Научный архив: статьи

ЦЕЛЬ. Разработать способ индивидуального прогнозирования скорости прогрессирования развитой и далекозашедшей стадий первичной открытоугольной глаукомы (ПОУГ).

МЕТОДЫ. В исследование включались пациенты с подтвержденной развитой и далекозашедшей стадиями ПОУГ, находившиеся под наблюдением не менее 36 месяцев. Прогнозирование скорости утраты зрительных функций осуществлялось с использованием современных методов машинного обучения, а именно, Ranked PLS-DA, который отличается высокой устойчивостью к мультиколлинеарности и позволяет учитывать упорядоченность классов. В качестве входных данных рассматривались полный набор из 34 переменных и оптимизированный из 20 переменных, включающих демографические, функциональные, структурные и сосудистые показатели. Для оптимизации и валидации модели былbискусственно смоделирован проверочный (тестовый) набор с помощью метода прокрустовой кросс-валидации (Procrustes Cross-Validation, PCV). Эффективность моделей оценивали с помощью специфических метрик: чувствительности, специфичности, общей эффективности (TEFF) и площади под ROC-кривой (AUC).

РЕЗУЛЬТАТЫ. Оптимизированный набор переменных позволяет повысить чувствительность модели (0,93 против 0,78) при сохранении высокой специфичности (0,78). Общая эффективность на тестовой выборке составила 0,77 для сокращенного набора, AUC 0,9. Модель позволяла не только различать пациентов с быстрым, умеренным и медленным темпом прогрессирования, но и выделять «пограничные» случаи, требующие более тщательного мониторинга. Анализ вклада отдельных переменных выявил ключевые предикторы, влияющие на точность прогноза: возраст, толщина слоя нервных волокон сетчатки и ганглиозного комплекса, перипапиллярная сосудистая плотность и толщина сетчатки в парафовеа. Полученные результаты подчеркивают важность комплексного подхода к оценке риска развития необратимых изменений зрительных функций.

ЗАКЛЮЧЕНИЕ. Разработанная модель Ranked PLS-DA продемонстрировала высокую эффективность в стратификации пациентов с развитой и далекозашедшей глаукомой по темпу прогрессирования. Модель может служить надежной основой для индивидуализации наблюдения и терапии в рутинной практике.

В своей статье авторы предлагают систематический обзор основных способов применения методов машинного обучения, релевантного для политической социологии. Описывается история перехода от использования простых регрессионных моделей к комплексным моделям машинного обучения. Анализируются причины и преимущества такого перехода. Определяются основные способы использования моделей машинного обучения, которыми пользуются в смежных дисциплинах, и приводятся способы их применения к задачам предсказания революционных событий. Рассматривается когорта других исследователей, которые по-своему решали вопрос предсказания политической нестабильности от использования множества регрессионных моделей до применения машинного обучения как классификатора для твитов во время «арабской весны». Приводится расширенное описание основных направлений в области изучения поведения предикторов в моделях машинного обучения. Анализируются кейсы их применения и ограничения, с которыми могут столкнуться исследователи. Авторы приводят описание различных статистических подходов к задаче оценки параметров моделей машинного обучения. На примере анализа моделей, построенных для предсказания вероятности возникновения невооруженных революционных эпизодов, рассматриваются способы ранжирования параметров модели через оценку решающих деревьев и изменения в результирующей силе моделей. Авторы показывают, как коррелированные переменные могут влиять на полученный результат ранжирования, почему переменные могут при разных системах подсчета их важности оказываться в различных частях рейтинга. Также рассматривается способ определения границы, после которой параметры модели можно рассматривать как статистически значимые. Авторами проводится способ генерализованного представления направления связи различных переменных, с учетом их взаимодействия с другими предикторами, и дается интерпретация полученных результатов с использованием векторов Шепли. Из содержательных результатов проведенных тестов особо следует отметить выявление исключительно мощного эффекта революционных волн в революционных событиях XXI века, притом что в XXI веке эффект глобальных революционных волн оказывается сильнее эффекта волн региональных. Проведенные тесты заставляют предполагать, что особо сильными факторами, значимо повышающими в XXI веке вероятность начала невооруженных революционных выступлений (кроме эффекта революционных волн), являются следующие: высокий уровень политической коррупции, эффект инерции (невооруженные революционные или мощные протестные события в недавнем прошлом), аномалии экономического роста, высокие объемы помощи со стороны США (эффект «железной клетки либерализма» по Д. Риттеру), отсутствие нефтяной ренты, высокая численность населения, высокая продовольственная инфляция, средний уровень экономического развития, продолжительное пребывание первого лица у власти и промежуточный тип политического режима.

Возможность своевременно отличать заболевшие сельскохозяйственные культуры от здоровых играет реша­ющую роль в обеспечении продовольственной безопасности и минимизации экономических потерь. Машинное зрение в сочетании с алгоритмами глубокого обучения позволяет эффективно и точно отслеживать состояние посадок картофеля, выявляя симптомы заболеваний, что является более продуктивным подходом по сравнению с традиционными методами визуальной оценки. (Цель исследования) Сравнительный анализ одноэтапного и двухэтапного подходов к распознаванию заболевших и здоровых растений картофеля на основе алгоритмов глубокого обучения. (Материалы и методы) В исследовании использовали два подхода к процессу обучения нейронной сети с целью распознаванию заболевших и здоровых растений картофеля: одноэтапный и двухэтапный. В рамках одноэтапного подхода применялся один алгоритм глубокого обучения для одновременной классификации и локализации растений. Двухэтапный подход включал использование двух алгоритмов: первый определял границы растений, а второй классифицировал их как здоровые или заболевшие. С целью обучения алгоритмов использовались различные базы данных, включая снимки листьев и кустов картофеля. (Результаты и обсуждение) Проведен сравнительный анализ эффективности одноэтапного и двухэтапного подходов к распознаванию заболевших растений картофеля с использованием алгоритмов глубокого обучения. По каждому методу обучения было определено общее среднеквадратичное отклонение и среднеквадратичное отклонение для координат, построены матрицы запутанности. (Выводы) Двухэтапный подход продемонстрировал высокую эффективность в дифференциации больных и здоровых кустов картофеля, несмотря на небольшое снижение точности определения координат по сравнению с методом двухэтапного обучения, где использовались снимки как отдельных листьев, так и растений в целом. Данные методы имеют уникальные преимущества и могут быть интегрированы с современными технологиями для более эффективного выявления фитопатологий.

В статье авторы с критических позиций рассматривают термин «искусственный интеллект» (ИИ) как неточное обозначение современных технологий, которые представляют собой не креативное мышление (аналогичное человеческому мышлению и творчеству), а статистическую комбинаторику, работу с большими объемами данных и быстрые вычисления. Обсуждаются позиции ученых США, стран Европейского Союза и Китая, подчеркивающие отсутствие подлинного (человеческого) интеллекта и творчества в ИИ. Приводятся цитаты ученых и научный анализ, подтверждающие, что термин «искусственный интеллект» может вводить в заблуждение и необходимо в современных научных исследованиях второй четверти XXI века переходить на более точную терминологию.

Точная, своевременная и неинвазивная диагностика болезней имеет важное значение в промышленном производстве земляники, так как позволяет минимизировать потери урожая и снизить затраты на обработку растений. Благодаря развитию беспилотных летательных аппаратов и сенсорных технологий дистанционное зондирование становится перспективным способом мониторинга болезней сельскохозяйственных культур. Оперативное выявление заболевания на ранних стадиях особенно важно для таких чувствительных культур, как земляника садовая. (Цель исследования) Анализ возможности обнаружения грибковых болезней земляники садовой в полевых условиях с применением мультиспектральных сенсоров и беспилотных летательных аппаратов. (Материалы и методы) В коллекционном питомнике СибФТИ СФНЦА РАН была выполнена аэрофотосъемка растений земляники, пораженных белой пятнистостью. Мультиспектральная камера была установлена на квадрокоптере DJI Phantom4 Multispectral. Полученные данные прошли предварительную обработку, включая построение ортофотоплана и извлечение спектральных и текстурных характеристик изображений. (Результаты и обсуждение) На основе анализа мультиспектральных данных выделены наборы информативных признаков для дифференциации здоровых и пораженных грибками растений. Методом случайного леса (Random Forest) построена модель для обнаружения болезней земляники с точностью классификации 77 процентов. (Выводы) Для повышения точности классификации необходимы дополнительные исследования с применением сенсоров, обладающих более высоким пространственным разрешением. Также перспективным направлением является разработка классификационных моделей на основе сверточных нейронных сетей, которые могут улучшить результаты за счет более глубокого анализа изображений. Полученные результаты подтверждают потенциал использования БПЛА и мультиспектральных технологий для мониторинга заболеваний сельскохозяйственных культур.

Интеллектуальное (умное) земледелие является современным этапом развития сельскохозяйственной науки и практики. Его характерная особенность заключается в активном применении методов искусственного интеллекта, в частности, машинного и глубокого обучения, при решении частных задач, направленных на устойчивое производство в растениеводстве. (Цель исследования) Целью данного исследования стал анализ структуры данных и сравнение алгоритмов машинного и глубокого обучения, используемых в прогнозировании урожайности сельскохозяйственных культур. (Материалы и методы) На основе конвергентного подхода с использованием методов когнитивного и семантического анализа авторами рассмотрена предметная область «Применение методов искусственного интеллекта при прогнозировании урожайности сельскохозяйственных культур», а также базовые аспекты, связанные со структурой исходных данных, основные этапы реализации предиктивных моделей и наиболее используемые методы машинного и глубокого обучения. (Результаты и обсуждение) По результатам работы представлены основная структура и способы получения данных, а также типовая схема реализации моделей в предиктивной аналитике урожайности сельскохозяйственных культур. Выделены наиболее распространенные методы машинного и глубокого обучения, подробно рассмотрены их функциональные особенности. На основе сравнительного анализа показано, что глубокое обучения и гибридные подходы превосходят традиционные методы машинного обучения по метрикам ошибок (точности прогнозирования). (Выводы) По результатам исследований установлено пре­имущество методов глубокого обучения (Rср2 = 0,85) и гибридного подхода (Rср2 = 0,87) в прогнозировании урожайности сельскохозяйственных культур в зависимости от складывающихся условий и управляющего воздействия. Развитием дальнейшей исследовательской работы может быть адаптация современных подходов искусственного интеллекта к пространственным объектам землепользования и культурам с преимущественным использованием данных дистанционного зондирования.

Данная работа посвящена использованию новостных индексов в моделях машинного обучения для прогнозирования инфляции на горизонтах от 1 до 6 месяцев. Новости, с одной стороны, могут формировать ожидания населения и тем самым его поведение, а с другой - содержат информацию, которую сложно учесть в стандартных макропеременных, но которая может значительно повышать точность прогнозов инфляции. Для исследования были собраны экономические новости за девятилетний период с сайта «РИА Новости» и определена тональность каждой новости, после чего все новости разделены методом латентного размещения Дирихле на девять тематических групп. Тональность каждой темы определялась на основе взвешенной по вероятности тональности новостей, относящихся к этой теме. Полученные тематические временные ряды использовались в моделях машинного обучения вместе со стандартными макропеременными. Наиболее точной из рассмотренных в работе моделей оказалась модель долгой краткосрочной памяти (Long Short-Term Memory) с использованием новостных индексов. Наибольший вклад в формирование данной моделью прогноза инфляции внесли индексы тональности новостей по темам «Санкции», «Газовый сектор» и «Экономический рост», а из стандартных макропеременных - уровень заработной платы, индекс производства и цена фьючерсов на нефть марки Brent.

Введение. Искусственный интеллект (ИИ) становится ключевым инструментом современной медицины, способствующим повышению точности диагностики, персонализации лечения и оптимизации ведения пациентов. В урогинекологии внедрение ИИ открывает новые возможности для решения задач, связанных с интерпретацией медицинских изображений, анализом уродинамических исследований, прогнозированием исходов и дистанционным мониторингом пациенток.

Цель исследования. Систематизировать современные данные о применении технологий ИИ в урогинекологии, оценить их диагностический и прогностический потенциал, а также определить перспективы внедрения в клиническую практику.

Материалы и методы. Проведён поиск и анализ отечественных и зарубежных публикаций в базах eLIBRARY, PubMed, Scopus и Web of Science за 2020 – 2025 годы с использованием ключевых слов: “urogynecology”, “female urology”, “artificial intelligence”, “machine learning”. В обзор включены исследования, описывающие применение ИИ для диагностики, лечения, прогнозирования и мониторинга урогинекологических заболеваний.

Результаты. ИИ активно используется для анализа электронных медицинских записей, интерпретации уродинамических тестов, сегментации и оценки изображений при ультразвуковых и МРТ-исследованиях, что повышает точность диагностики пролапса тазовых органов и недержания мочи. В хирургической практике технологии компьютерного зрения и дополненной реальности улучшают точность и безопасность вмешательств. Прогностические алгоритмы позволяют оценивать риск осложнений и рецидивов после операций, а телемедицинские решения и носимые устройства на основе ИИ обеспечивают непрерывный мониторинг состояния пациенток. Несмотря на высокий потенциал, большинство моделей требует дополнительной клинической валидации и стандартизации.

Заключение. Применение ИИ в урогинекологии способствует повышению качества диагностики и лечения, развитию персонализированной медицины и улучшению клинических исходов. Для широкого внедрения технологий необходимы многоцентровые исследования, совершенствование алгоритмов и разработка этических и правовых норм использования ИИ в медицинской практике.

Продуктивным подходом к интеграции стратегического Форсайта и машинного обучения выступает модель Generalized Strategic Foresight Model embedding MLOps (GSF(M)²) — унифицированная структура управления, сочетающая интерпретационную глубину долгосрочного сценарного Форсайта с адаптивностью процедур машинного обучения в режиме реального времени. Модель устраняет структурные недостатки существующих систем принятия решений, где методы Форсайта генерируют упреждающие идеи, но лишены механизмов операционализации, тогда как алгоритмы машинного обучения автоматизируют процессы, но игнорируют стратегический и партисипативный контекст, а также социально-организационную специфику. Системный обзор литературы по методологии PRISMA (по 16 публикаций в каждом блоке — Форсайт и жизненный цикл машинного обучения) выявил методологические пробелы обоих направлений при сопоставлении с эталонными архитектурами. GSF(M)² синтезирует преимущества обоих подходов, встраивая логику Форсайта в адаптивные процессы машинного обучения, а автоматизированные циклы обратной связи — в сценарное планирование. Результатом стала постоянно обучающаяся экосистема, позволяющая в режиме реального времени осуществлять корректировку сценариев, параметров моделей и стратегических вариантов. Синтез упреждающей аналитики, непрерывного сканирования стратегического горизонта и приоритизации на базе данных обеспечивает повышение эффективности разработки политики и институциональную гибкость в условиях международной и технологической неопределенности. GSF(M)² представляет собой первую двухуровневую структуру коэволюции стратегического Форсайта и адаптивных алгоритмов в единой рефлексивной архитектуре управления

В статье исследуются перспективы автоматизации деятельности человека по применению права. Целью исследования является анализ теоретической возможности автоматизации процесса правоприменения посредством использования современных информационных технологий и новых подходов к формированию права. Методология исследования включает в себя системный подход, абстрагирование, анализ и синтез. В статье автор приводит перечень фундаментальных проблем, препятствующих автоматизации процесса правоприменения, вытекающих из особенностей современного права, процесса его создания и применения. К таким проблемам можно отнести отсутствие единой официальной базы данных источников права, несовершенство естественного языка, необходимость использования дополнительной информации о мире и обществе и др. Предлагаются возможные решения указанных проблем, основанные на применении машинного обучения и внедрении машиночитаемого права. В частности, автор рассматривает применение нейронных сетей для распознавания печатного текста, векторных моделей для организации семантического поиска по нормативным текстам, больших языковых моделей для осуществления когнитивных операций и хранения информации о мире и обществе, систем компьютерного зрения для оценки фактов объективной действительности. Сделан вывод, что современные технологии и новые подходы к формированию права потенциально позволяют если не достичь полной автоматизации правоприменения, то существенно приблизиться к данной цели.

В мире растет перечень отраслей, где используется искусственный интеллект, в т. ч. это области здравоохранения и фармацевтической индустрии. Стремительное развитие технологий искусственного интеллекта открывает значительные возможности для совершенствования всех этапов жизненного цикла лекарственных средств: от доклинических исследований до фармаконадзора. В ряде направлений, включая управление большими данными, системы контроля и статистическую обработку, действующие принципы, рекомендации и элементы надлежащих фармацевтических практик уже могут быть напрямую применены к системам искусственного интеллекта. В то же время использование моделей искусственного интеллекта, характеризующихся чрезвычайно большим числом параметров и сложными, слабо интерпретируемыми архитектурами, формирует новые категории рисков. Эти риски должны быть системно идентифицированы и минимизированы как на этапе разработки и обучения, так и при их внедрении в регуляторно значимые процессы, чтобы гарантировать безопасность пациентов, надежность аналитических выводов и воспроизводимость клинических результатов. За последние годы применение искусственного интеллекта в фармацевтической и биотехнологической промышленности существенно изменило подходы к определению новых мишеней для лекарственных средств, их репозиционированию и перепрофилированию, генерации новых молекул, проведению клинических исследований и управлению всеми этапами жизненного цикла лекарственного препарата.

Статья посвящена анализу правовых коллизий, возникающих при использовании охраняемых результатов интеллектуальной деятельности в процессе обучения систем искусственного интеллекта. В условиях отсутствия в российском законодательстве специальных норм, регулирующих данную сферу, существует риск нарушения исключительных прав правообладателей. Рассматриваются международные подходы, включая доктрину «fair use» в США и исключения для text and data mining в Европейском союзе. Обосновывается необходимость введения в российское правовое поле специальных исключений, обеспечивающих баланс интересов разработчиков ИИ и правообладателей, с учётом принципов добросовестности и законного доступа.