# Отчёт об обучении классификатора качества DXA

- Backbone: `resnet18`
- Устройство: `mps`
- Источник меток: `labels/labels_images.csv`
- Seed: 42, балансировка классов: `none`
- Размер выборок: train 199 снимков / 81 исследований, val 53 снимков / 19 исследований (разбиение по исследованиям)
- Предобработка: `{'norm': 'percentile', 'p_low': 0.5, 'p_high': 99.5, 'imagenet_norm': True, 'input_size': 224}`
- Обучено эпох: 64, лучшая эпоха: 39
- Рабочий порог (подобран по F1 на валидации): логит -0.4930 (вероятность 0.3792)

## Метрики на валидации (лучший чекпоинт)

| Метрика | Значение |
|---|---|
| Accuracy | 0.5849 |
| Precision | 0.4118 |
| Recall | 0.8750 |
| F1 | 0.5600 |
| ROC-AUC | 0.6706 |
| PR-AUC | 0.4585 |
| Порог (логит / вероятность) | -0.4930 / 0.3792 |
| TP/TN/FP/FN | 14/17/20/2 |

> Валидация невелика (единицы исследований), поэтому метрики имеют широкий доверительный интервал и не заменяют оценку на закрытом наборе.

## Метрики по анатомическим областям

| Область | n | Нарушений | ROC-AUC | F1 | Recall |
|---|---|---|---|---|---|
| spine | 19 | 5 | 0.9429 | 0.6667 | 1.0000 |
| hip_right | 17 | 6 | 0.5758 | 0.5333 | 0.6667 |
| hip_left | 17 | 5 | 0.5500 | 0.5000 | 1.0000 |

> Нарушения в наборе распределены крайне неравномерно (в позвоночнике ~29 % снимков против ~4–5 % у бёдер), а анатомическая область почти однозначно определяется по размеру кадра. Поэтому общий AUC частично отражает различение области, а не только распознавание дефекта: сопоставляйте общий показатель со значениями по областям.

## Ограничения и следующий шаг

- Единицей разметки в исходных данных было исследование; снимок наследует метку исследования, поэтому часть меток заведомо шумная.
- Область предсказывает вспомогательная голова; при ошибке области тип нарушения тоже будет определён неверно.
- Для устойчивой оценки нужен больший набор и независимый тест: на 20–50 снимках валидации доверительные интервалы метрик очень широкие.