УДК 004.89:61
DOI: 10.36871/26189976.2026.02-4.007

Авторы

Ольга Александровна Пырнова,
Казанский государственный энергетический университет, Казань, Россия
Данила Петрович Никоноров,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

В статье представлено комплексное исследование применения глубоких сверточных нейронных сетей (CNN) для автоматизированного обнаружения патологий на рентгеновских снимках легких. На основе анализа современных архитектур нейронных сетей, таких как ResNet, DenseNet, EfficientNet, и публичного медицинского набора данных, демонстрируется трансформационный потенциал технологий искусственного интеллекта для повышения точности и скорости диагностики заболеваний дыхательной системы. Набор данных Chest X-ray Dataset содержит 112 120 изображений рентгеновских снимков грудной клетки от 30 805 уникальных пациентов с аннотациями 14 распространенных патологий, который предоставлен клиническим центром NIH. Основное научное внимание сосредоточено на архитектурных решениях, позволяющих эффективно решать задачи бинарной и мультиклассовой классификации, а также сегментации патологических изменений. Результаты вычислительных экспериментов показывают высокие показатели эффективности, а именно точность (accuracy) обнаружения пневмонии достигает 96,5%, чувствительность при выявлении злокачественных образований — 94,2%. При этом время одного анализа сокращается до 1,5–2 секунд, что является прекрасным показателем для медицинской диагностики. Особую научную ценность представляет выявленный в исследовании «парадокс точности»: несмотря на высокие метрики на валидационных данных (до 98%), практическое внедрение сталкивается с существенными ограничениями, связанными с проблемой «черного ящика» (интерпретируемость решений), высокой зависимостью от качества размеченных данных (до 30% погрешностей в публичных датасетах) и нормативно-правовыми барьерами. Предлагаются инновационные подходы к преодолению этих вызовов, включая методы объяснимого ИИ (XAI), активное обучение (active learning) с участием экспертов. Практическая значимость исследования заключается в разработке комплексной методологии внедрения систем компьютерной диагностики на основе CNN, которая учитывает технологические, клинические и организационные аспекты. Результаты работы представляют особую ценность для лечебно-профилактических учреждений, внедряющих системы поддержки врачебных решений (CAD), разработчиков медицинского ПО, а также для регуляторных органов, формирующих политику в области цифрового здравоохранения.

Ключевые слова

глубокое обучение
сверточные нейронные сети
компьютерная диагностика
рентгенография легких
объяснимый искусственный интеллект
машинное обучение в медицине

Список литературы

[1] Германов Н. С. Концепция ответственного искусственного интеллекта — будущее искусственного интеллекта в медицине // Digital Diagnostics.—2023.—Т. 4, № S1.— С. 27–29.

[2] Дыдалин Г.Д., Смирнов Ю. Н. Масштабирование нейронных сетей, проблемы и методы их решения // Технологический суверенитет и цифровая трансформация: Материалы международной научно-технической конференции, Казань, 03 апреля 2025 года.— Казань: Казанский государственный энергетический университет, 2025.—С. 136–141.

[3] Матюхина Д. А. Новые подходы к использованию искуственного интеллекта в медицине для диагностики и лечения заболеваний // Инструменты, механизмы и технологии современного инновационного развития: Сборник статей по итогам Международной научно-практической конференции, Калуга, 12 августа 2024 года.— Стерлитамак: Общество с ограниченной ответственностью «Агентство международных исследований», 2024.—С. 60–66.

[4] Никоноров Д. П., Пырнова О. А. Применение технологий искусственного интеллекта для распознавания физического состояния человека // Цифровые системы и модели: теория и практика проектирования, разработки и применения: Материалы национальной (с международным участием) научно-практической конференции, Казань, 10–11 апреля 2024 года. — Казань: Казанский государственный энергетический университет, 2024.—С. 1000–1003.

[5] Нургалиев Б. Х., Катасёва Д. В., Катасёв А. С. Нейросетевая модель и программный комплекс распознавания изображений типа CAPTCHA// Вестник Технологического университета.—2021.—Т. 24, № 1.—С. 104–107.

[6] Пырнова О. А., Никоноров Д. П. Влияние искусственного интеллекта на производительность труда // Экономика и управление: проблемы, решения. — 2025. — Т. 12, № 2(155).—С. 118–123.

[7] Сабиров А.И., Катасёв А. С., Дагаева М. В. Нейросетевая модель распознавания знаков дорожного движения в интеллектуальных транспортных системах// Компьютерные исследования и моделирование.—2021.—Т. 13, № 2.—С. 429–435.

[8] Силкина О. Ю., Зарипова Р. С. Интеллектуальные системы в медицине // Интеллектуальные информационные системы: Теория и практика: Сборник научных статей по материалам II Всероссийской конференции, Курск, 23–25 ноября 2021 года. — Курск: Курский государственный университет, 2021.—С. 94–101.

[9] Хайруллин А. М., Зарипова Р. С. Цифровое будущее медицины // Вектор развития управленческих подходов в цифровой экономике: Материалы III Всероссийской научно-практической конференции, Казань, 28 января 2021 года. — Казань: Издательство «Познание», 2021.—С. 295–297.

[10] Хайруллин А. М., Зарипова Р. С. Применение моделей искусственного интеллекта в медицине // Информационные технологии в строительных, социальных и экономических системах.—2020.—№ 3(21).—С. 40–42.