V. I. Borisov

V. I. Borisov

Auto-generated profile, based on publicly available information

V. I. Borisov

Ural Federal University named after the first President of Russia B.N. Yeltsin, IRIT-RTF

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
18 August 2025 in Preprints.ru
Verified
Preprint
Open access
ОКОльга Коньшина
Ольга Коньшина
АПАндрей Першин
Андрей Першин
МКМихаил Кулябин
Михаил Кулябин
VBVasilii Borisov
Vasilii Borisov
Цель исследования: разработать и протестировать алгоритм взаимодействия между моделью глубокого обучения для мультиклассовой классификации биомаркеров на изображениях оптической когерентной томографии (ОКТ) и большой языковой моделью (LLM) DeepSeek-V3 с целью повышения точности дифференциальной диагностики заболеваний сетчатки. Материалы и методы: нами были собраны и размечены два набора данных: тренировочный (n=3288 изображений ОКТ центральной зоны сетчатки, размеченных по 8 биомаркерам) и валидационный (n=50 клинических случаев с сайта octcases.com). Для классификации биомаркеров сравнивались архитектуры ResNet, DenseNet, EfficientNet и Vision Transformer (ViT-Tiny-Patch16-224). Наибольшую эффективность показала модель ViT-Tiny с метриками F1 macro 0.84±0.03 и ROC AUC 0.9. Разработан алгоритм интеграции полученных меток с данными клинического анамнеза через API-интерфейс LLM DeepSeek-V3. Результаты: комбинация OCT-биомаркеров и анамнеза повысила диагностическую точность: Top-1 Accuracy – 78%, Top-3 – 94%, MRR – 84%, что на 10–44% выше, чем при использовании одного типа данных. Заключение: предложенный подход позволяет автоматизировать выявление биомаркеров на ОКТ и повысить точность дифференциальной диагностики заболеваний глаз, обеспечивая снижение времени интерпретации снимков и поддержку клинических решений.

23 October 2025 in Russian Ophthalmological Journal
Verified
Journal Article
Open access
PDF file
APA. D. Pershin
A. D. Pershin
DKD. D. Khardin
D. D. Khardin
ANA. A. Nikiforova
A. A. Nikiforova
ADA. A. Dvornikova
A. A. Dvornikova
ASA. D. Stepichev
A. D. Stepichev
VBV. I. Borisov
V. I. Borisov
Purpose: to develop and evaluate the effectiveness of a neural network model for automatic segmentation of epiretinal membrane (ERM) in optical coherence tomography (OCT) images. Materials and methods. The study includes 322 labeled macular OCT scans with signs of ERM: 167 from the private dataset of the “Professorskaya Plus” clinic and 155 from the public OCTDL dataset. Five architectures were selected for comparison: U-Net, Attention U-Net, TransUNet, LOCTSeg, and Tiny-UNet. Initial annotations were generated using a baseline U-Net model and underwent expert clinical validation. Segmentation performance was assessed using Dice coefficient and Intersection over Union (IoU). Annotation quality was ensured by three experienced ophthalmologists with over 10 years of clinical practice. Results. All models demonstrated comparable Dice and IoU scores, with no statistically significant differences. Tiny-UNet showed the best balance of accuracy and computational efficiency: 570K parameters, 5× faster training per epoch than U-Net, and total training time of only 20 min. Segmentation accuracy reached Dice = 86.1 %, IoU = 78.6 %. Conclusion. Tiny-UNet appears to be the optimal architecture for ERM segmentation tasks, offering high accuracy with minimal computational requirements. Its efficiency makes it suitable for clinical deployment, including in mobile and cloud-based telemedicine platforms.