. Останніми роками комп'ютерні технології, зокрема технології комп'ютерного зору, відіграють усе важливішу роль у медичній діагностиці, включаючи отоскопію — процес візуалізації зовнішнього слухового ходу та барабанної перетинки для виявлення патологій вуха. Однак отоскопічні зображення мають низку особливостей, які ускладнюють автоматичну класифікацію, зокрема варіації в освітленні, орієнтації та наявність артефактів. Ці фактори вимагають розробки надійних моделей глибокого навчання для точної класифікації захворювань. У цій роботі розглянуто сучасні підходи до вирішення цієї проблеми. Розглянуто використання можливостей згорткових нейронних мереж (CNN) для виявлення об’єктів у медичних зображеннях, зокрема фотографій і відео, отриманих за допомогою отоскопічних досліджень, з метою полегшення діагностичних процедур. Проведено аналіз архітектури OTONet, спеціально розроблену для класифікації отоскопічних зображень, робіт з використанням квантового машинного навчання (QML). Було розглянуто гібридну квантово-класичну архітектуру CNN, яка використовує квантові та класичні шари згортки для вилучення прихованих функцій із зображень. Розглянуто використання архітектур глибокого навчання, таких як CNN, з імплементацією алгоритму YOLO, що є перспективним підходом до автоматизації діагностики за допомогою отоскопічних зображень. Описано процес навчання моделі, який передбачає апроксимацію функції на основі прикладів і використання унітарного кодування для зручної роботи з категоріями. Мережа прогнозує об'єкти, ділячи зображення на сітку клітинок і призначаючи рамки для кожного об'єкта, з урахуванням їх положення, розмірів та достовірності. Такий підхід дозволяє вирішувати складні завдання класифікації та виявлення об’єктів з високою точністю. Цей напрямок досліджень має великий потенціал для подальшого розвитку в медичній сфері, забезпечуючи ефективні рішення для обробки медичних зображень та покращуючи якість діагностики.

DOI: https://doi.org/10.31649/mccs2024.5-07