У наш час точна діагностика захворювань, їх лікування та прогноз є гострою проблемою сучасної медицини. Вивчаючи інформацію про людські протеїни, можливо ідентифікувати диференційно експресовані білки. Ці протеїни є потенційно цікавими біомаркерами, які слід використовувати для точного діагнозу, прогнозу або вибору індивідуального лікування, особливо в разі онкологічних захворювань. Результати досліджень показують, що відносно мало білків в людському тілі є тканиноспецифічними. Майже половина всіх білків класифікується як допоміжні білки, що експресуються в усіх клітинах. Тільки 2300 білків в організмі людини були ідентифіковані як тканиноспецифічні, що означає, що вони мають підвищені рівні експресії в певних тканинах. Завдяки досягненням в області високопродуктивної мікроскопії зображення генеруються занадто швидко для ручної оцінки. Отже, потреба в автоматизації аналізу біомедичних зображень є як ніколи великою, щоб прискорити розуміння людських клітин і захворювань. Історично класифікація білків обмежувалася індивідуальними паттернами в одному або декількох типах клітин, але для повного розуміння складності людської клітини моделі повинні класифікувати змішані патерни відповідно до кількості різних типів людських клітин. Сформульовано проблему класифікації зображень в медичних дослідженнях. У цій області активно використовуються методи класифікації з використанням глибоких загортальних нейронних мереж. Надано огляд різних підходів і методів подібного дослідження. Як набір даних було взято "Human Protein Atlas", що є тканинною картою протеома людини, складену в 2014 р. після 11 років досліджень. Всі дані профілювання експресії протеїнів є загальнодоступними в інтерактивній базі даних, що надає можливість досліджувати протеом людини на тканинній основі. Проведено аналіз робіт і методів, які використано в ході дослідження. Для вирішення цього завдання запропоновано модель глибокої нейронної мережі (НМ) з урахуванням характеристик домену та досліджуваної вибірки. Модель НМ засновано на архітектурі Inception-<$Enu>3. Процедура оптимізації містить комбінацію декількох методів для швидкої збіжності: стохастичний градієнтний спуск із перезапуском (зміна швидкості навчання для вивчення різних локальних мінімумів), прогресивна зміна розміру зображення (навчання починається з невеликої роздільної здатності та послідовно збільшує її кожен цикл SGDR). Запропоновано новий метод вибору порогу для міри F1. Розроблена модель може бути використана для створення приладу, інтегрованого в медичну систему інтелектуальної мікроскопії, визначення місця розташування білка по високоефективному зображенню.

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"