Проблематика. Напівкероване навчання (НН) є одним із перспективних напрямів глибокого навчання, особливо для задач, де отримання міток є складним і дорогим процесом, як у випадку класифікації ракових захворювань шкіри. Існуючі підходи, зокрема Adversarial Autoencoders (AAE) та Ladder Networks (LN), ефективно використовують нерозмічені дані, але мають обмеження у точності реконструкції та регуляризації. Мета дослідження. Розробка та дослідження моделі класифікації ракових захворювань шкіри на основі інтеграції дискримінатора в архітектуру сходових нейронних мереж. Методика реалізації. Розроблена модель поєднує регуляризуючі властивості сходових нейронних мереж із використанням функції втрат на основі дискримінатора, що оцінює якість реконструкції зображень орієнтуючись на їх структуру, форму та ключові візуальні ознаки. Експерименти проводилися на датасеті HAM10000 з різними співвідношеннями розмічених і нерозмічених даних (30%, 10%, 5%). Результати дослідження. Експерименти показали, що запропонована модель підвищила -score для класу злоякісних утворень на 4% у порівнянні з базовою сходовою мережею за умов 5% розмічених даних. При 30% маркованих зразків score досяг 74.8%, що всього на 1% менше за повністю керовану модель. Відносний показник при 5% розмічених даних склав 0.939, перевищуючи аналогічний коефіцієнт для STFL (0.877), що підтверджує ефективність використання нерозмічених даних у запропонованій моделі. Висновки. Запропонована модель вдосконалює існуючі методи напівкерованого навчання (Ladder Networks, Adversarial Autoencoders), забезпечуючи високу ефективність використання нерозмічених даних для регуляризації латентного простору енкодера у задачі класифікації ракових захворювань шкіри. Перспективи подальших досліджень включають використання дискримінатора для порівняння латентних просторів та вдосконалення функції Reconstruction Cost для розширення її застосування в інших задачах аналізу зображень

Background. Semi-supervised learning (SSL) is one of the most promising areas of deep learning, especially for tasks where label acquisition is a complex and expensive process, such as skin cancer classification. Existing approaches, such as Adversarial Autoencoders (AAE) and Ladder Networks (LN), effectively use unlabeled data, but have limitations in reconstruction and regularization accuracy. Objective. Development and study of a model for classifying skin cancers based on the integration of a discriminator into the architecture of ladder neural networks. Methods. The developed model combines the regularizing properties of ladder neural networks with the use of a discriminator-based loss function that evaluates the quality of image reconstruction based on their structure, shape, and key visual features. The experiments were conducted on the HAM10000 dataset with different ratios of labeled and unlabeled data (30%, 10%, 5%). Results. The experiments showed that the proposed model improved the -score for the malignancy class by 4% compared to the baseline ladder network with 5% labeled data. With 30% labeled samples, the score reached 74.8%, which is only 1% less than the fully supervised model. The relative indicator at 5% labeled data was 0.939, exceeding the similar coefficient for STFL (0.877), which confirms the effectiveness of using unlabeled data in the proposed model. Conclusions. The proposed model improves on existing semi-supervised learning methods (Ladder Networks, Adversarial Autoencoders) by providing high efficiency of using unlabeled data to regularize the encoder latent space in the task of skin cancer classification. Prospects for further research include using a discriminator to compare latent spaces and improving the Reconstruction Cost function to expand its application to other medical image analysis tasks