В работе представлен гибридный подход к сегментации и классификации коронарных патологий, основанный на методах глубокого обучения (CNN) и нечетких продукционных правилах (FPR), применённых к датасету CARDICA. Разработанные стратегии MSI (Multi-Step Incremental) и MXAI (Multimodal Explainable AI) демонстрируют высокую точность (Dice-/IoU) и интерпретируемость выводов, что критично для клинической практики и поддержки принятия решений. «XAI 2.0»-архитектура учитывает граничные состояния с помощью гибких шкал принадлежности, повышая надёжность детекции стенозов. Автоматизированное генеративное описание замыкает цикл от первичной визуализации до формирования рекомендаций и упрощает интеграцию в PACS/EMR-протоколы.

Трофимов Ю.В., Семашко В.С. (науч. рук. Аверкин А.Н.) Нечёткие продукционные правила и нейросети глубокого обучения: объяснимый искусственный интеллект 2.0 для диагностики коронарных стенозов // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/15055