В условиях цифровой трансформации здравоохранения автоматизация анализа медицинских изображений с использованием свёрточных нейронных сетей (CNN) становится ключевым направлением повышения точности и объективности лучевой диагностики. Однако эффект "чёрного ящика" ограничивает клиническое применение таких систем. В данной работе предлагается оптимизация постфактумных методов объяснимого искусственного интеллекта (XAI), в частности Grad-CAM, для повышения точности локализации патологий на КТ-изображениях лёгких. Разработана методика автоматического выбора оптимального слоя CNN на основе количественных критериев (семантической связности, пространственной точности и контрастности активаций), что позволило повысить точность локализации патологий на 42% по сравнению со стандартным подходом. Рез

Сорокина С.А. (науч. рук. Кузяков О.Н.) Оптимизация постфактумных методов объяснимого ии для автоматизированного анализа медицинских изображений // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/16467