ПРИМЕНЕНИЕ ОБЪЯСНИМОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ГЛУБОКОЙ АНАЛИТИКИ И КЛАССИФИКАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ В ОБЛАСТИ РЕНТГЕНОГРАФИИ Медведев Д.А.

Аннотация

Показана возможность высокоточной автоматической классификации детских грудных рентгенограмм при помощи легкой сверточной модели Custom CNN (1,9 млн парам., 1,3 МБ). На стандартизованном датасете Chest X-Ray Images (Pneumonia) сеть достигает accuracy = 91,1%, F1 = 93,9%, AUC = 0,958 при входе 128 × 128 px и времени инференса 0,8 мс на Jetson Nano.

Для объяснения решения предложен гибрид Grad-CAM + Gradient-SHAP: карты нормируются, смешиваются (0,55 / 0,45) и сглаживаются, что повышает IoU локализации инфильтратов до 0,66 и снижает ложные активации вне легочного поля до 3,8%. Визуализации дополняются 150-словным комментарием, автоматически сформированным GPT-4o. Результаты проверены независимыми радиологами: согласие с GT-масками Cohen’s κ = 0,82; правильность текстов – 3,7 ± 0,4 балла из 4.

Комплекс сравнивается с девятью популярными бэкбоунами (Inception V3, EfficientNet-B0/-V2B0, MobileNetV3-Small, ViT-Tiny, DenseNet-121, ResNet-50V2, Xception, NASNet-Mobile) и превосходит их по метрике «качество-память» в 7 – 100 раз при равной или более высокой диагностической точности.