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

Трофимов Ю.В.; Семашко В.С.; Муравьев И.П.; Кузнецов Е.М.; Аверкин А.Н.; Trofimov Yu.V.; Semashko V.S.; Muravyov I.P.; Kuznetsov E.M.; Averkin A.N.

Научные статьи \ Общие вопросы науки и культуры \ Информационные технологии. Вычислительная техника. Обработка данных \ Искусственный интеллект

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

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

Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse

Рубрика: Моделирование и анализ данных

Статья в выпуске: 2, 2025 года.

Бесплатный доступ

В статье предлагается мультиуровневый подход к диагностике коронарных стенозов, основанный на глубоком обучении и нечѐткой 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-нечѐткий 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.

Эхокардиография \ сегментация изображений \ глубокие нейронные сети \ объяснимый искусственный интеллект \ нейро-нечѐткие системы \ коронарные стенозы

Похожие статьи в разделе Искусственный интеллект

Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы)

Ким Г.И., Блеканов И.С., Ежов Ф.В., Коваленко Л.А., Ларин Е.С., Разумилов Е.С., Пугин К.В., Дадашов М.С., Пягай В.А., Шматов Д.В.

Machine Learning Based Decision Support System for Coronary Artery Disease Diagnosis

Şükrü Alkan, Muhammed Kürşad UÇAR

Анализ деформации миокарда в режиме Strain и Strain Rate при стресс-эхокардиографии с добутамином в зависимости от степени стеноза коронарных артерий

Павлюкова Е.Н., Егорова В.Ю.

Uncovering unstable plaques: deep learning segmentation in optical coherence tomography

Laptev V.V., Danilov V.V., Ovcharenko E.A., Klyshnikov K.Y., Kolesnikov A.Y., Arnt A.A., Bessonov I.S., Litvinyuk N.V., Kochergin N.A.

Модели сегментации сердечных артерий по коронарографическим снимкам

Владислав Антонович Бочкарев, Александр Андреевич Усынин, Александр Денисович Осипов, Михаил Русланович Аухадиев, Роман Владиславович Шаров, Марина Александровна Барулина

Возможности компьютерной томографии в оценке состояния коронарных артерий у больных ишемической болезнью сердца

Азизов Васадат Али Оглы, Султанова Малахат Джахангир Кызы, Улудаг Керим, Эфендиева Лейла Галиб Кызы

Короткий адрес: https://sciup.org/14133180

IDS: 14133180 | УДК: 004.8

Fuzzy production rules and deep learning neural networks: explicable artificial intelligence 2.0 for the diagnosis of coronary stenosis

The article proposes a multi-level approach to diagnosing coronary stenosis based on deep learning and fuzzy logic. It addresses problems of insufficient labeled data through additional annotation of the CADICA dataset. An algorithm has been implemented including vessel segmentation using a modified U-Net network and CRF, augmented with XAI methods (Grad-CAM, LIME, Score-CAM). A neuro-fuzzy module ANFIS transforms model`s activations into rules. The approach provides high segmentation accuracy (Dice ≈ 0.84; IoU ≈ 0.78) and diagnostic reliability even in subtle pathology cases. Results confirm in-creased expert trust due to integration of explainable AI mechanisms.