Doctor of Technical Sciences, Professor, Head of the Department of Computer Technology
хирург, трансфузиолог, врач высшей категории, к.м.н., доцент, действительный член Российской академии медико-технических наук, оказывал медицинскую помощь больным, осуществил сбор и обработку данных больных, подготовил базу данных, которая имеет номер государственной регистрации в Роспатенте. Разработал концепцию и дизайн исследования совместно с Горбаченко В. И, принимал участие в написании рукописи статьи, редактировании.
Ph.D., surgeon, transfusiologist, doctor of the highest category, associate professor, full member of the Russian Academy of Medical and Technical Sciences
д.т.н., профессор, заведующий кафедрой «Компьютерные технологии», разрабатывал концепцию и дизайн исследования, принимал участие в подготовке базы данных, занимался статистической обработкой данных, нейросетевым моделированием, принимал участие в написании рукописи статьи, её редактировании
Currently, scientific research is usually carried out in accordance with the postulates of evidence-based medicine in Russia and foreign countries. However, the implementation of these principles requires deep knowledge of surgery and mathematical modeling. Authors: a surgeon and a programmer developed mathematical models involved in the diagnosis of postoperative complications in surgery. In this paper, we investigated a deep, fully connected neural network for the diagnosis of postoperative complications on the clinical example of acute appendicitis. As a training set of parameters, we used a set developed by the authors on the basis of real clinical data, which has a state registration number in the form of a database, and includes a knowledge base. The interquantile range of the F1 measure is proposed for the selection of significant features. An approach to coding composite categorical features, characterized by a compact representation, is proposed. For pre-processing of training data, it is proposed to use a step-up autoencoder. The autoencoder converts the selected functions into a higher-dimensional space, which, according to Kover's theorem, facilitates the classification of features. The neural network is implemented using the Keras and TensorFlow libraries. To train the neural network, the Adam algorithm with adaptive learning speed is used. To reduce the effect of overfitting, a modern regularization method — dropout-was used. The analysis and selection of the classifier quality metrics are carried out. To evaluate the characteristics of the neural network, k-block cross-validation was used. The trained neural network showed high diagnostic performance on the test data set.
В России и зарубежных странах научные исследования в хирургии принято выполнять в соответствии с постулатами доказательной медицины. Однако реализация этих принципов требует глубоких знаний хирургии и математического моделирования. Авторы: хирург и программист в области машинного обучения разработали математические модели, участвующие в диагностике послеоперационных осложнений в хирургии. В данной работе исследована глубокая полносвязная нейронная сеть для диагностики послеоперационных осложнений на клиническом примере острого аппендицита. В качестве обучающего множества параметров использовался набор, разработанный авторами на основе реальных клинических данных, имеющий номер государственной регистрации в виде базы данных. Для выбора значимых признаков предложен подход на межквантильном размахе F1-меры и к кодированию составных категориальных признаков, отличающийся компактным представлением. Для предварительной обработки обучающих данных предлагается использовать повышающий автоэнкодер. Автоэнкодер преобразует выбранные признаки в пространство более высокого измерения, что, согласно теореме Ковера, облегчает классификацию признаков. Глубокая нейронная сеть реализована с использованием библиотек Keras и TensorFlow. Для обучения нейросети применен алгоритм Adam с адаптивной скоростью обучения. Для снижения эффекта переобучения использован современный метод регуляризации — dropout. Проведены анализ и выбор метрик качества классификатора. Для оценки характеристик нейросети использована кросс-валидация по k блокам. Обученная нейронная сеть показала высокие диагностические показатели на тестовом наборе данных.