Blood Diagnostics Using Machine Learning and Simulations
Autor práce: Mgr. Samuel MolčanŠkoliteľ: doc. RNDr. Katarína Bachratá, PhD.
Dátum obhajoby: 21.8.2024
Študijný program: aplikovaná informatika
Oponent 1: prof. RNDr. Vladimír Janiš, CSc.
Oponent 2: doc. Mgr. Ondrej Šuch, PhD.
Slovenský abstrakt:
Práca skúma inovatívne metódy diagnostiky porúch súvisiacich s krvou pomocou kom
binácie techník strojového učenia a simulácií, najmä so zameraním na analýzu čer
vených krviniek prostredníctvom simulačného modulu ESPResSo. Tento prístup umožňuje
hlboký ponor do pochopenia správania červených krviniek za rôznych fyziologických
podmienok generovaním numerických výstupov zo simulácií. Cieľom je využiť modely
strojového učenia, najmä neurónové siete a náhodné lesy, na analýzu týchto výstupov
na klasifikáciu červených krviniek na základe zmien v ich elasticite, čo môže naznačo
vať prítomnosť porúch krvi. Táto nová metodológia sa snaží preklenúť priepasť medzi
tradičnými diagnostickými technikami a obrovským potenciálom výpočtovej analýzy a
ponúka presnejší a efektívnejší diagnostický nástroj.
Hlavným cieľom práce je presahovať rámec numerickej analýzy údajov transfor
máciou výstupov simulácie do dynamických vizuálnych reprezentácií. Zahŕňa to gen
erovanie videí na zachytenie správania červených krviniek v toku krvi, ktoré sa ďalej
spracúvajú modelmi strojového učenia na účely klasifikácie. Tento duálny prístup,
ktorý zahŕňa numerické aj vizuálne údaje, má za cieľ zlepšiť diagnostický proces
poskytnutím komplexného pohľadu na dynamiku červených krviniek. Využitím pokročilých
techník strojového učenia výskum sľubuje výrazné zlepšenie presnosti krvnej diagnos
tiky, uľahčenie včasnej detekcie a liečby porúch.
Konečný cieľ práce je návrh a trénovanie modelu strojového učenia schopného klasi
f
ikovať červené krvinky s vysokou účinnosťou pomocou video údajov odvodených zo
simulácií. To zahŕňa použitie stratégií hlbokého učenia, aby sa model naučil rozpozná
vať zložité vzorce správania červených krviniek, čím sa položili základy pre vývoj ro
bustného diagnostického rámca. Prostredníctvom tejto inovatívnej integrácie výpoč
tových simulácií, vizuálnej analýzy a umelej inteligencie práca prispieva k pokroku v
diagnostike krvi a otvára dvere pre personalizovanejšie a presnejšie riešenia zdravotnej
starostlivosti pri liečbe porúch súvisiacich s krvou.
Kľúčové slová: neurónové siete, simulácie, elasticita červených krviniek
Anglický abstrakt:
The thesis explores innovative methods for diagnosing blood-related disorders using
a combination of machine learning techniques and simulations, particularly focusing
on the analysis of red blood cells through the ESPResSo simulation module. This
approach enables a deep dive into understanding red blood cell behavior under various
physiological conditions by generating numerical outputs from simulations. The goal
is to employ machine learning models, notably neural networks and random forests,
to analyze these outputs for classifying RBCs based on changes in their elasticity,
which can indicate the presence of blood disorders. This novel methodology seeks
to bridge the gap between traditional diagnostic techniques and the vast potential of
computational analysis, offering a more precise and efficient diagnostic tool.
The thesis’s core goal is to extend beyond numerical data analysis by transforming
the simulation outputs into dynamic visual representations. This involves generating
videos to capture the behaviors of red blood cells in blood flow, further processed by
machine learning models for classification purposes. This dual approach, encompassing
both numerical and visual data, aims to enhance the diagnostic process by providing a
comprehensive view of RBC dynamics. By leveraging advanced machine learning tech
niques, the research promises to significantly improve the accuracy of blood diagnostics,
facilitating early detection and treatment of disorders.
The final goal of the thesis revolves around designing and training a machine learn
ing model capable of classifying red blood cells with high efficiency, using video data
derived from simulations. This involves employing deep learning strategies to teach the
model to recognize complex patterns in red blood cell behavior, laying the groundwork
for developing a robust diagnostic framework. Through this innovative integration of
computational simulations, visual analysis, and artificial intelligence, the thesis con
tributes to the advancement of blood diagnostics, opening the door for more personal
ized and precise healthcare solutions in treating blood-related disorders.
Keywords: neural networks, simulations, red blood cell elasticity
Autoreferát dizertačnej práce
Text práce