6 статей
Систематический обзор анализирует современные методы машинного и глубокого обучения для автоматического обнаружения внутричерепных кровоизлияний по КТ-снимкам без контраста. Исследование охватывает архитектуры CNN, 3D-CNN, гибридные и трансформерные модели, а также методы объяснимого ИИ для интерпретируемости. Результаты показывают высокую диагностическую эффективность, однако сохраняются проблемы с обобщаемостью и клинической валидацией.
Систематический обзор 36 эмпирических исследований (2020–2025) показывает применение методов объяснимого ИИ (SHAP, Grad-CAM, LIME) в медицинской визуализации, диагностике и реабилитации. Исследования демонстрируют соответствие методов объяснимости типам медицинских задач и частое комбинирование нескольких объяснителей для перекрёстной проверки интерпретаций.
Комментарий о важности объяснимого искусственного интеллекта (XAI) в медицине для обеспечения справедливости в здравоохранении. Статья обсуждает проблему «чёрного ящика» в сложных моделях ИИ и аргументирует необходимость внедрения объяснимости, воспроизводимости и культурно-ориентированных подходов для борьбы с системными предубеждениями в медицинских алгоритмах.
Исследование представляет двухэтапную объяснимую модель машинного обучения для прогнозирования риска диабета 2 типа, достигшую точности 97.14% на втором этапе с использованием 270 943 образцов из Руанды. Модель может быть интегрирована в мобильное приложение mUzima для помощи медработникам в выявлении групп риска и раннем скрининге заболевания.
Предложена объяснимая многомодальная система глубокого обучения для диагностики рака, объединяющая радиологические изображения и клинические данные с использованием внимания. Модель показала превосходство над одно-модальными подходами на наборах данных CBIS-DDSM, Duke Breast Cancer MRI и TCGA, обеспечив баланс между чувствительностью и специфичностью без потери точности.
PATHOS — новая система на основе множественного обучения (MIL) и сегментации для предсказания ответа на неоадъювантную химиотерапию при раке яичников по гистологическим изображениям. Модель выделяет около 10% области слайда как информативную и идентифицирует ключевые патологические признаки, связанные с прогрессией заболевания.
