SCI Библиотека

Аневризмы аорты — «тихие убийцы», развиваются без симптомов и могут привести к летальному исходу. Ежегодно заболеваемость аневризмой грудной аорты составляет около 10 случаев на 100 000 человек, а частота разрывов аневризмы — около 1,6 случая. Ранняя диагностика и лечение могут спасти жизнь пациента. Использование технологий искусственного интеллекта может значительно улучшить качество диагностики и предотвратить летальный исход.

Цель — оценить эффективность применения технологий искусственного интеллекта в выявлении аневризм грудного отдела аорты на компьютерной томографии органов грудной клетки и исследовать возможности использования этих технологий в качестве системы поддержки принятия врачебных решений врача-рентгенолога при первичном описании лучевых исследований.

Материалы и методы. Были оценены результаты использования технологий искусственного интеллекта для выявления аневризмы грудной аорты на компьютерной томографии органов грудной клетки без контрастного усиления. Была сформирована выборка из 84 405 случаев обследования пациентов старше 18 лет, из которых отобрано и ретроспективно пересмотрено сосудистыми хирургами Научно-исследовательского института скорой помощи имени Н.В. Склифосовского 86 исследований с подозрением на наличие аневризмы грудного отдела аорты по данным технологий искусственного интеллекта. Эти исследования были также ретроспективно оценены двумя врачами-рентгенологами.
Была сформирована дополнительная выборка из 968 исследований, взятых в случайном порядке из общего числа, для оценки корреляции возраста пациентов и диаметра грудного отдела аорты.

Результаты. Анализ показал, что в 44 исследованиях аневризма была первично выявлена врачом-рентгенологом, в 31 случае аневризмы не были описаны, но технология искусственного интеллекта помогла выявить патологию. Ещё 6 исследований были исключены из выборки, а в 5 случаях были обнаружены ложноположительные результаты анализа.
Использование технологий искусственного интеллекта обнаруживает и выделяет патологические изменения аорты на медицинских изображениях, тем самым повышая выявляемость аневризмы грудной аорты при интерпретации результатов компьютерной томографии органов грудной клетки на 41%. При первичном описании лучевых исследований и в ретроспективных исследованиях целесообразно использовать технологии искусственного интеллекта для профилактики пропусков клинически значимых патологий — как в качестве системы поддержки принятия врачебных решений для врача-рентгенолога, так и для повышения выявляемости патологического расширения грудного отдела аорты.
По дополнительной выборке в популяции взрослого населения частота дилатации грудного отдела аорты составила 14,5%, а аневризм грудного отдела аорты —1,2%. Данные также показали возрастную зависимость диаметра грудного отдела аорты для мужчин и женщин.

Заключение. Применение технологий искусственного интеллекта в процессе первичного описания результатов компьютерной томографии органов грудной клетки может повысить выявляемость клинически значимых патологических состояний, таких как аневризма грудного отдела аорты. Расширение ретроспективного скрининга по данным компьютерной томографии органов грудной клетки с использованием технологий искусственного интеллекта может улучшить качество диагностики сопутствующих патологий и предотвратить негативные последствия для пациентов.

Заболевания макулярной области представляют собой большую группу патологических состояний, приводящих к потере зрения и слабовидению. Ранняя диагностика таких изменений играет большую роль в выборе тактики лечения и является одной из определяющих в прогнозировании результатов.

Цель — изучить возможности программы искусственного интеллекта в диагностике заболеваний макулярной области на основе анализа сканов структурной оптической когерентной томографии.

Материалы и методы. В исследование были включены пациенты, проходившие обследование и лечение в Федеральном научно-клиническом центре специализированных видов медицинской помощи и медицинских технологий и Московского областного научно-исследовательского клинического института им. М.Ф. Владимирского. Обследовано 200 глаз с заболеваниями макулярной области, а также глаза без макулярной патологии. Проведён сравнительный клинический анализ сканов структурной оптической когерентной томографии, выполненных на офтальмологическом томографе RTVue XR 110-2. Для анализа сканов оптической когерентной томографии использовалось программное обеспечение Retina.AI.

Результаты. В ходе анализа сканов оптической когерентной томографии с помощью программы были выявлены различные патологические структуры макулярной области, а затем сформулировано заключение о вероятной патологии. Полученные результаты сравнивались с заключениями врачей-офтальмологов. Чувствительность метода составила 95,16%; специфичность — 97,76%; точность — 97,38%.

Заключение. Платформа Retina.AI позволяет офтальмологам успешно проводить автоматизированный анализ сканов структурной оптической когерентной томографии и выявлять различные патологические состояния глазного дна.

Эпоха массовой цифровизации ставит перед обществом важную задачу, заключающуюся в поддержании надежности и безопасности компьютерных систем. Существенным аспектом здесь является проактивное предсказание поломок оборудования во избежание критических сбоев и потерь данных. Одним из эффективных методов решения этой проблемы является использование интеллектуальных методов прогнозирования выхода из
строя различных устройств. Цель данного исследования заключается в обосновании эффективности интеллектуального метода оценки состояния оборудования компьютера с использованием алгоритма случайного леса (Random Forest) и подходов bagging и boosting для предотвращения потери данных на информационных накопителях компьютера. Объектом исследования является информационные накопители компьютера (HDD-диски и SSD-диски). В качестве предмета исследования выступает определение методологии интеллектуального метода для прогнозирования момента выхода из строя информационного накопителя вычислительной техники. В работе рассматривается методология интеллектуального подхода к оценке состояния оборудования компьютера
с целью предотвращения потери данных. Особое внимание уделяется применению алгоритма Random Forest в сочетании с подходами bagging и boosting для прогнозирования поломок информационных накопителей вычислительной техники на основе статистики SMART-тестов. Исследование проводилось в следующей последовательности:

1. описание процесса сбора и предобработки данных для обучения модели;
2. описание выбранного интеллектуального метода оценки состояния оборудования компьютеров;
3. подведение итогов.

Результат проведенного авторами исследования позволит предприятиям разработать и использовать собственный метод (технологию) мониторинга состояния их информационных накопителей до момента наработки на отказ взамен зарубежных аналогов с закрытым исходным кодом.

Проведён сравнительный анализ эффективности различных моделей машинного обучения для генерации контента, включая текст, изображения, видео и музыку. Рассмотрены основные метрики оценки качества генерируемого контента для каждого типа данных. Проведено тестирование и сравнение таких моделей, как GPT, DALL-E, Vid2Vid и Mubert, на соответствующих наборах данных. Показаны сильные и слабые стороны каждой модели. Определены наиболее эффективные на текущий момент подходы для задач генерации разных типов контента.

Приведена вероятностная модель системы антропогенной безопасности выхода из строя или нарушения режима эксплуатации электроустановок. В эту систему необходимо включить основные составляющие, которые образуют обобщенную систему, состоящую из следующих подсистем: информационное обеспечение, организационные и инженерно-технические мероприятия, а также защитные средства. Кроме того, здесь необходимо учитывать эксплуатационный контроль параметров техногенной безопасности и диагностики технического состояния эксплуатируемых электроустановок. Указанные подсистемы характеризуются различными элементами, которые определяют функционирование отдельных подсистем и всей системы в целом. Эти элементы охватывают достаточное количество факторов, позволяющих не только оценить состояние электроустановки, но и выполнить прогноз выхода из строя или нарушения режима эксплуатации электроустановок. В данном случае человек характеризуется дуальными свойствами: во-первых, определяется как субъект защиты, во-вторых, сам является источником снижения уровня электробезопасности и представляет собой один из рискообразующих факторов. Рискообразующие факторы являются переменными величинами и характеризуются циклом не связанных между собой событий. Результирующее влияние этих факторов представлено вероятностной моделью с дискретными состояниями определенного для каждого из факторов. Разработанный алгоритм состоит из следующих блоков: блок сбора данных и анализа информационных потоков, характеризующих функционирование системы; блок оценки влияния каждого фактора и весовое значение этого влияния на итоговую оценку состояния электробезопасности. Этот алгоритм реализован в процессорной модели, которая представлена автоматизированной информационной системой (AИС). АИС обрабатывает и анализирует данные о текущем состоянии системы и дает заключение об эффективности функционирования человеко-машинной системы «Ч-Э-С».

Рассмотрено цензурирование обучающих выборок с учетом специфики реализации алгоритмов метода ближайшего соседа.

Процесс цензурирования связан с использованием множества граничных объектов классов по заданной метрике с целью: поиска и удаления шумовых объектов; анализа кластерной структуры обучающей выборки по отношению связанности.

Исследуются специальные условия удаления шумовых объектов и формирования базы прецедентов для обучения алгоритмов.

Распознавание объектов по такой базе должно обеспечивать более высокую точность с минимальными затратами вычислительных ресурсов относительно исходной выборки.

Метод: Разработаны необходимые и достаточные условия для отбора шумовых объектов из множества граничных. Необходимое условие принадлежности граничного объекта к множеству шумовых задается в виде ограничения (порога) на отношение расстояний до ближайшего объекта из своего класса и его дополнения.

Поиск минимального покрытия обучающей выборки эталонами производится на основе анализа кластерной структуры. Эталоны представлены объектами выборки.

Структура отношений связанности объектов по системе гипершаров используется для их группировки.

Состав групп формируется из центров (объектов выборки) для гипершаров, в пересечении которых содержатся граничные объекты.

Значение меры компактности вычисляется как среднее число объектов обучающей выборки за вычетом шумовых, притягиваемое одним эталоном минимального покрытия.

Выполняется анализ связи обобщающей способности алгоритмов при машинном обучении со значением меры компактности.

Наличие связи обосновывается по критерию (регуляризатору) для отбора числа и состава множества шумовых объектов.

Основные результаты: Показана связь между значением меры компактности обучающей выборки и обобщающей способностью алгоритмов распознавания.

Связь выявлена по эталонам минимального покрытия выборки, из которых сформирована база прецедентов.

Обнаружено, что точность распознавания по базе прецедентов выше, чем на исходной выборке.

Минима

Современные технологии искусственного интеллекта находят применение в различных областях науки и повседневной жизни.

Повсеместное внедрение систем, основанных на методах искусственного интеллекта, выявило проблему их уязвимости перед состязательными атаками, включающими методы обмана искусственной нейронной сети и нарушения ее работы.

В работе основное внимание уделено защите моделей распознавания изображений от состязательных атак уклонения, признанных в настоящее время наиболее опасными.

При таких атаках создаются состязательные данные, содержащие незначительные искажения относительно исходных, и происходит отправка их на обученную модель с целью изменения ее «ответа» на вариант, необходимый злоумышленнику.

Искажения могут включать добавление шума или изменение нескольких пикселов
изображения.

Рассмотрены наиболее актуальные подходы к созданию состязательных данных: метод быстрого градиента (Fast Gradient Sign Method, FGSM), метод квадрата (Square Method, SQ), метод прогнозируемого градиентного спуска (Predicted Gradient Descent, PGD), базовый итеративный метод (Basic Iterative Method, BIM), метод Карлини и Вагнера (Carlini-Wagner, CW), метод карт значимости Якобиана (Jacobian Saliency Map Attack, JSMA).

Исследованы современные методы противодействия атакам уклонения, основанные на модификации модели — состязательное обучение и предварительная обработка поступающих данных: пространственное сглаживание, сжатие признаков, JPEG-сжатие, минимизация общей дисперсии, оборонительная дистилляция.

Эти методы эффективны только против определенных видов атак. На сегодняшний день ни один метод противодействия не может быть применен в качестве универсального решения.

Метод:

Предложен новый метод, сочетающий состязательное обучение с предварительной обработкой изображений.

Состязательное обучение выполнено на основе состязательных данных, создаваемых с распространенных атак, что позволяет эффективно им противодействовать.

Предварительная обработка изображений предназначена для противодей

Предложены метод стабилизации обнаружения структурных аномалий в условиях аддитивных шумов, а также алгоритм формального выбора параметров решающего правила в обнаружителе структурных аномалий на основе метода Robust Random Cut Forest (RRCF).

Метод:

В рамках разработанного метода, для стабилизации процесса обнаружения структурных аномалий в условиях воздействия аддитивных шумов, предложено подавать на вход RRCF-обнаружителя поток данных, который предварительно обработан одним из методов цифровой фильтрации.

При этом правило принятия решения об обнаружении аномалии строго формализовано и прозрачно интерпретируется.

Основные результаты:

Формализован выбор параметров стабилизированного методами предварительной фильтрации данных входного потока обнаружителя аномалий на базе RRCF.

Параметр обнаружителя, выбранный в рамках предложенный схемы, гарантирует априорно заданную верхнюю границу для вероятности ложной тревоги при принятии решения об обнаружении структурной аномалии.

Это свойство строго доказано и оформлено в виде теоремы.

Эффективность работы стабилизированного RRCF-обнаружителя аномалий исследована численным методом.

Достигнутые результаты подтверждают работоспособность рассмотренного подхода при условии выбора порога обнаружения предложенным способом.

Приведен пример практического использования предложенного RRCF-обнаружителя.

Обсуждение:

Разработанный подход перспективен для обнаружения структурных аномалий в условиях зашумления наблюдений аддитивной помехой, в случае, когда важно гарантировать верхнюю границу для вероятности ложной тревоги.

В частности, подход может найти применение при контроле технологических режимов прокачки жидкости в трубопроводных системах или в системах обнаружения предотказных состояний технологического оборудования.

В статье рассматривается возможность использования генеративных систем искусственного интеллекта для создания юридических текстов и поддержки юридической деятельности.

Проведено экспериментальное исследование на основе систем ChatGPT и YandexGPT.

Представлены новые метрики оценки качества сгенерированных юридических текстов, которые существенно отличаются от традиционных методов оценки текстов.

Основное внимание уделяется содержательным аспектам юридических документов и их пригодности для практического применения.

Результаты исследования показывают, что современные ИИ-системы способны генерировать тексты, которые могут быть полезны в юридической практике, хотя и требуют доработки.

Искусственный интеллект сегодня можно назвать одним из самых обсуждаемых явлений. Между тем, границы этого термина чрезвычайно широки и размыты. Подобной размытости во многом способствует разноплановое прочтение понятия в медиа. Медиа формируют амбивалентное и неустойчивое отношение к явлению в восприятии аудитории. В связи с этим представляется важным определить ассоциативное поле термина, существующее к настоящему моменту времени в восприятии студентов-журналистов, которые транслируют и будут транслировать собственные ассоциации потребителям медиаконтента. Задача исследования - конкретизация особенностей ассоциативного поля термина «искусственный интеллект», сформированного у студентов-журналистов российских вузов. В нашем исследовании на основе анализа результатов ассоциативного теста, пройденного 380 студентами, обучающимися на направлениях «Журналистика», «Телевидение», «Медиакоммуникации» и «Реклама и связи с общественностью» в трех вузах страны (МГУ имени М.В. Ломоносова, ДВФУ и ТГУ имени Г.Р. Державина) мы определяем ассоциативное поле термина. Хронологические рамка исследования - декабрь 2023 г. Ассоциации фиксируются на основе следующих вопросов: «С каким словом у вас ассоциируется «искусственный интеллект?», «С каким животным у вас ассоциируется «искусственный интеллект?», «С каким растением у вас ассоциируется «искусственный интеллект?», «С каким цветом у вас ассоциируется «искусственный интеллект?», «С какой страной у вас ассоциируется «искусственный интеллект?», «С какой эмоцией у вас ассоциируется «искусственный интеллект?», «С какой известной личностью у вас ассоциируется «искусственный интеллект?», «Если бы у вас была возможность дать искусственному интеллекту имя, то какое вы выбрали бы?». Выявляются ассоциации, характерные для студентов всех трех вузов, а также осуществляется попытка выявить различия в формировании ассоциативного поля студентов разных вузов.