Актуальность темы исследования: Дипломная работа посвящена разработке модели машинного обучения, обеспечивающей выделение и классификацию признаков, для поиска аномалий на рентгеновских снимках грудной клетки. На сегодняшний день проведение гентгенологического исследования грудной клетки является обязательной процедурой для каждого человека в России, соответственно каждый год специалистам приходится обрабатывать огромный объем данных. В связи с этим, решение задачи поиска аномалий на основе технологий нейросетевого машинного обучения при обработке рентгеновских снимков, является актуальной.  Краткая характеристика структуры работы и отдельных ее разделов: Пояснительная записка бакалаврской работы изложена на 26 листах основного текста. В работе рассмотрены вопросы: произведен обзор классических и генеративных методов выделения признаков; методов уменьшения размерности пространства признаков, а также классификации признаков. Кроме того, в работе приведены результаты оценки разработанной модели поиска аномалий.  Достоинства работы (интересные материалы, положения, выводы, в которых проявились самостоятельность студента, его эрудиция, оригинальность мышления, знание литературы, уровень теоретической подготовки и т.п.): Представленная выпускная квалификационная работа демонстрирует проработанность материала, в том числе, обоснование выбора методов машинного обучения. В ходе бакалаврской работы выполнено обучение и сравнение результатов автоэнкодера и генеративно-состязательной нейронной сети с классической глубокой, сверточной сети ChestXNet. Проведены экспериментальные исследования на базе данных NIH Chest X-ray. Результаты экспериментов показали, что использование модели на основе ChestXNet дает лучший результат, нежели на основе автоэнкодера. В работе проявляются высокий уровень теоретической подготовки студента, его умение работать с технической литературой.   Недостатки работы (по содержанию и по оформлению): В работе проведен обзор генеративных моделей машинного обучения, не достаточно объяснён выбор автоэнкодера и комбинации вариационного автоэнкодера генератино-состязательной нейронной сети для решения поставленных задач. Кроме того, не обоснован выбора метрик AUR-ROC и AUR-PR для оценки данных экспериментов. 	 Общий вывод о выпускной квалификационной работе, ее соответствии предъявляемым к данному виду работ требованиям: Считаю, что дипломная работа Куткова С.Е. «Поиск аномалий изображений при профилактическом флюорографическом исследовании» отвечает основным требованиям, предъявляемым к выпускным квалификационным работам.  Мнение рецензента об оценке работы: Выпускная работа Куткова С.Е. заслуживает оценки «ОТЛИЧНО», а ее автор достоин степени бакалавра.