РЕЗЮМЕ
В статье проводится широкий анализ цифровой трансформации диагностических процессов в современном здравоохранении, инфраструктуры информационно-коммуникационных технологий (ИКТ) в данной области и возможностей применения искусственных нейронных сетей. Актуальность исследования обусловлена необходимостью высокоточного анализа больших объёмов визуальных и цифровых данных, ежедневно формируемых в медицинских учреждениях. Основная цель работы – определение оптимальных математических моделей, обеспечивающих единство клинической диагностики и современных технологических решений. В статье рассматриваются технические процедуры предварительной обработки медицинских изображений, шумоподавления и сегментации, а также роль свёрточных нейронных сетей в диагностической точности. В ходе исследования, в качестве основы для оценки эффективности нейронных сетей, использовались такие математические метрики, как чувствительность и специфичность, а способность системы минимизировать ложноотрицательные результаты была особо подчёркнута. С применением междисциплинарного подхода продемонстрированы перспективы искусственного интеллекта в раннем выявлении заболеваний в таких областях, как радиология, онкология и офтальмология. В заключение обосновывается, что интеллектуальные системы предназначены не для замены врачей, а служат эффективным инструментом «второго мнения», снижающим их рабочую нагрузку на 30–40% и минимизирующим субъективные ошибки в процессе принятия решений. Возможности мультимодального анализа современной ИКТ-инфраструктуры открывают широкие перспективы для создания «единого цифрового профиля пациента» и развития персонализированной медицины в будущем.
Keywords: ИКТ-инфраструктура, искусственный интеллект, нейронные сети, диагностические системы, медицинские данные, цифровое здравоохранение

---

ЛИТЕРАТУРА

1. Əlizadə M.N., Musayev İ.K., Əliyev E.B. Müasir informasiya sistemlərinin idarə olunması (dərslik). Bakı, “MSV” nəşriyyatı, 2016, 237 s.
2. Li Z, Wang L, Wu X, Jiang J, et al. Artificial intelligence in ophthalmology: The path to the real-world clinic // Cell Rep Med. 2023 Jul 18;4(7):101095. doi: 10.1016/j.xcrm.2023.101095.
3. Əlizadə M.N., Bayramov H.M., Məmmədov Ə.S. İnformasiya təhlükəsizliyi (dərslik). Bakı, “İqtisad universiteti” nəşriyyatı, 2016, 384 s.
4. Mazurowski MA, Buda M, Saha A, Bashir MR. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI // J Magn Reson Imaging. 2019 Apr;49(4):939-954. doi: 10.1002/jmri.26534.
5. LeCun Y, Bengio Y, Hinton G. Deep learning // Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.
6. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, et al. A guide to deep learning in healthcare // Nat Med. 2019 Jan;25(1):24-29. doi: 10.1038/s41591-018-0316-z
7. Costin H.-N, Fira M, Goraș L. Artificial Intelligence in Ophthalmology: Advantages and Limits // Appl. Sci. 2025, 15, 1913. doi: 10.3390/app15041913.
8. Hosny A, Parmar C, Quackenbush J, Schwartz LH, et al. Artificial intelligence in radiology // Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5.