Научный архив: статьи

Моделирование процесса зарастания мелководий высшей водной растительностью имеет важное практическое значение для рыбохозяйственной отрасли нашей страны и является неотъемлемой частью мониторинга водных объектов. В статье представлены результаты разработки системы компьютерного зрения средствами машинного обучения на базе архитектур SegNet и U-Net для оценки зарастания высшей водной растительностью Цимлянского водохранилища. Для обучения и тестирования моделей применялся набор данных, состоящий из 200 пар снимков Landsat, охватывающих 24 различных участка Цимлянского водохранилища за разные годы, а также соответствующих им разметок зарастания. Процесс обучения SegNet продолжался в течение 50 эпох, U-Net обучалась в течение 30 эпох. Каждая эпоха обучения включала итерации по обучающим данным, вычисление функции потерь, обратное распространение градиентов и обновление весов с использованием оптимизатора. После каждой эпохи производилась валидация модели на валидационной выборке для оценки ее производительности. Точность модели SegNet составила 0,869, U-Net – 0,881. Для оценки качества сегментации зарастания на тестовой выборке были измерены коэффициенты Жаккара (IoU). Модель U-Net показала IoU на уровне 0,665, у SegNet этот показатель составил 0,633.

На основе выделяемых в научных и философских публикациях 2019–2022 гг. проблем, рисков и ограничений применения искусственного интеллекта (ИИ) авторами статьи разработаны конкретные рекомендации по проведению экспертизы систем ИИ в медицине. Предлагается осуществлять этическую экспертизу проектов в области ИИ для медицинских целей по аналогии с экспертизой проектов экспериментальной деятельности в биомедицине; проводить этическую экспертизу систем ИИ на этапе подготовки к их разработке с последующим мониторированием проведения испытания созданной системы; ориентироваться при проведении экспертизы систем ИИ для медицинских целей на биоэтические принципы.