Oldal címe
SikertörténetekMesterséges Intelligencia fejlesztés az orvoslásba
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.
A projektem célha, hogy az orvoslás különböző területeire gyakorlati AI‑megoldásokat állítsak elő. Kidolgoztam egy magyar nyelvű orvosi chatbotot, amely weben és mobilalkalmazáson keresztül válaszol a betegek kérdéseire. A Information folyóiratban megjelent „Advancing Medical Assistance: Developing an Effective Hungarian‑Language Medical Chatbot with Artificial Intelligence” cikkünkben bemutattuk, hogy a chatbot hiánypótló eszköz a magyar nyelvű felhasználóknak. A cikk részletesen ismerteti, hogyan készítettük el a szöveges adatbázist, milyen algoritmusokkal dolgoztuk fel a beviteli szöveget (BERT‑alapú szövegfeldolgozással), és hogy a rendszer több mint 90 %-os pontossággal ad választ.
A diabéteszes betegek támogatására folytattam az aktivitás‑detektáló és vércukor‑előrejelző rendszerek fejlesztését: LSTM‑hálózatokat tanítottam a glükózszint előrejelzésére, és genetikus algoritmusokkal optimalizáltam az inzulinpumpa beállításait.
Egy dialektusfordító modult is létrehoztam, hogy a regionális nyelvjárások ne akadályozzák a klinikai kommunikációt; erről CINTI 2023 konferenciacikk jelent meg. A képalkotó diagnosztika terén továbbfejlesztettem az agyi MRI‑ és tüdőröntgen‑felvételek szegmentálását és osztályozását; ezek a módszerek a tüdőbetegségek és az Alzheimer‑kór korai felismerését segítik.
A projekt során több mint tíz publikáció született. A chatbottal kapcsolatos Information folyóiratcikken kívül konferenciacikkeket publikáltunk az okos inzulinpumpák genetikus algoritmusos optimalizálásáról, a dialektusfordítóról és a tüdőkép‑osztályozó rendszerekről. Eredményeink rávilágítottak arra, hogy a BERT‑ és LSTM‑alapú modellek kellően erősek a magyar orvosi nyelv feldolgozásához, így nagy nyelvi modellre nem volt szükség.
