Предложен метод адаптивного обучения медицинских LLM для классификации узлов щитовидной железы по системам Bethesda и EU‑TIRADS на смеси реальных и синтетических данных. Подход использует интегральную метрику surplexity, сочетающую perplexity, diversity (distinct‑1/2) и surprise на основе KL-дивергенции, а также детектор риска коллапса, анализирующий динамику качества на скользящем окне из пяти итераций. Контроллер автоматически корректирует долю синтетики вокруг начального значения «золотого сечения» 0.618 в диапазоне [0.3, 0.9], увеличивая вес реальных данных при росте collapse_score. Эксперименты демонстрируют снижение риска коллапса, сохранение разнообразия терминологии и повышение точности и AUC в задачах дифференциальной диагностики узлов, что делает систему перспективной

Боброва Е.В., Петровская Я.В. (науч. рук. Zaytsev K.S.) Система адаптивного контроля качества обучения моделей для классификации узлов щитовидной железы на основе мониторинга surplexity и оптимизации соотношения клинических и синтетических данных // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/16176