Семинары

Научно-учебная группа «ИИ и анализ данных в медицине» регулярно проводит научный семинар «Stable models of minimal complexity for decision-making in medicine». 

Семинар объединяет исследователей, практикующих врачей и специалистов в области анализа данных, заинтересованных в разработке надежных инструментов поддержки принятия решений, способствующих повышению качества диагностики, прогнозирования и выбора оптимальных стратегий лечения пациентов.

Актуальная информация о предстоящих семинарах научно-учебной группы размещена в разделе бокового меню «Анонсы».

II этап

В рамках деятельности научно-учебной группы регулярно проводятся встречи один-два раза в неделю. Встречи служат площадкой для обсуждения текущих исследований, обмена идеями и промежуточных результатов участников.

В период с апреля по ноябрь участниками были выполнены следующие исследовательские задачи:

• Горюнов Кирилл Олегович

Горюнов К.О. Оптимизация алгоритма для предсказания за n месяцев до исхода на больших и малых моделях (PDF, 1,57 Мб)

• Добровольская Кристина Эдисоновна

Добровольская К.Э. Разработка и исследование малых моделей для предсказания за n месяцев до исхода (PDF, 219 Кб)

• Вершинина Ангелина Алексеевна

Вершинина А.А. Постер "Interpretable and Numerically Stable Prediction of Oncology Patient Mortality" (PDF, 391 Кб)

• Иричеева Татьяна Анатольевна

Иринчеева Т.А. Анализ лабораторных тестов на малых прогностических моделей для онкологии (PDF, 230 Кб)

• Нусратуллина Марьям Айратовна

• Троценко Иван Дмитриевич

  Проведена работа по коррекции и медицинской формализации полученных результатов по очистке данных. Cкорректированны нормы значений лабораторных тестов.

  Троценко И.Д. Коррекция норм и крайних значений лабораторных тестов внутреннего датасета (XLSX, 27 Кб)

I этап

В рамках деятельности научно-учебной группы регулярно проводятся встречи один-два раза в неделю. Встречи служат площадкой для обсуждения текущих исследований, обмена идеями и промежуточных результатов участников.

В период с декабря по март участниками были выполнены следующие исследовательские задачи:

• Динамика оценки функционального статуса онкологического больного в реальной клинической практике
  Проведен анализ изменения функционального статуса пациентов на основе клинических данных. Исследованы подходы к количественной оценке состояния пациента во времени и выявлены ключевые факторы, влияющие на его динамику.

Троценко И.В. Динамика оценки функционального статуса онкологического больного (PDF, 747 Кб)

• Устойчивость низкоразмерных прогностических медицинских моделей при случайной инициализации
  Выполнен систематический анализ существующих исследований, посвящённых устойчивости моделей с малым числом признаков. Рассмотрены подходы к оценке стабильности и воспроизводимости моделей при варьировании случайных параметров обучения.

Вершинина А.А. Устойчивость малоразмерных прогностических медицинских моделей (PDF, 249 Кб)

• Хаос в ансамблевых и бустинговых моделях машинного обучения
  Проанализировано влияние случайности на поведение ансамблевых моделей. Исследованы вариации предсказаний при изменении параметров инициализации и структуры ансамбля, выявлены признаки хаотичности в результатах.

Горюнов К.О. Хаос в бустинговых моделях машинного обучения (PDF, 2,20 Мб)

• Воспроизводимость предсказаний моделей машинного обучения и геометрии границ решений для линейных и нелинейных моделей
  Проведено сравнение линейных и нелинейных моделей с точки зрения стабильности предсказаний. Изучена геометрия границ решений и её влияние на чувствительность моделей к изменениям в данных и параметрах.

Иринчеева Т.А. Воспроизводимость предсказаний разных моделей машинного обучения (PDF, 1,30 Мб)

• Проведение серии экспериментов с композициями ядер, варьируя размер пула и размер банка ядер
  Реализованы эксперименты с различными комбинациями ядерных функций. Исследовано влияние размера пула и банка ядер на качество моделей и их устойчивость.

Вахид Д.М. Подход на основе банка ядер с использованием QMC (PDF, 2,88 Мб)

• Чувствительность алгоритмов машинного обучения к начальному состоянию и разбиению данных
  Проведен анализ вариативности предсказаний и устойчивости моделей при изменении random seed.

Нусратуллина М.А. Чувствительность алгоритмов машинного обучения к начальному состоянию и разбиению данных (PDF, 3,24 Мб)