4 статей
В статье представлена новая архитектура нейронной сети TSFGDTDBN, предназначенная для автоматизированной диагностики остеопороза по рентгеновским снимкам коленного сустава. Метод использует фрактальное градиентное расхождение и алгоритм Crow Search для оптимизации гиперпараметров, что позволяет повысить точность классификации состояний (норма, остеопения, остеопороз) по сравнению с традиционными методами глубокого обучения.
Разработана модель PLUTO на базе архитектуры YOLO11s для автоматического обнаружения полей легких на боковых рентгеновских снимках детей. Модель демонстрирует высокую точность и способность к обобщению (generalizability) при работе с рентгенограммами взрослых пациентов.
В статье представлена инновационная базовая модель (foundation model), специально разработанная для анализа рентгенограмм грудной клетки с акцентом на интерпретируемость результатов. В отличие от традиционных «черных ящиков» глубокого обучения, данная архитектура позволяет врачам понимать логику принятия решений ИИ при выявлении патологий. Методология исследования базируется на использовании масштабных наборов данных для обучения модели, что обеспечивает высокую точность профилирования широкого спектра заболеваний. Ключевым достижением является интеграция механизмов объяснимости, которые визуализируют зоны интереса и связывают их с конкретными клиническими признаками. Это позволяет значительно снизить риск диагностических ошибок и повысить доверие медицинского сообщества к автоматизированным системам. Практическая значимость работы заключается в возможности внедрения подобных моделей в клиническую практику для поддержки принятия решений в радиологии и онкологии.
В исследовании, опубликованном в журнале 'Artificial Intelligence in Medicine', авторы предлагают инновационный метод борьбы с алгоритмической предвзятостью при анализе рентгенограмм грудной клетки. Основная проблема современных ИИ-систем заключается в том, что они могут опираться на нерелевантные признаки (например, маркеры оборудования или демографические особенности), что ведет к ошибкам в диагностике. Исследователи Xinwei Lai и коллеги разработали архитектуру на основе обучения распутанных представлений (disentangled representation learning), которая позволяет разделить клинически значимые признаки патологий и мешающие факторы (confounders). Методология направлена на создание дебайасированных признаков, что обеспечивает более высокую точность и справедливость (fairness) моделей при работе с различными группами пациентов. Результаты демонстрируют, что предложенный подход существенно снижает риск ложноположительных и ложноотрицательных диагнозов, вызванных систематическими ошибками в данных. Данная работа имеет критическое значение для внедрения ИИ в клиническую радиологическую практику, гарантируя надежность автоматизированной диагностики.
