кандидат технических наук младший научный сотрудник лаборатории тканевой инженерии и внутрисосудистой визуализации федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
PhD in Computer Science, Junior Researcher, Laboratory of Tissue Engineering and Intravascular Imaging, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
кандидат технических наук ведущий инженер по машинному обучению в компании Quantori (Кембридж, 02142, США), научный профессор Университета Помпеу Фабра Барселона, Испания
PhD in Computer Science, Lead ML Engineer at Quantori (Cambridge, MA 02142, USA), Research Professor at Pompeu Fabra University, Barcelona, Spain
кандидат технических наук старший научный сотрудник лаборатории молекулярной, трансляционной и цифровой медицины федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
PhD in Technical Science, Senior Researcher, Laboratory of Molecular, Translational and Digital Medicine, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
кандидат медицинских наук старший научный сотрудник лаборатории молекулярной, трансляционной и цифровой медицины федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
PhD, Senior Researcher Laboratory of Molecular, Translational and Digital Medicine, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
младший научный сотрудник лаборатории тканевой инженерии и внутрисосудистой визуализации федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
Junior Researcher, Laboratory of Tissue Engineering and Intravascular Imaging, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
младший научный сотрудник лаборатории тканевой инженерии и внутрисосудистой визуализации федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
Junior Researcher, Laboratory of Tissue Engineering and Intravascular Imaging, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
доктор медицинских наук заведующий лабораторией тканевой инженерии и внутрисосудистой визуализации федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
PhD, MD Head of the Laboratory of Tissue Engineering and Intravascular Imaging, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
Основные положения
В работе разработан и апробирован гибридный подход, объединяющий методы глубокого обучения и объяснимого искусственного интеллекта (Explainable AI, XAI), для сегментации и классификации атеросклеротических бляшек. Применение методов объяснимого искусственного интеллекта позволило повысить интерпретируемость нейросетевых моделей и приблизить их практическое использование в клинической диагностике атеросклероза. Полученные результаты демонстрируют потенциал интеграции XAI для формирования надежных и прозрачных систем поддержки принятия решений в кардиологии.
Цель. Разработать и протестировать комплексный метод автоматизированной сегментации и классификации морфологических признаков атеросклеротических бляшек на основе оптической когерентной томографии с применением подходов объяснимого искусственного интеллекта.
Материал и методы. Проведено обучение девяти современных сегментационных нейросетевых архитектур на наборе из 103 исследований оптической когерентной томографии, аннотированных по четырем ключевым признакам бляшек. Для оценки интерпретируемости результатов применены девять методов объяснимого искусственного интеллекта.
Результаты. Наилучшие результаты сегментации достигнуты с использованием моделей DeepLabV3+ и MA-Net (DSC – до 72,1%). Методы LayerCAM и HiResCAM показали наибольшую стабильность и точность при визуализации областей внимания.
Заключение. Предложенный подход демонстрирует высокую точность автоматизированного анализа и интерпретируемость результатов, что способствует повышению доверия врачей и может стать основой для дальнейшего развития клинических систем в кардиологии.
Highlights
This study presents and validates a hybrid framework that combines deep learning with Explainable Artificial Intelligence (XAI) for the segmentation and classification of atherosclerotic plaques. The incorporation of XAI techniques improves the interpretability of deep learning models, thereby facilitating their translation into clinical practice for the diagnosis of atherosclerosis. The results highlight the potential of XAI-enabled approaches to support the development of reliable, transparent, and clinically applicable decision support systems in cardiology.
Aim. To develop and validate a comprehensive method for automated segmentation and classification of morphological features of atherosclerotic plaques based on optical coherence tomography using explainable artificial intelligence approaches.
Methods. Nine state-of-the-art segmentation neural network architectures were trained on a dataset of 103 OCT studies annotated for four key plaque features. To assess interpretability, nine XAI methods were applied.
Results. The best segmentation results were achieved with DeepLabV3+ and MA-Net models (DSC up to 72.1%). LayerCAM and HiResCAM methods provided the most stable and accurate visualization of attention areas.
Conclusion. The proposed approach demonstrates high segmentation accuracy and interpretability, enhancing clinical trust and paving the way for future development of explainable AI systems in cardiology.
The authors declare that there are no conflicts of interest present.