Анотація

Метою дослідження було оцінити результативність методів комп’ютерного бачення в діагностиці абдомінальних патологій. Методологія включала пошук матеріалів у базах даних з охопленням публікацій з 2019 по вересень 2025 року, що описували застосування архітектур згорткових нейронних мереж, методів сегментації та мультимодальних підходів до аналізу медичних зображень. Розглянуті дані показали, що архітектури DenseNet-201 та EfficientNetV2M досягали точності 97,1-99,4 % у класифікації ендоскопічних уражень, перевершивши показники AlexNet та ResNet-101. Системи на основі згорткових нейронних мереж продемонстрували діагностичні характеристики, співмірні з експертами (відношення діагностичних шансів 1,03), із чутливістю 84,8-94,3 % та площею під кривою 0,95-0,98 у виявленні колоректальних поліпів. Мультимодальні підходи, зокрема ієрархічна повнозгорткова нейронна мережа для позитронно-емісійної томографії-комп’ютерної томографії та система ENDOANGEL-MM для ендоскопії, забезпечили підвищення точності на 21 % порівняно з одномодальними моделями. Автоматизовані системи сегментації скоротили час аналізу на 92,8 % при збереженні коефіцієнта подібності Дайса 0,936-0,965 та зменшили міжекспертну варіабельність з 7,78 % до 4,10 %. У сфері критичної діагностики моделі виявлення травм паренхіматозних органів показали варіативність ефективності залежно від органу (характеристична крива «чутливість-специфічність» 0,841-0,945, чутливість 0,736-0,862). Комбінована модель досягла найвищих показників – точність 0,954 та специфічність 0,966, підтверджуючи придатність для первинного скринінгу. Методи аугментації даних і багатозадачного навчання підвищили точність на 15-17,6 % для рідкісних патологій, а доменна рандомізація забезпечила приріст коефіцієнта подібності Дайса до 15,8 % на незалежних даних. Практична значимість результатів полягає у можливості застосування їх медичними закладами для впровадження систем автоматизованої діагностики, оптимізації робочих процесів радіології та підвищення стандартизації клінічних висновків, що сприятиме скороченню часу до початку лікування та зменшенню діагностичних помилок