80 -9 (95) 2026 - Yakubov Gʻ.A. - MILLIONLAB TASVIRLAR VA KLINIK MAʼLUMOTLARNI TAHLIL QILISH ORQALI KASALLIK NATIJALARINI BASHORAT QILISH

MILLIONLAB TASVIRLAR VA KLINIK MAʼLUMOTLARNI TAHLIL QILISH ORQALI KASALLIK NATIJALARINI BASHORAT QILISH

Yakubov Gʻ.A. - Samarkand State Medical University

Rezyume

Maqsad — klinik radiologiyada tasviriy axborot va bemor haqidagi yozuvlar alohida koʻrilganda prognozning sezgirligi pasayishini kamaytirish va kasallik natijalarini erta baholashga mos multimodal yondashuvni aniqlash. Metodlar — retrospektiv klinik tadqiqotda tasvirlar va klinik koʻrsatkichlar birlashtirildi; maʼlumotlar tozalash, xususiyatlarni moslashtirish, koʻp modalli integratsiya va kalibrlash bosqichlari orqali qayta ishlanib, ichki va tashqi tekshiruvlar bilan solishtirildi. Modelning barqarorligi diskriminatsiya va kalibrlanish mezonlari asosida baholandi. Natijalar — birlashtirilgan yondashuv alohida tasvir yoki faqat klinik maʼlumotlarga tayangan tahlilga nisbatan ajratish qobiliyatini oshirdi; tashqi markazda ham kalibrlanish ogʻishi 12,4 % ga kamaydi, noaniq xavf guruhidagi xatoliklar 9,5 % ga qisqardi. Shu bilan birga, multimodal hisob-kitoblar yuqori xavfli bemorlarni erta ajratishda barqarorroq boʻldi va qaror chegarasi kamroq siljidi. Xulosa — tasvirlar bilan klinik belgilarning birlashtirilishi prognozni aniqroq qiladi, ayniqsa turli markazlardan olingan maʼlumotlarda. Ilmiy hissa sifatida tashqi muhitda ham kalibrlanishini saqlaydigan multimodal baholash sxemasi tavsiya etildi, bu esa radiologik hisobotga prognostik indikatorlarni bosqichma-bosqich kiritish uchun asos yaratadi.

Kalit soʻzlar: chuqur oʻqitish, kalibrlanish, koʻp modalli integratsiya, kompyuter tomografiyasi, magnit-rezonans tomografiyasi, xavf tabaqalanishi.

First page

545

Last page

552

For citation:Yakubov Gʻ.A. - MILLIONLAB TASVIRLAR VA KLINIK MAʼLUMOTLARNI TAHLIL QILISH ORQALI KASALLIK NATIJALARINI BASHORAT QILISH//New Day in Medicine 9(95)2026 545-552 https://newdayworldmedicine.com/en/new_day_medicine/9-95-2026

ADABIYOTLAR RO’YXATI

1. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. — 2017. — Vol.542. — №7639. — P. 115-118. DOI: 10.1038/nature21056
2. Rajpurkar P., Irvin J., Zhu K. et al. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning // arXiv. — 2017. — arXiv:1711.05225. URL: https://arxiv.org/abs/1711.05225 (murojaat sanasi: 14.08.2026)
3. Gulshan V., Peng L., Coram M. et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs // JAMA. — 2016. — Vol.316. — №22. — P. 2402-2410. DOI: 10.1001/jama.2016.17216
4. Ting D.S.W., Cheung C.Y.-L., Lim G. et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations with Diabetes // JAMA. — 2017. — Vol.318. — №22. — P. 2211-2223. DOI: 10.1001/jama.2017.18152
5. McKinney S.M., Sieniek M., Godbole V. et al. International evaluation of an AI system for breast cancer screening // Nature. — 2020. — Vol.577. — №7788. — P. 89-94. DOI: 10.1038/s41586-019-1799-6
6. Ardila D., Kiraly A.P., Bharadwaj S. et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography // Nature Medicine. — 2019. — Vol.25. — №6. — P. 954-961. DOI: 10.1038/s41591-019-0447-x
7. Hosny A., Parmar C., Quackenbush J., Schwartz L.H., Aerts H.J.W.L. Artificial intelligence in radiology // Nature Reviews Cancer. — 2018. — Vol.18. — №8. — P. 500-510. DOI: 10.1038/s41568-018-0016-5
8. Litjens G., Kooi T., Bejnordi B.E. et al. A survey on deep learning in medical image analysis // Medical Image Analysis. — 2017. — Vol.42. — P. 60-88. DOI: 10.1016/j.media.2017.07.005
9. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nature Medicine. — 2019. — Vol.25. — №1. — P. 44-56. DOI: 10.1038/s41591-018-0300-7
10. Esteva A., Robicquet A., Ramsundar B. et al. A guide to deep learning in healthcare // Nature Medicine. — 2019. — Vol.25. — №1. — P. 24-29. DOI: 10.1038/s41591-018-0316-z

    file

    download