Titulli i Disertacionit:  Automatizimi i procesit të klasifikimit të imazheve mjekësore nëpërmjet deep learning

Autori: Hafsa LAÇI 

• Institucioni: Universiteti i Tiranës,  Fakulteti i Ekonomisë, Departamenti i Statistikës dhe Informatikës së Zbatuar

• Fusha e studimit:  Sisteme Informacioni Ekonomi

• Data e publikimit: 11.06.2026

• Disertacioni gjendet i publikuar në Gjuhën Shqipe

© E drejta e autorit: Hafsa LAÇI 

Publikuar nga Universiteti i Tiranës
Bazuar në aktet ligjore, rregulloreve dhe politikave të UT-ës

👉 Klikoni këtu për të parë disertacionin e plotë (PDF)

 

Abstrakti

Modelet deep learning kanë luajtur një rol gjithmonë e më të rëndësishëm në fushën e mjekësisë, duke mundësuar automatizimin e shumë proceseve që deri më sot janë kryer në mënyrë manuale nga mjekët. Ndër këto procese, klasifikimi i imazheve mjekësore paraqet rëndësi të veçantë, pasi ndihmon në kufizimin e subjektivitetit që shoqëron interpretimin manual të tyre. Megjithatë, integrimi i këtyre modeleve në kontekste reale mjekësore mbetet një sfidë e hapur. Shumica e studimeve ekzistuese e vlerësojnë performancën e modeleve në kushte eksperimentale të idealizuara, të cilat nuk pasqyrojnë kompleksitetin real të të dhënave mjekësore. Për më tepër, ato abstragojnë nga çështje të rëndësishme të lidhura me privatësinë e të dhënave, interpretueshmërinë e vendimeve të modelit, kostot e burimeve llogaritëse të nevojshme, si dhe impaktin mjedisor të proceseve të zbatuara.

Ky disertacion e trajton procesin e klasifikimit si një problem shumëdimensional, i cili shkon përtej optimizimit të thjeshtë të performancës së modelit. Qëllimi i tij është të konceptojë, ndërtojë dhe vlerësojë një pipeline të strukturuar për automatizimin e procesit të klasifikimit të imazheve mjekësore në kushte reale klinike, duke garantuar riprodhueshmëri, besueshmëri dhe zbatueshmëri praktike.

Pipeline-i i propozuar USafePCOS-XNet përfshin mbledhjen dhe strukturimin e të dhënave mjekësore, de- identifikimin e tyre në përputhje me standardet ligjore HIPAA dhe GDPR, si dhe trajnimin, vlerësimin dhe interpretimin e rezultateve të një modeli deep learning të mbështetur në rrjetin bazë EfficientNetB0. Konteksti i aplikimit është klasifikimi i sindromës së vezoreve policistike (PCOS) duke përdorur imazhe ekografike të mbledhura nga një klinikë private. Modeli vlerësohet përmes një protokolli rigoroz eksperimental, i cili përfshin ndarjen e të dhënave në nivel pacienti, 5-fold cross-validation, si dhe përdorimin e metrikave të përshtatshme për probleme me disbalancë ndërmjet klasave (PCOS dhe NON_PCOS).

Për të rritur besueshmërinë e rezultateve integrohet teknika Grad-CAM, e cila ka për qëllim interpretimin e vendimmarrjes së modelit. Paralelisht, vlerësohen aspekte të qëndrueshmërisë, si kohëzgjatja e procesit, energjia e konsumuar dhe gjurma e karbonit. Ky studim propozon një qasje metodologjike gjithëpërfshirëse për automatizimin e klasifikimit të imazheve mjekësore, e menduar për t’u zbatuar në praktikë në mënyrë të besueshme dhe të përgjegjshme.

Fusha:

Sisteme Informacioni në Ekonomi

Fjalët kyce:

Deep learning, klasifikimi i imazheve mjekësore, PCOS, de-identifikim, interpretueshmëri (XAI), qëndrueshmëri

JEL code: C45, I11, I18

 

 

Abstract

Deep learning models have had a major impact in the field of medicine, enabling the automation of many processes that have traditionally been performed manually by medical experts. Among these processes, medical image classification is of particular importance, as it contributes to reducing the subjectivity associated with their manual interpretation. However, the integration of such models into real-world clinical settings remains an open challenge. The majority of existing studies evaluate model performance under idealized experimental conditions, which fail to reflect the real-world complexity of medical data. Moreover, they often abstract away from critical issues related to data privacy, the interpretability of model decisions, the computational resources required, and the environmental impact of the applied procedures.

This dissertation considers the classification process as a multidimensional problem, rather than a task limited to optimizing model performance. Its main objective is to design, develop, and rigorously evaluate a structured pipeline for the automation of medical image classification under real clinical conditions, while ensuring reproducibility, reliability, and practical applicability.

The proposed USafePCOS-XNet pipeline consists of a sequence of well-defined phases, including the collection and structuring of medical data, their de-identification in compliance with HIPAA and GDPR legal standards, as well as the training and evaluation of a deep learning model based on the EfficientNetB0 backbone, followed by the interpretation of the model outputs. The application context is the classification of Polycystic Ovary Syndrome (PCOS) using ultrasound images collected from a private clinic. The model is evaluated through a rigorous experimental protocol that includes patient-level data splitting, 5-fold cross-validation, and the use of evaluation metrics appropriate for classification problems with imbalance between classes (PCOS and NON_PCOS).

To enhance the reliability of the results, the Grad-CAM technique is integrated with the aim of interpreting the model’s decision-making process. In parallel, sustainability aspects are evaluated, including process execution time, energy consumption, and the associated carbon footprint. This study proposes a comprehensive methodological approach for the automation of medical image classification, intended to be implemented in practice in a reliable and responsible manner.

Field of study:

Information Systems in Economics

Keywords:

Deep learning, medical image classification, PCOS, de-identification, interpretability (XAI), sustainability

JEL code: C45, I11, I18