CNN

Ишемическая болезнь сердца (ИБС) остается одной из ведущих причин смертности в мире, что требует точной оценки стеноза коронарных артерий и ангиографических признаков, связанных с бляшками, по данным коронарной ангиографии. Хотя модели глубокого обучения показали высокую прогностическую способность, их развертывание на встраиваемых платформах с ограниченными ресурсами затруднено из-за вычислительной сложности и требований к памяти. Для решения этих проблем предложена аппаратно-ориентированная структура на основе дистилляции знаний, которая переносит дискриминативные знания от высокопроизводительной сети-учителя к легковесной сверточной нейронной сети (CNN). Предложенная структура интегрирует программную локализацию ангиографических признаков бляшек с оптимизацией под FPGA. При разделении данных 90% на обучение и 10% на тестирование модель достигла точности 98,64%, полноты 97,82%, PPV 0,99, NPV 0,98, MCC 0,96 и AUC 0,9940. При 10-кратной перекрестной проверке средняя точность составила 97,53% ± 0,27%, полнота 96,94%, PPV 0,98, NPV 0,97, MCC 0,95 и средний AUC 0,9897, что подтверждает высокую устойчивость модели. Для аппаратной реализации оптимизированная CNN была развернута на FPGA Xilinx Zynq UltraScale+ MPSoC с использованием инструментария Vitis High-Level Synthesis (HLS). Реализованный ускоритель достиг задержки вывода на уровне ядра 10,6 мкс и пиковой пропускной способности около 94 339 выводов в секунду при сбалансированном использовании аппаратных ресурсов и низком энергопотреблении. В целом предложенная структура демонстрирует точную классификацию ангиографических признаков бляшек с эффективным развертыванием на FPGA, что открывает возможности для диагностики в реальном времени в клинических условиях.

В статье оценивается диагностическая точность пяти архитектур сверточных нейронных сетей (EfficientNetB7, MobileNet, ResNet50, ResNet152, InceptionNetV3) для автоматизированной классификации аномалий клеток шейки матки по изображениям мазков Папаниколау. EfficientNetB7 показал наилучшие результаты (F1 = 0.9324, точность = 0.9775), что подтверждает потенциал ИИ для скрининга рака шейки матки в условиях ограниченных ресурсов.

Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.

Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.

В исследовании представлен новый легковесный классификатор на базе сверточных нейронных сетей (CNN) для прогнозирования функций терапевтических пептидов напрямую из их аминокислотных последовательностей. Авторы использовали самую обширную на данный момент базу данных, включающую 54 655 пептидов, распределенных по 48 функциональным категориям. Ключевым инновационным методом стала стратегия негативной выборки на основе марковских моделей, позволяющая генерировать синтетические «ловушки» (decoys) различного уровня сложности. При тестировании на контрольном наборе данных частота ложноположительных результатов (FRP) была снижена с более чем 60% у предыдущих моделей до впечатляющих 2,1%. Ансамбль из пяти моделей достиг показателей Micro F1 78,9% и Macro F1 54,6%, при этом модель в 4 раза эффективнее по количеству параметров, чем существующие аналоги, и способна предсказывать в 4 раза больше функций. Анализ через L1-регуляризацию подтвердил, что нейросеть выявляет биологически значимые консервативные мотивы, что делает метод пригодным для ускорения дизайна новых лекарственных препаратов.

В статье предлагается гибридная архитектура CNN-BiLSTM для автоматизированной диагностики рака кожи на основе датасета HAM10000. Модель достигла точности 94,82%, эффективно сочетая извлечение пространственных признаков и анализ контекстуальных зависимостей, что делает её пригодной для использования в реальном времени.

Предложен метод ансамбля ESDRCX для раннего обнаружения болезни Паркинсона, объединяющий деревья решений, SVM, Random Forest с CNN для спиральных изображений и XGBoost как мета-обучатель. Модель достигла 95.7% точности и 86% precision на датасете HandPD, демонстрируя значительный прогресс в диагностике.