- Код статьи
- S0869587325080053-1
- DOI
- 10.31857/S0869587325080053
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 8
- Страницы
- 53-57
- Аннотация
- В статье рассматриваются современные вызовы и возможности применения искусственного интеллекта (ИИ) в медицине. Представлена Платформа для создания моделей интеллектуального анализа биомедицинских данных, разработанная в рамках Научного центра мирового уровня "Цифровой биодизайн и персонализированное здравоохранение". Описаны ключевые аспекты инфраструктуры, необходимой для обработки медицинских данных, а также результаты апробации Платформы на реальных биомедицинских задачах. Особое внимание уделено применению ИИ для анализа электрокардиограмм (ЭКГ), классификации маммограмм, детекции меланом и решения задач биоинформатики. Статья подготовлена на основе доклада, заслушанного на заседании Президиума РАН 24 декабря 2024 г.
- Ключевые слова
- искусственный интеллект биомедицинские данные машинное обучение анализ данных федеративное обучение
- Дата публикации
- 17.09.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 18
Библиография
- 1. Growth, Size, Share, and Trends. https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-healthcare-market-54679303.html
- 2. Национальная стратегия развития ИИ на период до 2030 года. https://ai.gov.ru/national-strategy/
- 3. National AI Development Strategy for the Period up to 2030. @@Andreev Р., Ananev V., Avetisyan A. et al. Non-architectural improvements for ECG classification using deep neural network // 2020 Ivannikov ISP RAS Open Conference. Pp. 64–68.
- 4. Gliner V., Keidar N., Makarov V. et al. Automatic classification of healthy and disease conditions from images or digital standard 12-lead electrocardiograms // Scientific Reports 10, article number: 16331 (2020), pp. 1–13.
- 5. Ananev V., Skorik S., Shaklein V. et al. Assessment of the impact of non-architectural changes in the predictive model on the quality of ECG classification // Proceedings of the Institute for System Programming of RAS. 2021, no. 33 (4), pp. 87–98.
- 6. Avetisyan A., Tigranyan Sh., Asatryan A. et al. Deep neural networks generalization and fine-tuning for 12-lead ECG classification // Biomedical Signal Processing and Control, 2024, vol. 93, 106160.
- 7. Skorik S., Avetisyan A., Diatlinko E. et al. Transferring Knowledge from 12-lead to 1-lead ECGs via Contrastive Learning // 2024 IEEE 48th Annual Computers, Software, and Applications Conference (COMPSAC). Pp. 1825–1830.
- 8. Ибрагимов А.А., Сенотрусова С.А., Литвинов А.А. и др. Классификация наличия злокачественных образований на маммограмме с помощью методов глубокого обучения // Digital Diagnostics. 2024. Т. 5. № S1. С. 137–139. @@Ibragimov A.A., Senotrusova S.A., Litvinov A.A. et al. Classification of the presence of malignant tumors on a mammogram using deep learning methods // Digital Diagnostics. 2024, vol. 5, no. S1, pp. 137–139.
- 9. Ibragimov А., Senotrusova S., Litvinov A. et al. MamT4: Multi-View Attention Networks for Mammography Cancer Classification // 2024 IEEE 48th Annual Computers, Software, and Applications Conference (COMPSAC). Pp. 1965–1970.
- 10. Guguchkin E., Kasianov A., Belenikin M. et al. Enhancing SNV identification in whole-genome sequencing data through the incorporation of known genetic variants into the minimap2 index // BMC Bioinformatics, 2024 Jul, 13:25(1):238.
- 11. Vishnyakova P., Poltavets A., Karpulevich E. et al. The response of two polar monocyte subsets to inflammation // Biomedicine and Pharmacotherapy, 2021, Jul. 139:111614.
- 12. Sorokin M., Lyadov V., Suntsova M. et al. Detection of fusion events by RNA sequencing in FFPE versus freshly frozen colorectal cancer tissue samples // Frontiers in molecular biosciences, 2025, Jan. 21:11:1448792.
