PIJÁČEK, Š. Klasifikace nemoci na rentgenových snímcích pomocí umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student přistupoval k práci aktivně, pravidelně konzultoval postup a přicházel s novými nápady. Teoretická část je dobře zpracována. Zde jsou popsány různé přístupy a moderní architektury neuronových sítí, zaměřených na klasifikaci rentgenových snímků. V praktické časti student popisuje navrženou architekturu, která je založena na kapsulové neuronové síti. Momentálně není moc vědeckých prací, které by aplikovali tento typ sítě na danou problematiku. Zprovozněné experimenty demonstrují chování kapsulových sítí na komplexním datasetu, což považuji za přínos práce. Navíc, student uvedl možné důvody, proč se nepodařilo dosáhnout lepších výsledků. Navržená síť byla porovnána s existujícími architekturami. Výsledky jsou reprezentovány a okomentovány. Zadání práce považuji za splněno. Po formální stránce, práce obsahuje typografické a gramatické chyby. I přes zmíněny výtky, hodnotím práci známkou A/90b.
Student v teoretické části popsal použité modely neuronových sítí, uvedl existující řešení pro klasifikaci rentgenových snímků hrudníku a popsal návrh vlastní architektury pro klasifikační úlohu, jenž klasifikuje 14 druhů onemocnění. V praktické části poté návrh realizoval a výsledky klasifikace porovnal s existujícími řešeními. Práce obsahuje po formální stránce mnoho nedostatků: klíčová slova nejsou seřazena dle abecedy, do abstraktu se obvykle uvádí přímo výsledky dosažené studentem, nikoliv odkaz na samotnou práci, literatura není seřazena dle pořadí citování v rámci práce, odkaz na obrázek se neprovádí větou „(…) can be found in image down bellow.“, nýbrž číselným odkazem a v některých pasážích praktické části je použita ich forma. Po stránce gramatické se v českém rozšířeném abstraktu vyskytují chybná slovní spojení (byla maximalizováno, přístup je podpořeno) a překlep (coý). V samotné anglicky psané práci se potom vyskytují chybná slova a překlepy (miss interpretation - misinterpretation, miss treatment - mistreatment, seep – seed, maid – made…). Vyskytují se chyby ve skladbě vět, časech sloves, předložkách a členech. Občas se vyskytne věta, která nedává smysl („This is done based on the simple is a statement (…)“). Obecně pravopisné a formální chyby nebrání porozumění textu. Po stránce faktické práce vhodným způsobem představuje použité modely a následně je implementuje. Proces experimentu je dobře popsán, zdrojové kódy jsou logicky a přehledně členěny a v případě potřeby doplněny komentáři. Student prokázal porozumění a vhodné použití frameworků pro hluboké učení. Faktický rozpor práce obsahuje ve vysvětlení použití metriky AUC jako hodnotícího kritéria, kdy v kapitole 4 vysvětluje jeho vhodné použití pro klasifikaci více tříd, zatímco v kapitole 5 je použití hodnotícího kritéria AUC znovu obhájeno použitím tohoto kritéria v ostatních citovaných pracích. Při implementaci modelu student postupoval správně na základě vědeckých předpokladů, přesto výsledná implementace dosahuje v téměř všech klasifikačních třídách hodnot AUC blízkých 0,5, což odpovídá náhodnému hodu mincí. Tvrzení studenta o možnosti model použít bych tedy bral s rezervou. Kladně hodnotím především úspěšnou snahu implementovat vlastní model neuronové sítě na základě moderní architektury CapsNet a dobrou kvalitu zdrojových kódů, kdy implementace zdrojových kódu dle složitých matematických vztahů a vědeckých popisů architektury CapsNet musela být pro studenta velmi náročná.
eVSKP id 141265