинической информацией, содержащей субъективные, текстовые или неопределённые параметры. На основе изучения научных публикаций, программных инструментов и существующих решений были определены основные подходы к обработке неопределённости и методы построения гибридных моделей.
Особое внимание уделялось анализу технологий, применимых в медицинской аналитике: инструментов для построения нейронных сетей, библиотек и платформ для реализации нечётких систем, моделей нейро-нечёткого вывода, а также методов оптимизации параметров гибридных систем. Исследование современных фреймворков подтвердило актуальность интеграции глубокого обучения с нечеткой логикой, поскольку такое объединение позволяет добиться высокой точности модели и сохранить её интерпретируемость — критически важную для медицинских решений характеристику.
Полученные результаты стали значимым этапом подготовки к выполнению выпускной квалификационной работы. Практика позволила систематизировать теоретические сведения, провести критический анализ современных методов искусственного интеллекта, определить научные и технологические направления дальнейшего исследования и сформировать концептуальную основу для разработки гибридной интеллектуальной системы, ориентированной на поддержку диагностических и прогностических задач в медицине. Выполненная аналитическая работа и накопленный исследовательский опыт будут использованы при проектировании и реализации программного прототипа в рамках ВКР.

Дюбуа Д., Прад А. Теория возможностей: применение к представлению знаний в системах искусственного интеллекта. — М.: Мир, 2020. — 286 с.
Заде Л. А. Понятие лингвистической переменной и её применение к принятию приближённых решений. — М.: Мир, 2024. — 167 с.
Кофман А. Введение в теорию нечётких множеств. — М.: Радио и связь, 2020. — 432 с.
Колесников А. А. Системы нечёткого управления: Теория и практика. — СПб.: БХВ-Петербург, 2024. — 448 с.
Мамдани Э., Асилиан С. Нечёткие системы управления. — М.: Наука, 2023. — 312 с.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия — Телеком, 2023. — 452 с.
MATLAB Fuzzy Logic Toolbox. User’s Guide. — MathWorks, 2020.
Ross T. J. Fuzzy Logic with Engineering Applications. — 4th ed. — Wiley, 2024. — 585 p.
Jang J.-S. R., Sun C.-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. — Prentice Hall, 2023. — 614 p.
Pedrycz W., Gomide F. Fuzzy Systems Engineering: Toward Human-Centric Computing. — Wiley, 2020. — 480 p.