CC BY
5Информационно-вычислительные технологии, искусственный интеллект и обработка больших данных в медицине
количеством правильных предсказаний целевых классов относительно всех предсказаний модели и правильных предсказаний целевых классов относительно общего количества этих классов. А ТР показывает насколько хорошо модель способна видеть определенный класс.
Результаты качества предсказаний моделей при обучении на каждой из выборок представлены в таблице 1.
Таблица 1. Результат прогноза при обучение на различных выборках
Выборка F1-score TP C5 TP C6
ResNet50 1 выборка 0,61 0,29 0,4
2 выборка 0,58 0,29 0,56
3 выборка 0,72 0,5 0,72
VIT 1 выборка 0,75 0,6 0,6
2 выборка 0,7 0,12 0,63
3 выборка 0,75 0,51 0,69
DeiT 1 выборка 0,77 0,4 0,55
2 выборка 0,73 0,44 0,71
3 выборка 0,75 0,49 0,7
В результате работы было доказано, что лучше всего модели прогнозируют ответ при обучении на маленьких, но сбалансированных выборках. Также было показано, что чем больше выборка, тем сильнее модели переобучаются под более часто встречаемые классы.
Литература
1. Barulina, M.; Sanbaev, A.; Okunkov, S.; Ulitin, I.; Okoneshnikov, I. Deep Learning Approaches to Automatic Chronic Venous Disease Classification. Mathematics 2022;10:3571.
2. https://www.mdpi.com/2227-7390/10/19/3571
МОДЕЛИРОВАНИЕ ВИРУСНОГО ИНФИЦИРОВАНИЯ В ГРУППЕ ИНДИВИДОВ С УЧЕТОМ ИХ СОЦИАЛЬНОГО ПОВЕДЕНИЯ
Панова А.А.
Московский государственный технический университет им. Н. Э. Баумана, Москва, Россия Научный руководитель: Деревич И.В., д-р техн. наук, профессор
Введение. Появление новых вирусных инфекций, вызывающих тяжелые последствия в организме инфицированного индивида, приводит к необходимости ужесточения санитарно-эпидемиологических норм. Однако, соблюдение этих ном в случае реального поведения группы индивидов не всегда выполняется. Наиболее ярко это проявляется при случайном перемещении группы индивидов в местах развлечений, в супермаркетах и нарушается при эвакуации из помещений в условиях паники. В нормах определяется некоторое критическое расстояние между индивидами, при уменьшении которого возрастает вероятность инфицирования. Кроме критического расстояния важным фактором является время экспозиции восприимчивых в радиусе активного заражения вблизи инфицированного индивида. Современным эффективным инструментом оценки вероятности инфицирования в группе индивидов с зараженными членами является математическое моделирование перемещения индивидов в различных условиях в помещениях с учетом препятствий.
В литературе большое внимание уделяется моделированию поведения больших групп в несколько сотен человек при эвакуации в условиях паники. Существующие математические модели построены по аналогии с механикой движения жестких дисков, между которыми возникают силы отталкивания при их сближении и силы «трения» при тесном контакте. Как правило ситуации с тесным контактом реализуются в постановочных экспериментах. При реальной эвакуации из помещений, как видно из фото и видео кадров, люди избегают тесных контактов и стараются соблюдать социальную дистанцию даже в критических условиях.
Методы исследования. В нашей модели, описывающей динамику небольшой группы, социальное поведение индивидов и их взаимодействие со стенками помещения моделируется на основе эффективного потенциала, резко увеличивающегося при сближении индивидов друг с другом и с границами. В динамику социального поведения включается случайная компонента желаемой скорости перемещения, которая моделируется структурированным случайным процессом.
Динамика всех индивидов группы моделируется на основе системы стохастических обыкновенных дифференциальных уравнений, которые решаются численно на основе модернизированных методов Рунге - Кутта. По истории относительного движения инфицированных и восприимчивых индивидов в группе можно оценить время экспозиции в атмосфере инфицированных членов группы.
На рисунке 1, а представлены траектории группы индивидов, покидающих галерею с колоннами в условиях паники (все размеры указаны в м). Паника приводит к заметной амплитуде хаотического движения индивидов. Видно, что вблизи выхода в результате социального взаимодействия индивидов скорость эвакуации существенно снижается и увеличивается время пребывания восприимчивых индивидов на расстоянии меньше критического (2 м) от инфицированного (рис. 1, б).
Вестник медицинского института «РЕАВИЗ». 2023. Том 13. № 2. Приложение
Рисунок 1. Траектории членов группы (а) при эвакуации и относительные расстояния между членом группы с номером 1 (инфицированный) и восприимчивыми членами группы
Выводы. В работе предложена принципиально новая модель случайного перемещения группы индивидов в помещении с препятствиями с учетом их социального поведения при различных ситуациях.
Исследование выполнено за счет гранта Российского научного фонда № 23-29-00243, https://rscf.ru/project/23-29-00243/
МОДЕЛИРОВАНИЕ ИНФИЦИРОВАНИЯ ВИРУСОМ БАЯв-СО^ В АТМОСФЕРЕ СО СЛУЧАЙНОЙ КОНЦЕНТРАЦИЕЙ ВИРИОНОВ
Панова А.А.
Московский государственный технический университет им. Н. Э. Баумана, Москва, Россия Научный руководитель: Деревич И.В., д-р техн. наук, профессор
Введение. Вирусная инфекция COVID-19 представляет существенную опасность для человеческого организма вследствие существенного поражения внутренних органов. Практический интерес представляет развитие математических моделей, имитирующих начальную стадию инфицирования в небольших группах индивидов, в состав которых входят зараженные. Распространение инфекции происходит воздушно-капельным путем в результате поглощения легкими восприимчивых членов микрокапель с размером порядка 5 мкм, выдыхаемых зараженным индивидом. В результате случайного перемещения индивидов в группах, например, в местах развлечения, супермаркетах, залах ожидания и т.п. концентрация вирионов в локальной атмосфере является случайной. Практический интерес представляет моделирование не только процесса инфицирования восприимчивых членов группы в результате их физических контактов с зараженными, но и прогнозирование развития заболевания после выхода инфицированных индивидов из критической зоны.
Методы исследования. Мы модифицировали традиционную трехстадийную модель динамики роста концентрации патогена SARS-CoV-2. На рисунке 1 представлена схема модифицированной модели. Рост концентрации клеток патогена X, происходит при поглощении вирионов из атмосферы Xatm и при генерации новых клеток патогена из зараженных клеток организма У. Зараженные клетки появляются в результате атаки вирусом целевых клеток организма 2.
а б
Рисунок 1. Схема модифицированной модели (а) и пример сопоставления результатов моделирования концентрации клеток патогена (кривые) с экспериментальными данными (точки) из литературы (б): сплошная кривая - расчет по модифицированной
модели, штриховая - расчет по стандартной модели
