Математическая модель гибридных архитектур CNN–GAN для автоматизированной диагностики в условиях ограниченного объёма данных
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Новые информационные технологии
Статья в выпуске: 1 (93) т.24, 2026 года.
Бесплатный доступ
В работе рассматривается задача автоматизированной диагностики редких онкологических заболеваний по медицинским изображениям с использованием гибридных архитектур, объединяющих сверточные нейронные сети и генеративно-состязательные сети. Основное внимание уделяется строгой математической формализации процесса, включая описание структуры данных, процедуры стратификации, методов препроцессинга и генерации синтетических изображений для увеличения обучающих выборок. Предлагается подход, в котором для каждого реального положительного примера создаются дополнительные синтетические изображения, что позволяет компенсировать дисбаланс классов и улучшить качество классификации при ограниченном объёме исходных данных. Приведённая модель исключает неоднозначность, характерную для вербальных описаний, обеспечивает воспроизводимость результатов и создаёт основу для последующей оптимизации архитектур в сценариях с малым количеством примеров. Перспективы работы связаны с интеграцией гибридных моделей в клиническую практику, исследованием влияния параметров генерации на точность диагностики и адаптацией подхода к различным видам редких патологий.
Короткий адрес: https://sciup.org/140316415
IDS: 140316415 | УДК: 004.94 | DOI: 10.18469/ikt.2026.24.1.06
A mathematical model of hybrid CNN–GAN architectures for automated diagnostics under data limited conditions
This paper addresses the problem of automated diagnosis of rare oncological diseases using medical imaging data with hybrid architectures combining Convolutional Neural Networks and Generative Adversarial Networks. The study focuses on a rigorous mathematical formalization of the entire pipeline, including data structure description, stratification procedures, preprocessing methods, and synthetic image generation to augment training datasets. The proposed approach generates additional synthetic images for each real positive example, thus compensating for class imbalance and improving classification accuracy under limited data conditions. The presented framework eliminates the ambiguity typical of purely verbal problem formulations, ensures reproducibility of results, and provides a foundation for optimizing hybrid architectures in few-shot learning scenarios. Future research directions include integrating the proposed approach into clinical workflows, investigating the impact of synthetic data parameters on diagnostic performance, and adapting the methodology to various types of rare pathologies.
