vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2025_2_70vitj-185Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHНейросетевая графовая архитектура прозрачного искусственного интеллекта в медицинеNeural network graph architecture of transparent artificial intelligence in medicineАндриковД. А.AndrikovD. A.

к. т. н., доцент

Москва

PhD, Associate Professor

Moscow

andrikov@bmstu.ruАндриковДм. А.AndrikovDm. A.

к. т. н., доцент

Москва

Ph.D., Associate Professor

Moscow

https://orcid.org/0000-0001-7149-6072БерезкинД. В.BerezkinD. V.

к. т. н., доцент

Москва

PhD, Associate Professor

Moscow

berezkind@bmstu.ruПоповА. Ю.PopovA. Iu.

д. т. н., доцент

Москва

DSc, Associate Professor

Moscow

alexpopov@bmstu.ruПролетарскийА. В.ProletarskyA. V.

д. т. н., профессор

Москва

DSc, Professor

Moscow

pav@bmstu.ruМГТУ им. Н.Э. БауманаРоссияBauman Moscow State Technical UniversityRussian FederationИнженерная академия, РУДНРоссияEngineering Academy, RUDN UniversityRussian Federation202513062025027083Copyright © Андриков Д.А., Андриков Д.А., Березкин Д.В., Попов А.Ю., Пролетарский А.В., 20252025Андриков Д.А., Андриков Д.А., Березкин Д.В., Попов А.Ю., Пролетарский А.В.Andrikov D.A., Andrikov D.A., Berezkin D.V., Popov A.I., Proletarsky A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/185

   В статье представлен подход к созданию информационной системы на основе нейросетевой графовой архитектуры. Этот подход призван снивелировать проблему явного объяснения решений, принимаемых искусственным интеллектом — проблему прозрачности (объяснимости, надежности, доверенности). Использование технологий искусственного интеллекта в медицине носит «сквозной» характер и способствует созданию условий для улучшения эффективности и формирования принципиально новых направлений деятельности: автоматизации рутинных (повторяющихся) операций; использования автономного интеллектуального оборудования и робототехнических комплексов, интеллектуальных систем управления; повышения эффективности процессов планирования, прогнозирования и принятия врачебных решений. Перспективной технологией предлагаемого подхода является применение графовой нейросетевой архитектуры в составе информационной системы для обработки и анализа данных. В статье реализован пример классификации узлов графов на открытом датасете с кардиоданными условно-здоровых людей и пациентов.

   The paper presents an approach to design an information system based on a neural network graph architecture. This approach is designed to mitigate the problem of explicit explanation of decisions made by artificial intelligence — the problem of transparency (explainability, reliability, trustworthiness). The use of artificial intelligence technologies in medicine has a “transversal” character and contributes to the creation of conditions for improving efficiency and formation of fundamentally new areas of activity: automation of routine (repetitive) operations; use of autonomous intelligent equipment and robotic complexes, intelligent control systems; increasing the efficiency of planning, forecasting and medical decision-making processes. A promising technology of the proposed approach is the use of graph neural network architecture as part of the information system for data processing and analysis. In this article we introduce an example of graph node classification on an open dataset with cardio-data of conditionally healthy people and patients.

прозрачный искусственный интеллекттераграфграфовые нейронные сетиExplainable AITeragraphGraph Neural NetworkReferencesКарпов О.Э., Андриков Д.А., Максименко В.А., Храмов А.Е. Прозрачный искусственный интеллект для медицины // Врач и информационные технологии. — 2022. — № 2. — С. 4-11.Karpov OE, Andrikov DA, Maksimenko VA, Hramov AE. Prozrachnyĭ iskusstvennyĭ intellekt dlya mediciny. Vrach i informacionnye tekhnologii. 2022; 2: 4-11. (In Russ.)Карпов О.Э., Храмов А.Е. Прогностическая медицина // Врач и информационные технологии. — 2021. — № 3. — С.20.Karpov OE, Hramov AE. Prognosticheskaya medicina. Vrach i informacionnye tekhnologii. 2021; 3: 20. (In Russ.)Шарова Д.Е., Михайлова А.А., Гусев А.В., Гарбук С.В., Владзимирский А.В., Васильев Ю.А. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения // Врач и информационные технологии. — 2022. — № 4. — С. 28-39.Sharova DE, Mihajlova AA, Gusev AV, Garbuk SV, Vladzimirskij AV, Vasil'ev YUA. Analiz mirovogo opyta v regulirovanii ispol'zovaniya medicinskih dannyh dlya celej sozdaniya sistem iskusstvennogo intellekta na osnove mashinnogo obucheniya. Vrach i informacionnye tekhnologii. 2022; 4: 28-39. (In Russ.)Карпов О.Э., Храмов А.Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. М.: ДПК Пресс, 2022.Karpov O. E., Hramov A.E. Informacionnye tekhnologii, vychislitel'nye sistemy i iskusstvennyĭ intellekt v medicine. M.: DPK Press, 2022. (In Russ.)Васильев Ю.А. и др. Подготовка набора данных для обучения и тестирования программного обеспечения на основе технологии искусственного интеллекта : Учебное пособие. М.: Издательские решения, 2024. — 140 с.Vasil'ev YuA, et al. Podgotovka nabora dannyh dlya obucheniya i testirovaniya programmnogo obespecheniya na osnove tekhnologii iskusstvennogo intellekta : Uchebnoe posobie. М.: Izdatel'skie resheniya, 2024. 140 р. (In Russ.)Khorev VS, et al. Disruptions in segregation mechanisms in fmri-based brain functional network predict the major depressive disorder condition. Chaos, Solitons & Fractals. 2024; 188: 115566.Khorev VS, et al. Disruptions in segregation mechanisms in fmri-based brain functional network predict the major depressive disorder condition. Chaos, Solitons & Fractals. 2024; 188: 115566.Кучин А.С., Грубов В.В., Максименко В.А., Утяшев Н.П. Автоматизированное рабочее место врача-эпилептолога с возможностью автоматического поиска приступов эпилепсии // Врач и информационные технологии. — 2021. — № 3. — С. 62-73.Kuchin AS, Grubov VV, Maksimenko VA, Utyashev NP. Avtomatizirovannoe rabochee mesto vracha epileptologa s vozmozhnost'yu avtomaticheskogo poiska pristupov epilepsii. Vrach i informacionnye tekhnologii. 2021; 3: 62-73. (In Russ.)Grubov VV, Nazarikov SI, Kurkin SA, Utyashev NP, et al. Two-stage approach with combination of outlier detection method and deep learning enhances automatic epileptic seizure detection. IEEE Access. 2024; 12: 122168-122182.Grubov VV, Nazarikov SI, Kurkin SA, Utyashev NP, et al. Two-stage approach with combination of outlier detection method and deep learning enhances automatic epileptic seizure detection. IEEE Access. 2024; 12: 122168-122182.Wang J, Yang J, Deng J, Gunes H, Song S. Graph in Graph Neural Network. 2024. doi: 10.48550/arXiv.2407.00696.Wang J, Yang J, Deng J, Gunes H, Song S. Graph in Graph Neural Network. 2024. doi: 10.48550/arXiv.2407.00696.Goldberger A, Amaral L, Glas, L, Hausdorff J. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online]. 2000; 101(23): e215-e220.Goldberger A, Amaral L, Glas, L, Hausdorff J. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online]. 2000; 101(23): e215-e220.Gow B, Pollard T, Nathanson LA, Johnson A, Horng S. MIMIC-IV-ECG: Diagnostic Electrocardiogram Matched Subset (version 1.0). PhysioNet. 2023. doi: 10.13026/4nqg-sb35.Gow B, Pollard T, Nathanson LA, Johnson A, Horng S. MIMIC-IV-ECG: Diagnostic Electrocardiogram Matched Subset (version 1.0). PhysioNet. 2023. doi: 10.13026/4nqg-sb35.Zhong M, Li F, Chen W. Automatic arrhythmia detection with multi-lead ECG signals based on heterogeneous graph attention networks. Mathematical biosciences and engineering: MBE. 2022; 12(19): 12448-12471.Zhong M, Li F, Chen W. Automatic arrhythmia detection with multi-lead ECG signals based on heterogeneous graph attention networks. Mathematical biosciences and engineering: MBE. 2022; 12(19): 12448-12471.Brody S, Alon U, Yahav E. How Attentive are Graph Attention Networks?. 2021. doi: 10.48550/arXiv.2105.14491.Brody S, Alon U, Yahav E. How Attentive are Graph Attention Networks?. 2021. doi: 10.48550/arXiv.2105.14491.Kamyar Z, Marco G. Graph Neural Networks for Topological Feature Extraction in ECG Classification. Springer Nature Singapore. Singapore, 2023. P.17-27.Kamyar Z, Marco G. Graph Neural Networks for Topological Feature Extraction in ECG Classification. Springer Nature Singapore. Singapore, 2023. P.17-27.

The authors declare that there are no conflicts of interest present.