AI-Рентгенолог: Детекция Пневмонии с помощью PyTorch и Transfer Learning

📜 Описание проекта

AI-Рентгенолог — это проект в области компьютерного зрения, созданный для классификации рентгеновских снимков грудной клетки на два класса: "Норма" (NORMAL) и "Пневмония" (PNEUMONIA).

Целью проекта было пройти полный цикл разработки ML-решения: от анализа данных и обучения модели до развертывания в виде интерактивного Телеграм-бота. Модель построена на базе архитектуры ResNet18 с использованием техники Transfer Learning на фреймворке PyTorch.

Финальный продукт — это Телеграм-бот, который принимает на вход рентгеновский снимок и выдает результат анализа с оценкой уверенности модели.

---

🚀 Основные фичи

• Высокоточная классификация: Модель достигает ~92% точности на тестовой выборке.
• Transfer Learning: Использование предобученной на ImageNet модели ResNet18 для быстрой и эффективной дообучения.
• Борьба с дисбалансом классов: Применение весовых коэффициентов в функции потерь для компенсации преобладания одного класса над другим.
• Двухэтапное обучение:
  1. Feature Extraction: Обучение только "головы" классификатора.
  2. Fine-Tuning: "Разморозка" всей сети и тонкая настройка с низкой скоростью обучения.
• Интерактивный Телеграм-бот: Готовое решение для демонстрации работы модели.
• Структурированный код: Проект разделен на модули для работы с данными, обучения и запуска бота.

---

📊 Результаты

Финальная модель была оценена на тестовой выборке из 1155 изображений. Ключевые метрики показали высокую эффективность и хороший баланс модели.

Матрица ошибок (Confusion Matrix)

• Пропуск болезни (False Negative): Модель ошибочно классифицировала как "Норма" всего 15 реальных случаев пневмонии.
• Ложная тревога (False Positive): Модель ошибочно классифицировала как "Пневмония" 36 здоровых снимков.

Отчет по классификации

Класс	Precision	Recall	F1-score
NORMAL	0.9358	0.8937	0.9143
PNEUMONIA	0.9056	0.9433	0.9241
Accuracy	-	-	0.9195

Главный вывод: Модель демонстрирует отличный Recall (94.3%) для класса "Пневмония", что критически важно для медицинских задач, и при этом показывает хороший Recall (89.4%) для класса "NORMAL", что говорит о ее сбалансированности.

---

🛠️ Технологический стек

• Язык: Python 3.10+
• Основной фреймворк: PyTorch
• Библиотеки:
  • torchvision - для работы с данными и моделями
  • scikit-learn - для оценки метрик
  • pandas, numpy - для манипуляций с данными
  • matplotlib, seaborn - для визуализации
  • python-telegram-bot - для создания Телеграм-бота
  • Pillow, opencv-python - для обработки изображений
• Окружение: WSL2 (Ubuntu)
• Ускорение: CUDA, GPU NVIDIA

---

🚀 Как запустить проект

1. Клонирование репозитория

git clone https://github.com/YourUsername/YourRepoName.git
cd YourRepoName

2. Установка зависимостей

Убедитесь, что у вас настроена среда с Python 3.10+ и доступом к GPU (рекомендуется).

# Создание и активация виртуального окружения
python3 -m venv venv
source venv/bin/activate

# Установка библиотек
pip install -r requirements.txt

3. Загрузка данных

Скачайте датасет Chest X-Ray Images (Pneumonia) с Kaggle и распакуйте его так, чтобы папка chest_xray находилась в корне проекта.

4. Обучение модели (опционально)

Если вы хотите провести обучение с нуля, запустите скрипт:

python train.py

Этот скрипт выполнит оба этапа обучения (Feature Extraction и Fine-Tuning) и сохранит финальные веса в файл pneumonia_cnn_final.pt.

5. Запуск Телеграм-бота

1. Создайте своего бота через @BotFather в Telegram и получите токен.
2. Создайте файл .env в корне проекта и добавьте в него ваш токен:

   TELEGRAM_TOKEN=123456:ABC-DEF1234ghIkl-zyx57W2v1u123ew11
   

3. Измените код в bot.py для чтения токена из .env файла (требуется pip install python-dotenv).
4. Запустите бота:

   python bot.py

⚠️ Дисклеймер: Этот проект является образовательным и демонстрационным. Модель не проходила медицинскую валидацию и не может быть использована для постановки реальных медицинских диагнозов.

---