Patekote į pirmąjį lietuvišką domeną. 
2026 m. sausio 26 d., 13 val.
Vilnius, Akademijos g. 4, 203 kab.
Nuotoliniu būdu „MS Teams“ aplinkoje (https://bit.ly/DMSTI_2026-01-26)
Ramunė Vaišnorė
(vadovė prof. dr. Audronė Jakaitienė)
„Metodai naviko aptikimui skystoje biopsijoje“
Anotacija: Eurostat duomenimis (2021), vėžiniai susirgimai yra antra dažniausia mirties priežastis (po širdies ir kraujagyslių ligų) Lietuvos populiacijoje. Ankstyvas naviko aptikimas gali padėti anksti diagnozuoti vėžinius susirgimus, nustatyti beprasidedantį atkrytį, identifikuoti neveiksnų gydymą, tokiu būdu atveriant galimybes ankstyvoms gydymo korekcijoms. Standartiniai metodai, naudojami vėžio diagnozei ir sekimui, dažnai pritrūksta jautrumo nustatyti mažus navikinės medžiagos kiekius. Tuo tarpu naviko tyrimai molekuliniame lygmenyje leidžia itin jautriai ir tiksliai nustatyti tiek vėžinį susirgimą bei jo subtipą, tiek ir sekti ligos progresiją ar atsaką į gydymą, įgalinant suasmenintą gydymą, terapijos pritaikymą konkrečiam atvejui. Pranešime bus pristatytas naujos kartos sekoskaitos panaudojimas vėžio stebėsenai, minimaliai liktinei ligai įvertinti.
Sasan Ansarian Najaf Abadi
(vadovas dr. Ernestas Filatovas)
„Quantum Machine Learning Review for Image Analysis in Healthcare“
Anotacija: The incentive for quantum machine learning (QML), one of the quantum computing applications, is the potential to reach great computing benefits, such as exponential acceleration, using quantum phenomena. The purpose of QML is the potential to address big, high-dimensional datasets. This will be the breakthrough in the areas of medical image analysis, allowing the simulation of highly complex systems, enhancing the precision and acceleration of analysis, and enabling the establishment of highly precise prediction models for the analysis of diseases. The papers published regarding the assessment of quantum machine learning evaluation strategies in the field indicate the strengths and weaknesses. This work reviews published studies on quantum machine learning in healthcare image analysis and examines their datasets, algorithms, and evaluation strategies, discussing their strengths, limitations, and future research directions.