XÜLASƏ
Məqalədə müasir səhiyyə sistemində diaqnostik proseslərin rəqəmsal transformasiyası, bu sahədə informasiya-kommunikasiya texnologiyalarının (İKT) infrastrukturu və süni neyron şəbəkələrinin tətbiqi imkanları geniş təhlil olunur. Tədqiqatın aktuallığı tibbi müəssisələrdə hər gün formalaşan böyük həcmli vizual və rəqəmsal verilənlərin yüksək dəqiqliklə analiz edilməsi zərurətindən qaynaqlanır. İşin əsas məqsədi klinik diaqnostika ilə müasir texnoloji həllərin vəhdətini təmin edən optimal riyazi modellərin müəyyən edilməsidir. Yazıda tibbi təsvirlərin ön emalı, küyün kənarlaşdırılması və seqmentasiyası kimi texniki prosedurlar, həmçinin Konvolyusiya Neyron Şəbəkələrinin diaqnostik dəqiqlikdəki rolu araşdırılmışdır. Tədqiqat zamanı neyron şəbəkələrinin səmərəliliyini qiymətləndirmək üçün həssaslıq və spesifiklik kimi riyazi metriklər əsas götürülmüş, sistemin yalançı mənfi nəticələri minimallaşdırma qabiliyyəti xüsusi vurğulanmışdır. Fənlərarası yanaşma tətbiq edilərək, süni intellektin radiologiya, onkologiya və oftalmologiya kimi sahələrdə xəstəliklərin erkən aşkarlanmasındakı perspektivləri nümayiş etdirilmişdir. Nəticə olaraq əsaslandırılır ki, intellektual sistemlər həkimləri əvəz etmək deyil, onların iş yükünü 30-40% azaldan və qərar qəbul etmə prosesində subyektiv səhvləri minimuma endirən effektiv bir "ikinci rəy" vasitəsidir. Müasir İKT infrastrukturunun multimodal analiz imkanları gələcəkdə "vahid rəqəmsal xəstə profili"nin yaradılmasına və fərdi təbabətin inkişafına geniş yol açır.
Açar sözlər: İKT infrastrukturu, süni intellekt, neyron şəbəkələri, diaqnostik sistemlər, tibbi məlumatlar, rəqəmsal səhiyyə

---

ƏDƏBİYYAT

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.