Цель исследования. Проанализировать функциональные возможности различных типов нейронных сетей в анализе рентгенологических изображений грудной клетки и определить подходы к устранению источников ошибок сети. Материал и методы. Использовались сети трех архитектур: нейронную сеть с обучением методом обратного распространения ошибки (BPNN), нейронную сеть, работающую по конкурентному принципу (CpNN) и глубокую сверточную нейронную сеть (CNN), разработанные специалистами Care Mentor (Россия). Для обучения сетей по 12 рентгенологическим синдромам и оценки эффективности работы применяли раздельные наборы цифровых изображений рентгенограмм органов грудной клетки в прямой проекции размером 32 ½ 32 пикселя в форматах JPEG или PNG, полученные из открытой базы Chestx-ray8. Источники ошибок сетей определяли экспертно-аналитическим методом.Результаты. Точность BPNN в распознавании отдельных рентгенологических феноменов на уровне 81,03% достигалась при невысоких затратах времени на обучение, умеренном числе повторений. Значение среднеквадратического отклонения не превышало 0,0026. CpNN в силу особенностей архитектуры и самообучающего алгоритма при минимальных затратах времени на обучение позволяла повышать точность определения отдельного рентгенологического синдрома до 90,12%, однако величина погрешности была относительно высокой. Испытания CNN на тестовой совокупности изображений показали наилучшие результаты по точности распознавания рентгенологических изменений и величине погрешности, тогда как ресурсные затраты на обучение были наибольшими. Основными источниками ошибок являются: ошибки, обусловленные самой архитектурой нейронной сети и алгоритмом ее обучения; ошибки, связанные с некорректной разметкой обучающих изображений; ошибки, ассоциированные с качеством анализируемых изображений.Заключение. Повышение точности и эффективности методов машинного анализа рентгенологических изображений может быть связано с совершенствованием алгоритмов обучения нейронных сетей, точности разметки и качества изображений
