Details

Данная работа посвящена разработке программного средства для дифференциальной диагностики заболеваний с использованием трансформерных нейронных сетей. Изучены существующие подходы к автоматизации диагностики и их ограничения, включая недостаточную точность и сложность интерпретации результатов. Предложена система, включающая модель машинного обучения на основе архитектуры ELECTRA, серверную часть на FastAPI, пользовательский интерфейс на React с поддержкой английского, французского и русского языков, а также базу данных MongoDB. Модель обучена на данных пациентов и способна предсказывать вероятности 49 заболеваний с высокой точностью: DDR=0.9632, DDP=0.9571, DDF1=0.9601, MAP@10=0.8743. Система позволяет пользователям создавать профили, отвечать на вопросы о симптомах и получать предполагаемые диагнозы. Разработанное решение реализовано с использованием контейнеризации Docker, что упрощает развертывание. В результате сравнения с другими подходами, такими как вероятностные модели и большие языковые модели, система показала конкурентоспособные результаты. Программное средство может служить инструментом поддержки для медицинских специалистов, способствуя повышению точности и скорости дифференциальной диагностики, однако требует дальнейшей клинической валидации для практического применения.

The topic of the final qualification work: "Development of a system for differential diagnostics of diseases using transformer neural networks" This work is devoted to the development of a software tool for differential diagnostics of diseases using transformer neural networks. The existing approaches to diagnostic automation and their limitations, including insufficient accuracy and complexity of interpreting the results, are studied. A system is proposed that includes a machine learning model based on the ELECTRA architecture, a server part on FastAPI, a user interface on React with support for English, French and Russian languages, as well as a MongoDB database. The model is trained on patient data and is able to predict the probabilities of 49 diseases with high accuracy: DDR=0.9632, DDP=0.9571, DDF1=0.9601, MAP@10=0.8743. The system allows users to create profiles, answer questions about symptoms and receive probable diagnoses. The developed solution is implemented using Docker containerization, which simplifies deployment. As a result of comparison with other approaches, such as probabilistic models and large language models, the system showed competitive results. The software can serve as a support tool for medical professionals, helping to improve the accuracy and speed of differential diagnostics, but requires further clinical validation for practical use.