Dokladne przewidywanie i analiza chorób nowotworowych odgrywa kluczow? rol? w poprawie wyników pacjentów i planowaniu leczenia. W niniejszej rozprawie doktorskiej opracowano model przewidywania i analizy raka przy u?yciu algorytmów gl?bokiego uczenia, w szczególno?ci sztucznych sieci neuronowych (ANN) i konwolucyjnych sieci neuronowych (CNN), z wykorzystaniem obrazów PET/CT. System ma na celu zwi?kszenie dokladno?ci i skuteczno?ci diagnozy raka oraz zapewnia cenne informacje do podejmowania decyzji dotycz?cych leczenia. System wykorzystuje moc modeli gl?bokiego uczenia si?, o których wiadomo, ?e dostarczaj? cennych informacji na temat metabolizmu raka i struktur anatomicznych. Trenuj?c modele CNN na du?ym zbiorze danych obrazów PET/CT z adnotacjami, system mo?e nauczyc si? rozpoznawac wzorce i cechy wskazuj?ce na regiony nowotworowe. Aby ocenic dokladno?c systemu, zastosowano wska?niki wydajno?ci, takie jak Intersection over Union (IoU) i F-measure. IoU mierzy nakladanie si? przewidywanych regionów nowotworowych i adnotacji prawdy naziemnej, podczas gdy miara F ocenia równowag? mi?dzy precyzj? i wycofaniem przewidywa?. Wska?niki te zapewniaj? ilo?ciowe miary wydajno?ci systemu.