Научный архив: статьи

В настоящее время в условиях экономической нестабильности необходимо применять новые подходы к прогнозированию. Статья посвящена возможностям искусственного интеллекта, который включает в себя машинное обучение и глубокие нейросети. Искусственный интеллект позволяет анализировать сложные нелинейные зависимости и повышать точность прогнозов. В данной статье рассмотрены методы искусственного интеллекта для эффективного прогнозирования экономического развития на глобальном и региональном уровнях, в частности, методы искусственного интеллекта применены к прогнозированию валового внутреннего продукта Российской Федерации с расчётом ошибок прогнозов при использовании различных методов прогнозирования.

В настоящее время искусственный интеллект является одной из наиболее быстро развивающихся областей человеческого знания. Данная тематика имеет большое значение для науки и практики, в целом, и для медицины, в частности. Применение технологий искусственного интеллекта к сегментации зон головного мозга и выявлению аномальных участков особенно востребовано и перспективно в области нейрофизиологии, нейрохирургии, психиатрии, клинической психологии и других медицинских дисциплин. В данной работе проведено исследование существующих методов автоматизированной сегментации и анализа данных о структуре и функциональном состоянии головного мозга, а также метрик, применяемых для оценки эффективности данного подхода.

Цель: выявление нерешённых проблем и поиск тенденций в разработке методов сегментации и выявления аномальных участков головного мозга, а также определение наиболее эффективных методов и способов их улучшения.

Материалы и методы. Работа выполнена с использованием методологии Systematic Mapping Study (SMS). Данное исследование ограничивается предметной областью, связанной с сегментацией зон головного мозга и определением в нём аномальных участков.

Результаты. Основные результаты исследования представлены в виде классификационных таблиц и ментальной карты. Показано, что целью рассмотренных исследований является повышение точности при сегментировании зон головного мозга и нахождении аномальных участков. Такая метрика, как время обработки данных, применяется для оценки эффективности метода при малом количестве исследований, а в большинстве случаев вообще не рассматривается. При этом скорость обработки изображений в зависимости от применяемого метода измеряется минутами, что существенно ограничивает возможность использования данного подхода в экстренных ситуациях, в том числе при угрозе жизни человека.

Заключение. Для анализа данных о структуре и функциональном состоянии головного мозга в режиме реального времени требуется модификация уже разработанных методов энцефальной сегментации, а также разработка новых, более эффективных подходов. При этом скорость обработки данных должна быть соизмерима со временем вынесения срочного заключения о состоянии головного мозга человека.

В статье представлено проектирование базы данных, предназначенной для оптимизации хранения и обработки медицинских данных, с акцентом на поддержку принятия решений в области интенсивной терапии и реанимации. Целью исследования является разработка логической модели базы данных на основе передовых принципов и методов, используемых в международных проектах открытых баз данных, способной минимизировать ошибки, связанные с человеческим фактором, и улучшить точность прогноза состояния пациентов в реальном времени.

Методология работы основана на сравнительном анализе существующих международных медицинских баз данных, таких как MIMIC-IV и eICU. Для проектирования новой базы данных применен инновационный модульный подход, который обеспечивает гибкость и масштабируемость системы.

Основные результаты работы заключаются в создании логической модели базы данных, которая может быть эффективно использована в российской системе здравоохранения, в том числе в удаленных и малоресурсных регионах. Логическая модель разработана с учётом специфики медицинских данных, включая модули для хранения информации о госпитализациях, показателях состояния пациентов, лабораторных исследованиях, медикаментозных назначениях и других аспектах клинической практики. Важной частью исследования является интеграция базы данных с российскими медицинскими информационными системами и адаптация к национальным стандартам и нормативным требованиям.

Созданная архитектура логической модели минимизирует влияние человеческого фактора, автоматизирует анализ данных и может использоваться в разработке систем поддержки принятия врачебных решений. Практическая значимость заключается в повышении качества медицинской помощи и снижении нагрузки на персонал. Система применима в российских учреждениях, включая удаленные регионы, и способствует цифровизации здравоохранения.

Современные цифровые системы предъявляют высокие требования к удобству и персонализации пользовательских интерфейсов, что делает использование методов искусственного интеллекта особенно актуальным. Адаптивные интерфейсы, способные самостоятельно подстраиваться под индивидуальные особенности пользователя, уровень его опыта и контекст взаимодействия, становятся ключевым элементом повышения эффективности и качества цифровых продуктов. В статье рассматриваются теоретические и практические аспекты разработки таких интерфейсов с использованием ИИ. Особое внимание уделено методам машинного обучения, нейросетевым моделям, алгоритмам прогнозирования поведения пользователей и интеграции этих методов в архитектуру интерфейсов.

В статье рассматривается роль искусственного интеллекта в системе кибербезопасности как ключевого инструмента обнаружения, анализа и предотвращения кибератак. Проанализированы теоретические основы применения машинного обучения и нейронных сетей в защите информационных систем, показаны преимущества интеллектуальных технологий по сравнению с традиционными методами обеспечения безопасности. Особое внимание уделено концепции поведенческой аналитики, использованию алгоритмов глубокого обучения для выявления атак нулевого дня и построению адаптивных моделей защиты, способных предсказывать и предотвращать киберугрозы в режиме реального времени. Отмечаются этические и технологические вызовы, связанные с применением искусственного интеллекта, включая уязвимость обучающих моделей и необходимость сохранения человеческого контроля над автоматизированными системами. Сделан вывод о том, что интеграция искусственного интеллекта в систему кибербезопасности способствует формированию нового уровня защиты, основанного на самообучающихся алгоритмах и аналитике больших данных, что обеспечивает устойчивость цифровых инфраструктур в условиях динамично изменяющегося киберпространства.

Цель исследования: разработка методики скринингового обследования пациентов, направленной на раннюю дифференциальную диагностику злокачественных новообразований кожи посредством применения методов дерматоскопии совместно с оптоэлектронными средствами мобильной техники и алгоритмами классификации дерматоскопических изображений, основанных на методах машинного обучения.

Материалы и методы. Для реализации обнаружения злокачественных новообразований и отнесения их к соответствующей нозологической группе применяются методы и алгоритмы машинного обучения и оптического распознавания. Методы оптического распознавания используются в процессе анализа дерматоскопических снимков и обучения алгоритмов и моделей классификации. В качестве применяемых подходов машинного обучения выступают методы многоклассовой и бинарной каскадной двухэтапной классификации технологии машинного обучения, основанной на нейросетевой архитектуре и архитектуре визуальных трансформеров.

Результаты. В ходе экспериментальных оценок многоклассовой классификации (восемь типов злокачественных новообразований) определена наилучшая модель классификации с архитектурой визуального трансформера, характеризующего метриками Accuracy 0,932 и F-мера 0,891 на сформированном наборе данных, включая ISIC-2019 и собственный набор, содержащий 657 изображений. Бинарная каскадная двухэтапная классификация на меланоцитарные и немеланоцитарные новообразования имеет значения Accuracy и F-мера 0,954 и 0,948 (первый этап классификации) и на меланомы и невусы — 0,964 и 0,951 соответственно (второй этап классификации).

Заключение. Полученные количественные значения точности обнаружения злокачественных кожных новообразований разработанной методикой скринингового обследования позволяют рекомендовать внедрение многоклассовой классификации для первичного разделения большого объема дерматоскопических изображений пациентов по нозологическому признаку между профильными специалистами в процессе проведения массовый (выездных) профилактических осмотров, а внедрение каскадной бинарной классификации в условиях первичного приема с ограниченным доступом к профильным специалистам для дифференциации меланомы от других кожных новообразований. Разработанная методика скринингового обследования пациентов может быть внедрена в медицинскую практику в качестве системы поддержки принятия решений врача.

Алгоритмы машинного обучения (МО) находят применение во всех сферах жизни человека. Пренатальный скрининг (ПС) не является исключением. Внедрение методов МО для оценки результатов ПС позволит преодолеть проблемы, присущие анализу людьми: снизить субъективность и вариабельность между разными специалистами при чтении медицинских изображений, сократить время исследования, стратифицировать беременных по группам риска с большей достоверностью. Настоящее исследование сконцентрировано на оценке диагностической результативности применения технологий, основанных на применении методов искусственного интеллекта (ИИ), для оценки результатов ПС. Исследование проводилось в соответствии с методологией обзора предметного поля. По результатам поиска в базах PubMed и eLibrary идентифицировано 27 релевантных работ. Все включенные работы продемонстрировали положительный потенциал методов ИИ для обнаружения, классификации или прогнозирования рисков развития врожденных аномалий (ВА). При интерпретации медицинских изображений МО позволяет сократить время диагностики, повысить ее качество, обеспечить возможность проведения данного варианта диагностики в удаленных и труднодоступных районах или в условиях кадрового дефицита, сохраняя при этом достаточную чувствительность и специфичность вне зависимости от квалификации врача. Алгоритмы на основе метаболомного анализа обладают преимуществами в точности и эффективности прогнозирования хромосомных аномалий. Системы поддержки принятия врачебных решений позволяют улучшить прогнозирование развития ВА в первом триместре беременности как с точки зрения точности скрининга, так и с точки зрения снижения стоимости программы скрининга.

Тем не менее текущие эмпирически подтверждённые знания в основном получены при внедрении систем ИИ с низкой автономностью действий, и авторы большинства включенных в анализ исследований описывают ряд ограничений, которые необходимо учитывать при внедрении подобных решений.

Цель. Разработать с использованием алгоритмов машинного обучения модели прогнозирования госпитализаций пациентов с артериальной гипертензией (АГ) в течение 12 мес. и провести их валидацию на данных реальной клинической практики.

Материал и методы. По сведениям из деперсонифицированных электронных медицинских карт, полученных из платформы Webiomed, отобрано 1165770 записей 151492 пациентов с АГ. В качестве предикторов, после первоначальной селекции, были использованы анамнестические, конституциональные, клинические, инструментальные и лабораторные данные, широко применяемые в рутинной врачебной практике, всего 43 признака. Для создания моделей применялись инструменты автоматического машинного обучения. Рассматривался широкий набор алгоритмов, включая логистическую регрессию, методы, основанные на деревьях решений c использованием градиентного бустинга и бэггинга, дискриминантный анализ, алгоритм на основе нейронных сетей и наивный байесовский классификатор. Для внешней валидации использованы данные отдельного региона.

Результаты. Наилучшие результаты показала модель XGBoost, достигнув AUROC (площадь под характеристической кривой) 0,849 (95% доверительный интервал: 0,825-0,873) при внутреннем тестировании и 0,815 (95% доверительный интервал 0,797-0,835) при внешней валидации.

Заключение. В результате исследования разработана новая высокоточная модель прогнозирования госпитализации пациентов с АГ по данным реальной клинической практики. Результаты внешней валидации предложенного прогностического инструмента показали относительную устойчивость к новым данным из другого региона, что в совокупности с показателями качества отражает возможность ее апробации в реальной клинической практике.

Современные политические системы США и Европы сталкиваются с системными кризисами, которые можно сравнить с патологиями машинного обучения, известными аналитикам данных и разработчикам предиктивных систем. Проведенная аналогия с нейросетью, страдающей от «переобучения» (оvеrfitting), помогает выявить основные механизмы деградации политических систем представительной демократии в последние годы. На теоретическом уровне идея прямой демократии сталкивается с серьезными проблемами масштабируемости, ведь в больших иерархизированных сообществах реализация прямой демократии оказывается невозможной. Представительная демократия в свою очередь часто дискредитируется из-за коррупции, нарушений процедур обратной связи, манипулятивных политических технологий и даже насилия по отношению к оппонентам. В результате деградации управленческих компетенций и креативной функции элит усиливается внутреннее насилие в политической системе, а также возникают попытки внешней агрессии, что, в свою очередь, приводит к повышению геополитической напряженности. Автор статьи предлагает рассмотреть альтернативную модель - нейросетевую демократию. В этой модели все политически активные граждане становятся «нейронами» в общей сети, принимающей политические решения. При этом предусмотрены весовые коэффициенты и смещения в зависимости от квалификации и опыта участников. Обратная связь и механизм обратного распространения ошибки служат основой для обучения, а состязательность и конкуренция формируют встроенные механизмы защиты. Настраиваемые гиперпараметры оптимизируют процесс принятия решений, что значительно повышает эффективность политического управления. В результате реализуется решение ряда проблем, связанных с феноменом «переобучения» политических систем, и уменьшается зависимость от перепроизводства политико-экономической элиты. Некоторые выводы данного исследования могут быть полезны для внедрения в процедуры принятия политических решений как в Российской Федерации, так и в других странах, выходящих за рамки привычного «западного» политического пространства.

Разработан эвристический метод выявления инвесторов, которые внезапно распродают значимые доли рискованных активов, то есть впадают в панику. Исследование показывает, что паника чаще возникает при больших рыночных колебаниях. Панические продажи неэффективны на растущем рынке, но могут служить механизмом ограничения потерь на стремительно падающих рынках. Машинное обучение может определить риски панической распродажи активов на бирже инвесторами в ближайшем будущем, учитывая демографию, историю финансового портфеля и текущие рыночные условия. Было обнаружено, что домохозяйства совершают панические продажи во время резких экономических спадов. Такой феномен назван «истерия». Панические продажи и истерия предсказуемы и отличаются от таких поведенческих моделей, как чрезмерная торговля или эффект диспозиции. Основным результатом исследования является точное предсказание поведения панически настроенных инвесторов - инвесторы держат убыточные и прибыльные позиции; панические продажи дают небольшую отрицательную доходность и случаются редко по сравнению с активными трейдерами, но резко возрастают в кризисы, связанные с рыночной конъюнктурой.

Цель. Настоящая работа посвящена рассмотрению вопросов построения интеллектуальной системы анализа и классификации генераторов псевдослучайных чисел (ГПСЧ), объединяющей возможности машинного обучения и направленного перебора для решения задачи определения типа источника случайной последовательности чисел. Основное внимание уделяется выявлению слабостей некриптографических ГПСЧ, которые могут быть предсказуемыми, что несет риски для их использования в области информационной безопасности.

Методы. В ходе исследования использовались методы машинного обучения, в частности нейронные сети, корреляционный анализ и статистические тесты NIST. Разработанные модели обучались на больших выборках выходных последовательностей ГПСЧ, что позволило оценить предсказуемость ГПСЧ и возможность восстановления внутренних состояний. Структура нейронных сетей выбиралась с учетом результатов работы процедур оптимизации значений гиперпараметров нейронных сетей. Показано влияние размера выборки на получаемые результаты.

Результаты. Анализ и классификация ГПСЧ включает несколько этапов: вычисление автокорреляционной функции выходных последовательностей и их спектр, выполнение статистических тестов, разработанных лабораторией NIST; классификация ГПСЧ на основе анализа выходных последовательностей; выявление особенностей внутренней структуры ГПСЧ или его внутренних состояний; прогнозирование значений на выходе. Для алгоритма Xorshift128 нейронная сеть показала высокую точность восстановления выходных значений, подтверждая его уязвимость. Анализ алгоритма Mersenne Twister выявил определенные закономерности, но потребовал более сложных архитектур для полной реконструкции последовательностей. Для алгоритма «стоп-пошел» удалось выявить закономерности построения структуры с использованием алгоритмов машинного обучения, но решить задачу прогнозирования значения на выходе ГПСЧ только по предыдущим значениям выходной последовательности без знания внутренних состояний с высокой точностью не удалось. Линейный конгруэнтный генератор и генератор Геффе удается классифицировать и прогнозировать с использованием алгоритмов направленного перебора. Объединенные в систему модели классифицируют ГПСЧ по их характеристикам и прогнозируют их дальнейшие выходные значения. Анализ полученных результатов подтверждает значимость выбора не только структуры ГПСЧ, но и числовых параметров и задействованных в вычислениях битов внутри чисел.

Заключение. Проведенное исследование подтверждает эффективность сочетания методов машинного обучения и направленного перебора при анализе и классификации ГПСЧ. Полученные результаты позволяют рекомендовать разработанную систему для использования в практических задачах оценки безопасности ГПСЧ. Перспективы дальнейших исследований связаны с расширением множества анализируемых ГПСЧ и рассмотрением других типов нейронных сетей для повышения качества и производительности моделей.

Современные организации сталкиваются с необходимостью оперативного анализа больших объемов данных для принятия управленческих решений. Традиционные методы экономического анализа, основанные на статистике и эконометрике, зачастую не справляются с нелинейными зависимостями и быстро меняющимися рыночными условиями. Искусственный интеллект (ИИ), включая машинное обучение (ML) и глубокие нейросети (DL), позволяет значительно повысить точность оценки экономических процессов и прогнозировать их развитие.

В данной статье анализируются возможности применения методов ИИ для оценки экономического состояния организаций в различных отраслях. Рассмотрены ключевые алгоритмы машинного обучения (линейная регрессия, случайный лес, градиентный бустинг) и нейросетевые модели (LSTM, трансформеры, GNN), а также их практическое использование в прогнозировании банкротств, кредитных рисков, спроса и мошенничества. Приведены реальные кейсы внедрения ИИ в российских компаниях (Сбербанк, X5 Group, РЖД, ФНС) и за рубежом (J. P. Morgan, IBM, BlackRock).