Способ диагностики послеоперационных осложнений в хирургии

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.