Dokladne przewidywanie i analiza chorób nowotworowych odgrywa kluczową rolę w poprawie wyników pacjentów i planowaniu leczenia. W niniejszej rozprawie doktorskiej opracowano model przewidywania i analizy raka przy użyciu algorytmów glębokiego uczenia, w szczególności sztucznych sieci neuronowych (ANN) i konwolucyjnych sieci neuronowych (CNN), z wykorzystaniem obrazów PET/CT. System ma na celu zwiększenie dokladności i skuteczności diagnozy raka oraz zapewnia cenne informacje do podejmowania decyzji dotyczących leczenia. System wykorzystuje moc modeli glębokiego uczenia się, o których wiadomo, że dostarczają cennych informacji na temat metabolizmu raka i struktur anatomicznych. Trenując modele CNN na dużym zbiorze danych obrazów PET/CT z adnotacjami, system może nauczyc się rozpoznawac wzorce i cechy wskazujące na regiony nowotworowe. Aby ocenic dokladnośc systemu, zastosowano wskaźniki wydajności, takie jak Intersection over Union (IoU) i F-measure. IoU mierzy nakladanie się przewidywanych regionów nowotworowych i adnotacji prawdy naziemnej, podczas gdy miara F ocenia równowagę między precyzją i wycofaniem przewidywań. Wskaźniki te zapewniają ilościowe miary wydajności systemu.