Методы. Для проведения экспериментальных исследований был сформирован набор данных для обучения, проведена нормализация и аугментация данных. Выполнена программная реализация модифицированной нейросетевой архитектуры EfficientNetB3 с применением методов трансферного глубокого обучения и ранней остановки на языке программирования Python. Проведено обучение нейросетевой модели.

Результаты. Оценка эффективности классификации, обученной нейросетевой модели, проводилась с помощью метрик Recall, Precision, Specificity, F1-мера и AUC-ROC. Анализ значений этих метрик показал, что результаты, продемонстрированные модифицированной архитектурой EfficientNetB3, характеризуются выраженной асимметрией и указывают на узкоспециализированный характер данной модели. С одной стороны, модель проявила себя как эффективный инструмент для диагностики стадии умеренной деменции, продемонстрировав максимально возможное значение AUC. С другой стороны, эффективность классификации для остальных классов значительно ниже (значения AUC для классов «Отсутствие деменции», «Очень лёгкая деменция» и «Лёгкая деменция» равны 0,87, 0,86 и 0,95 соответственно).

Заключение. Исходя из результатов проведенного анализа можно сделать вывод, что основная практическая ценность данной модификации архитектуры EfficientNetB3 заключается в ее использовании в составе гетерогенных ансамблей или каскадных системах диагностики для верификации конкретной стадии болезни Альцгеймера – умеренной деменции с целью повышения общей эффективности системы. Это указывает на перспективность дальнейших исследований в области создания узкоспециализированных архитектур, способных решать конкретные подзадачи с высокой точностью, превосходящей универсальные, но менее сфокусированные подходы.