У роботі запропоновано та програмно реалізовано ймовірнісну систему підтримки прийняття медичних рішень на основі байєсівської нейронної мережі (BNN). На відміну від детермінованих моделей, розроблена архітектура використовує варіаційне виведення (Bayes by Backprop) та репараметризаційний трюк для моделювання ваг у вигляді розподілів Гаусса. Спроектовано контур прийняття рішень, який на основі M=100 стохастичних проходів Монте-Карло обчислює епістемічну невизначеність прогнозу та автоматично делегує клінічно складні випадки лікарю-експерту. Експерименти на наборі даних Heart Failure Prediction довели, що впровадження фільтрації ризиків дозволяє підвищити точність автоматичних діагнозів.

Evaluating epistemic uncertainty in Bayesian neural network systems for medical diagnostics

Abstracts: A probabilistic medical decision support system based on a Bayesian Neural Network (BNN) is proposed and implemented in this paper. Unlike deterministic models, the developed architecture utilizes variational inference (Bayes by Backprop) and the reparameterization trick to model weights as Gaussian distributions. A decision-making contour is designed to calculate the epistemic uncertainty of the prediction based on $M=100$ stochastic Monte Carlo forward passes and automatically delegate clinically complex cases to a human expert. Experiments on the Heart Failure Prediction dataset proved that implementing risk filtration allows for increasing the accuracy of automated diagnoses