В статье представлен систематический обзор исследований 2020–2026 годов, посвященных применению ИИ, глубокого обучения и генеративных моделей для диагностики остеопороза и прогнозирования переломов. Авторы анализируют эффективность методов, включая объяснимый ИИ (XAI) и мультимодальное обучение, и выявляют ключевые пробелы в валидации и регуляторной готовности. На основе анализа предлагается новая архитектура MXGNet для создания клинически применимых и интерпретируемых инструментов.
Статья представляет структурированный обзор литературы по объяснимому ИИ (XAI) в здравоохранении и предлагает новый фреймворк управления (CPI-XAI) для операционных систем, таких как управление потоком пациентов и распределение ресурсов. Исследование выявляет значительный дисбаланс: большинство работ по XAI сосредоточено на диагностике, тогда как прозрачность алгоритмов для клинических операций остается слабо изученной областью.
В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.
