(ШІ) для автоматичної діагностики на основі МРТ/КТ знімків

Система повинна самообучатися при підключенні до баз даних медичних установ, аналізуючи зображення та текстові діагнози для точної діагностики та прогнозування захворювань. Основні функції MVP 

1. Обробка медичних зображень: • Завантаження та попередня обробка зображень МРТ та КТ форматів (DICOM та інші). • Автоматичний аналіз зображень та виділення патологій. 
2. Аналіз текстових даних: • Витягування інформації з текстових описів діагнозів. • Співвідношення текстової інформації з зображеннями для навчання та покращення діагностики. 
3. Самообучення та адаптація: • Постійне самообучення ШІ на основі нових даних з підключених баз даних. • Аналіз зворотного зв'язку від лікарів та адаптація моделей на основі цієї інформації. 
4.  Інтерфейс користувача: • Вспливаюче вікно з результатами аналізу при відкритті зображення. • Поле для коментарів від лікаря з можливістю голосового вводу.                                                                          Технічні вимоги 1. Модель обробки зображень: • Використання попередньо навчених моделей для аналізу медичних зображень, таких як U-Net та ResNet. • Інтеграція з бібліотеками PyTorch та TensorFlow. 2. Модель обробки тексту: • Використання моделей NLP для аналізу текстових діагнозів, таких як BERT та BioBERT. • Інтеграція з бібліотеками Hugging Face Transformers. 3. Інфраструктура та інтеграція: • Хмарне зберігання даних та обробка на серверах (наприклад, AWS, Google Cloud). • Інтеграція з API баз даних медичних установ для автоматичного збору даних. 4. Інтерфейс користувача: • Розробка веб-інтерфейсу на основі сучасних технологій (React, Angular). • Реалізація функцій для взаємодії з лікарями (вспливаючі вікна, коментарі). Етапи реалізації 1. Збір даних: • Налаштувати API для доступу до баз даних медичних установ. • Зібрати та анонімізувати дані для навчання моделей. 2. Розробка моделей: • Налаштувати та навчити попередньо навчені моделі для аналізу зображень (U-Net, ResNet). • Налаштувати та навчити попередньо навчені моделі для аналізу текстів (BERT, BioBERT). • Об'єднати результати аналізу зображень та текстів для покращення точності діагностики. 3. Інтеграція та тестування: • Інтегрувати моделі в єдиний продукт. • Провести тестування на реальних даних та покращити алгоритми на основі результатів. 4. Розробка інтерфейсу: • Створити прототип користувацького інтерфейсу. • Інтегрувати інтерфейс з основними функціями ШІ (вспливаючі вікна, коментарі). 5. Самообучення та адаптація: • Налаштувати механізми самообучення на основі нових даних. • Реалізувати систему аналізу зворотного зв'язку від лікарів для покращення моделей.