Проект: Модель для классификации рака

Год назад я разработал учебный прототип нейросети, которая объединяет два типа данных:

• медицинские снимки в формате DICOM;
• клинические табличные данные (возраст пациента, размер опухоли, результаты биопсии).

Задача модели — анализировать изображения и цифры одновременно, чтобы классифицировать наличие рака.

Особенности реализации

• Мультимодальность: модель работает сразу с изображениями и табличными признаками.
• Механизм внимания (attention): помогает выделять наиболее важные признаки и повышает точность.
• ** Поддержка GPU/CPU**: обучение возможно как на обычном компьютере, так и на графическом процессоре.
• Метрики качества: AUC, F1, Precision, Recall — для объективной оценки работы модели.
• ** Инженерная структура**: отдельные классы для датасета, модели, обучения и логирования.

Вывод

проект дал мне опыт работы с медицинскими данными и показал, как Python можно применять в задачах машинного обучения.