<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Програмні засоби для діагностування захворювань

Ескіз

Файли

176020.pdf (466,93 KB)

Дата

2025

Автори






Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Альтернативна назва

Software for disease diagnostics

Анотація

У роботі проаналізовано програмні засоби для діагностування захворювань.
The paper analyzes software tools for diagnosing diseases

Опис

Ключові слова

діагностика , медичні зображення , інтелектуальні чат-боти , телемедицина , diagnostics , medical imaging , intelligent chatbots , telemedicine

УДК

004.92

Тип документа

Thesis

Мова

uk

Є частиною

Міжнародна науково-технічна конференція з оптико-електронних інформаційних технологій «ФОТОНІКА − ODS 2025», Вінниця, 23–24 квітня 2025 р.

ISSN

Посилання на публікацію

https://conferences.vntu.edu.ua/index.php/ods/ods_2025/paper/viewFile/24731

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Романюк О. Н., Завальнюк Є. К., Тітова Н. В., Романюк С. О. Програмні засоби для діагностування захворювань // Міжнародна науково-технічна конференція з оптико-електронних інформаційних технологій «ФОТОНІКА − ODS 2025», Вінниця, 23–24 квітня 2025 р. Електрон. текст. дані. 2025. URI: https://conferences.vntu.edu.ua/index.php/ods/ods_2025/paper/viewFile/24731.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/46350

Зібрання

Наукові видання каф. ПЗ

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (18)

  1. О. Романюк, Є. Завальнюк, Р. Чехместрук, Н. Тітова, та С. Романюк, “Використання тривимірного моделювання для проведення хірургічних операцій,” у Актуальні завдання медичної, біологічної фізики та інформатики. Матеріали доповідей та виступів ІІ всеукраїнської науково-практичної конференції з міжнародною участю, 2023, с. 18–22.
  2. D. S. Kermany, M. Goldbaum, W. Cai, et al., “Identifying medical diagnoses and treatable diseases by image-based deep learning,” Cell, vol. 172, no. 5, pp. 1122–1131.e9, Feb. 2018.
  3. B. Rajpurkar, J. Irvin, K. Zhu, et al., “CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning,” arXiv preprint arXiv:1711.05225, 2017.
  4. G. D. Clifford, F. Azuaje, and P. E. McSharry, Advanced Methods and Tools for ECG Data Analysis, Norwood, MA, USA: Artech House, 2006.
  5. M. Esteva, B. Kuprel, R. A. Novoa, et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115–118, Feb. 2017.
  6. J. D. Kansagara, H. A. Englander, A. Salanitro, et al., “Risk prediction models for hospital readmission: A systematic review,” JAMA, vol. 306, no. 15, pp. 1688–1698, Oct. 2011.
  7. K. D. Mandl and I. S. Kohane, “Time for a patient-driven health information economy?,” N. Engl. J. Med., vol. 374, no. 3, pp. 205–208, Jan. 2016.
  8. E. J. Topol, Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again, New York, NY, USA: Basic Books, 2019.
  9. “ UpToDate.” UpToDate.com. Accessed: April 24, 2025. [Online.] Available: https://www.uptodate.com/login
  10. “ DXPlain.” mghlcs.com. Accessed: April 24, 2025. [Online.] Available: https://www.mghlcs.org/projects/dxplain