arXiv · 02.07.2026 ·Исследования и наука

RadiomicNet: гибридная архитектура для интерпретируемой сегментации медицинских изображений

Исследователи представили RadiomicNet — двухпотоковую нейросетевую архитектуру, объединяющую глубокое обучение с классическими радиомическими признаками. Решение направлено на решение проблем «черного ящика» в медицине, обеспечивая высокую точность сегментации при значительном снижении количества параметров модели. Метод позволяет врачам лучше понимать логику принятия решений ИИ, что критически важно для клинической диагностики и планирования лечения.

Традиционные модели глубокого обучения в медицинской визуализации часто требуют огромных вычислительных мощностей и страдают от низкой интерпретируемости. RadiomicNet использует гибридный подход: один поток обрабатывает исходные данные, а второй интегрирует экспертные радиомические признаки, извлеченные вручную. Это позволяет модели сохранять высокую производительность, оставаясь при этом компактной и прозрачной для медицинских специалистов.

Интеграция экспертных знаний в архитектуру нейросети позволяет снизить риск ошибок, связанных с переобучением на малых выборках, что является типичной проблемой в медицинской сфере. Такой подход делает модель более устойчивой к вариативности данных, полученных на разных типах сканеров, и упрощает процесс валидации алгоритмов для использования в реальной клинической практике.

Ключевые факты

RadiomicNet использует двухпотоковую архитектуру, сочетающую глубокое обучение и радиомические признаки.
Архитектура обеспечивает интерпретируемость результатов, что позволяет врачам отслеживать логику сегментации.
Модель отличается легковесностью, требуя значительно меньше параметров по сравнению со стандартными глубокими нейросетями.
Разработка направлена на повышение надежности автоматизированной диагностики и снижение вычислительной нагрузки при обработке медицинских изображений.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука TRCGL-Net: новый подход к классификации редких патологий на рентгеновских снимках Исследователи представили архитектуру TRCGL-Net для многоклассовой классификации рентгеновских снимков грудной клетки. Модель решает проблему дисбаланса данных, характерную для медицинской диагностики, где редкие заболевания представлены недостаточно. Система использует генеративную аугментацию и моделирование совместной встречаемости меток, что позволяет повысить точность распознавания патологий, которые ранее игнорировались алгоритмами из-за их низкой частотности в обучающих выборках. arXiv · Исследования и наука Фотонные квантовые нейросети для диагностики рака на периферийных устройствах Исследователи представили архитектуру фотонных квантовых нейронных сетей с непрерывными переменными, оптимизированную для работы на периферийных устройствах. Метод позволяет эффективно выполнять сложные задачи классификации, такие как выявление рака полости рта, используя минимальное количество параметров. Технология предлагает альтернативу традиционным квантовым системам на кубитах, обеспечивая высокую точность диагностики в условиях ограниченных вычислительных ресурсов мобильного оборудования. arXiv · Исследования и наука TRACE: интерпретируемая модель для анализа динамики глиобластомы Исследователи представили модель TRACE — архитектуру типа Concept Bottleneck, предназначенную для оценки ответа глиобластомы на лечение по данным МРТ. В отличие от «черных ящиков», система анализирует изображения через призму клинических критериев RANO 2.0. Это позволяет врачам проверять промежуточные выводы модели, обеспечивая прозрачность диагностики и точность при отслеживании изменений опухоли во времени. arXiv · ИИ в бизнесе Гибридный подход к сегментации легочных узлов с помощью ИИ Исследователи представили методику совместной работы человека и нейросетей для анализа медицинских изображений, в частности, сегментации легочных узлов. Основная проблема текущих систем заключается в дефиците квалифицированных радиологов, способных проверять результаты работы алгоритмов, а также в рисках слепого доверия автоматизированным решениям. Авторы работы предлагают модель взаимодействия, в которой ИИ-инструменты дополняются участием менее опытных специалистов или даже сотрудников без профильного медицинского образования для верификации данных. arXiv · Исследования и наука Сравнение foundation-моделей и радиомики в диагностике рака легких Исследователи провели комплексный бенчмарк, сравнивающий эффективность современных foundation-моделей и классических методов радиомики при анализе компьютерной томографии легких. Работа выявляет вклад отдельных компонентов — экстракторов признаков, классификаторов и методов сегментации — в точность диагностики, а также оценивает устойчивость моделей при работе с данными из разных медицинских когорт, что критически важно для клинического внедрения ИИ. arXiv · Исследования и наука Новая теория объясняет способность нейросетей к обобщению через информационные узкие места Исследователи предложили теоретическую модель, объясняющую, почему перепараметризованные нейронные сети успешно обучаются без катастрофического переобучения. Авторы вводят понятие «информационной фрустрации» в нейронных многообразиях, используя теорию Шеннона для анализа того, как архитектуры с избыточными параметрами эффективно сжимают данные, преодолевая ограничения классических статистических подходов, таких как размерность Вапника-Червоненкиса. arXiv · Исследования и наука Обучение в контексте в импульсных нейронных сетях Исследователи представили новый подход к реализации обучения в контексте (ICL) в импульсных нейронных сетях (SNN). Ранее такие модели не справлялись со сложными задачами, требующими адаптации на лету. Авторы статьи доказали, что использование дендритных структур в однослойных сетях позволяет эффективно имитировать механизмы градиентного спуска, сопоставимые с возможностями современных трансформеров и моделей пространства состояний. arXiv · Машинное обучение HiReLC: иерархическое обучение с подкреплением для сжатия нейросетей Исследователи представили HiReLC — фреймворк для автоматизированной оптимизации глубоких нейронных сетей, объединяющий квантование и структурную обрезку (pruning). Система использует иерархическое обучение с подкреплением, разделяя задачу на уровни абстракции. Это позволяет эффективно подбирать конфигурации битности и параметры прореживания для каждого блока сети, минимизируя потери точности при значительном сокращении вычислительных затрат. arXiv · Исследования и наука Автоматизированное обучение мультимодальных моделей для радиологии Исследователи представили метод обучения визуально-языковых моделей (VLM) для анализа медицинских изображений без необходимости ручной разметки пространственных данных. В основе подхода лежит набор данных RefRad2D, включающий 1,2 миллиона пар снимков КТ и МРТ с описаниями на английском и немецком языках. Этот массив данных был сформирован на основе реальной клинической практики. Hacker News · Исследования и наука Нейронное сжатие изображений с использованием Gemini 3 Исследователи представили метод нейронного сжатия изображений, использующий возможности мультимодальной модели Gemini 3 для повышения эффективности кодирования визуальных данных. Новый подход позволяет достичь высокого качества восстановления при значительно меньшем объеме файлов по сравнению с традиционными алгоритмами, такими как JPEG или WebP, за счет глубокого понимания семантического содержания изображения и контекстуальной реконструкции деталей.

← Все материалы