Oldal címe
SikertörténetekLSTM, U-NET és RL alapú modellezés kiber-medikai célra GPU-val
Címlapos tartalom
Dénes-Fazakas Lehel
Az Óbudai Egyetem Élettani Szabályozások Kutatóközpontjában dolgozom kutató mérnökként; itt mesterségesintelligencia-alapú modelleken dolgozom az orvostudomány szolgálatában.
Oktatási tevékenységem az egyetem Neumann János Informatika Kara (az Óbudai Egyetem része) mesterséges intelligencia szakirányához kapcsolódik: Bevezetés a gépi tanulásba, Mély neurális hálózatok és Bevezetés a gépi látásba című tantárgyakat tartok.
Ezen a projekten dolgozva arra törekedtem, hogy a mesterséges intelligencia eszköztárát a diabéteszkezelés és az orvosi képalkotás szolgálatába állítsam.
Az egyik legizgalmasabb fejlesztés egy megerősítéses tanuláson (RL) alapuló inzulinvezérlő volt: szimulált betegek vércukor‑adatain tanítottam, és a jutalomfüggvény finomhangolásával stabil „Time in Range” értékeket értem el. A kutatócsoporttal publikáltuk, hogy a PPO‑alapú vezérlő 73 % körüli TIR‑t produkált, ami ígéretes irány az automatizált inzulinpumpákhoz. Az algoritmus valós idejű futásához Numba‑gyorsított paraméterbecslést készítettem; cikkünk kimutatta, hogy a CPU‑ és GPU‑megvalósítás nagyságrendekkel csökkentette a futási időt.
A másik pillérben az orvosi képfeldolgozás felé fordultam: 6 hónapos csecsemők többspektrális MRI‑felvételein U‑Net hálózatot tanítottam, amely a szürke‑ és fehérállományt, valamint a liquor területeit automatikusan elkülönítette. Az eredmények publikált Dice‑pontszámai 92,7–87,0 % között mozogtak, ami alátámasztotta a módszer klinikai potenciálját
A projektben kipróbáltam LSTM‑alapú nyelvmodelleket is a beteg‑orvos kommunikáció támogatására, és elindítottam egy kutatást, amely a vezetési stílus alapján becsüli a sofőr mentális állapotát. Összességében három tudományos cikk született: a Numba‑gyorsított paraméterbecslés, az RL‑vezérlő és az U‑Net alapú szegmentálás eredményei jelentek meg.
