Нечёткие продукционные правила и нейросети глубокого обучения: объяснимый искусственный интеллект 2.0 для диагностики коронарных стенозов

Основное содержимое статьи

Ю. В. Трофимов
В. С. Семашко
И. П. Муравьев
Е. М. Кузнецов
А. Н. Аверкин

Аннотация

В статье предлагается мультиуровневый подход к диагностике коронарных стенозов, основанный на глубоком обучении и нечёткой логике. Рассматриваются проблемы нехватки размеченных данных, решается путем доаннотации датасета CADICA. Реализован алгоритм, включающий сегментацию сосудов с помощью модифицированной сверточной сети U-Net  и CRF, дополненный методами XAI (Grad-CAM, LIME, Score-CAM). Добавлен нейро-нечёткий модуль ANFIS для преобразования активаций модели в правила. Подход обеспечивает высокую точность сегментации (Dice ≈ 0,84; IoU ≈ 0,78) и надежность диагностики даже при слабо выраженной патологии. Полученные результаты подтверждают повышение доверия специалистов благодаря интеграции механизмов объяснимого ИИ.


Работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема № 124112200072-2).

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
[1]
Трофимов, Ю.В., Семашко, В.С., Муравьев, И.П., Кузнецов, Е.М. и Аверкин, А.Н. 2025. Нечёткие продукционные правила и нейросети глубокого обучения: объяснимый искусственный интеллект 2.0 для диагностики коронарных стенозов. Системный анализ в науке и образовании. 2 (июл. 2025), 73–82.
Выпуск
Раздел
Моделирование и анализ данных

Библиографические ссылки

The top 10 causes of death / A World Health Organization. – WHO, 2025. – Дата публикаци: 7.08.2024. – URL: https://www.who.int/news-room/fact-sheets/detail/the-top-10-causes-of-death.

Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. – 2019. – Т. 1(5). – С. 206–215. – DOI: https://doi.org/10.1038/s42256-019-0048-x.

Deep learning for segmentation using an open large-scale dataset in 2D echocardiography / S. Leclerc, E. Smistad, J. Pedrosa [и др.] // IEEE transactions on medical imaging. – 2019. – Т. 38. – №. 9. – С. 2198-2210.

EchoNet-Dynamic: Echocardiography Dataset / Stanford University. – DOI: https://doi.org/10.71718/yqp5-y078.

CADICA: a new dataset for coronary artery disease / A. Jiménez‐Partinen, M. A. Molina‐Cabello, K. Thurnhofer‐Hemsi [и др.] // Mendeley Data. – Elsevier inc, 2025. – V2. – DOI: 10.17632/p9bpx9ctcv.2.

Explainable Artificial Intelligence (XAI) 2.0: A manifesto of open challenges and interdisciplinary research directions / L. Longo, M. Brcic, F. Cabitza [и др.] // Information Fusion. – Т. 106. – С. 102301. – DOI: https://doi.org/10.1016/j.inffus.2024.102301.

Ribeiro M. T., Singh S., Guestrin C. "Why Should I Trust You?": Explaining the Predictions of Any Classifier // Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. – New York, NY, USA: ACM, 2016. – С.1135-1144.

Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. – 2017. – Т. 30. ¬– С. 4768–4777.

Explaining deep neural networks and beyond: A review of methods and applications / W. Samek, G. Montavon, S. Lapuschkin [и др.] // Proceedings of the IEEE. – 2021. – Т. 109. – №. 3. – С. 247-278.

Averkin A. N., Yarushev S. A. Hybrid Neural Networks for Time Series Forecasting // Artificial Intelligence. – Cham : Springer International Publishing, 2018. – Т. 934. – С. 230–239. – DOI. https://doi.org/10.1007/978-3-030-00617-4_21.

Аверкин А. Н. Извлечение правил из классических, глубоких нейронных сетей и нейронечетких сетей // Речевые технологии. – 2020. – №3-4. – С. 76–85.

Наиболее читаемые статьи этого автора (авторов)