ŠŤÁVOVÁ, K. Identifikace abnormálních EKG segmentů pomocí metody Multiple-Instance Learning [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Diplomantka Karolína Šťávová se ve své práci zabývá návrhem hluboké neuronové sítě a identifikací abnormálních EKG úseků pomocí multi-instančního učení, jež se po domluvě s vedoucím práce zaměřuje na síňové a komorové extrasystoly. Teoretická část je věnována základním principům hlubokého multi-instančního učení. Jednotlivé kapitoly jsou podpořeny studiem adekvátní současné literatury, jsou sepsány srozumitelně a na odborné úrovni odpovídající magisterskému stupni. Praktická část se na 32 stranách věnuje primárně optimalizaci a experimentálnímu nastavení klasifikačního modelu vycházejícího z architektury Inception v kombinaci s metodou Grad-CAM. Popis softwarové implementace je v textu spíše upozaděn, což v souvislosti s množstvím výsledků a testovaných variant přehlednosti práce prospělo. Vyzdvihnout musím tvůrčí přístup při řešení nevyváženosti klasifikačních tříd jednak pomocí aktuálních kombinatorických přístupů a jednak vlastní modifikací standardních nástrojů pro vzorkování dat zavedením specifických hyper-parametrů. Vhodné nastavení těchto a dalších hyper-parametrů provedla studentka pomocí Bayesovské optimalizace a je jim věnována rozsáhlá část s výsledky a diskuzí. Dosažené výsledky jsou nadprůměrné a jejich diskuze je vedena věcně a na odpovídající odborné úrovni. Formální úprava je taktéž na velmi dobré úrovni. Studentka pracovala aktivně a s vysokou mírou samostatnosti. Z pohledu vedoucího práce nemám k celkovému přístupu studentky ani předloženému textu žádných výhrad a doporučuji ji k obhajobě s hodnocením 100 bodů.
Studentka Karolína Šťávová se zabývala tématem klasifikace srdečních patologií. V teoretické části práce studentka pečlivě popisuje teoretické znalosti nutné k vypracování praktické práce. Velmi oceňuji zejména kapitolu 2, kde jsou velmi podrobně popsány techniky hlubokého učení včetně podrobného popisu hyperparametrů sítě. Celkově je teoretická část práce velmi zdařilá. V praktické části práce studentka natrénovala a otestovala klasifikátor srdečních patologií ve třech různých scénářích dle detekovaných patologií. Vše je detailně popsáno včetně popisu metod použitých k optimalizaci modelu a k vyřešení nestejného množství klasifikovaných tříd v trénovací sadě. Slabá část práce je porovnání výsledků s jinými autory. Ačkoli je v dané oblasti dostupných mnoho článků vhodných pro porovnání, v teoretické části rešerše těchto článků chybí. V kap. 5.2.1 je srovnání s několika odbornými články, ale např. z mnoha článků ze soutěže PhysioNet Challenge 2020 je vybrán jeden článek popisující algoritmus se špatnou úspěšností PVC. Práci by velmi pomohlo, kdyby se vytvořený algoritmus otestoval na některé z veřejně dostupných databází, což by nebylo ani časově náročné. Toto testování je obzvláště potřeba, když autorka zjistila, že 14 % PVC anotovaných v jí používané databázi ve skutečnosti PVC není. Formální úprava práce a jazyková úroveň je na velmi vysoké úrovni, nemám žádné připomínky. Přes zmíněné nedostatky prokázala autorka pokročilé schopnosti v tvorbě modelů hlubokého učení a práce je velmi zdařilá. Navrhuji známku A, 90 bodů.
eVSKP id 134973