В роботі виконано огляд обгортки експертної системи CLIPS.
Проаналізовано чинні експертні системі у предметній області.
В ході дослідження отримані такі результати: визначені існуючі програмні засоби експертних систем, вивчена архітектура, методи конструювання, а також сфери використання даних систем. Розроблений план проекту: визначено перелік робіт, терміни.
У цьому дослідженні було навчиено глибоку згорткову нейронну мережу на зображеннях слайдів, отриманих з атласу генома раку, щоб точно і автоматично класифікувати їх на LUAD, LUSC або нормальну легеневу тканину. Продуктивність нашого методу порівнянна з такою у патологів, з середньою площею під кривою (ППК) 0,97. Крім того, ми навчили мережу передбачати десять найбільш часто мутуючих генів в LUAD. Ми виявили, що шість з них - STK11, EGFR, FAT1, SETBP1, KRAS і TP53 - можуть бути передбачені по зображеннях патології, з ППК від 0,733 до 0,856, як виміряно на утримуваної популяції. Ці результати показують, що моделі глибокого навчання можуть допомогти патології у виявленні підтипу раку або генних мутацій. Цей підхід може бути застосований до будь-якого типу раку.