Биологически вдохновлённая синергия нейроморфного вычисления и объяснимого ИИ для прозрачного и низкоуглеродного медицинского интеллекта

Более умные больничные технологии для людей и планеты

Больницы всё чаще обращаются к искусственному интеллекту для чтения сердечных сигналов, выявления опасных ритмов и поддержки врачебных решений. Но современные мощные алгоритмы часто ведут себя как «чёрные ящики» и требуют энергопотребляющих графических процессоров, что противоречит климатическим целям и создаёт нагрузку на клиники с ограничённым электроснабжением. В этой статье предлагается новый тип системы мониторинга сердца, который призван быть одновременно понятным для клиницистов и значительно более энергоэффективным — путь к более безопасному и низкоуглеродному цифровому здравоохранению.

Почему нынешний медицинский ИИ не дотягивает

Современный медицинский ИИ по отдельным задачам может соответствовать или даже превосходить экспертов — например, при чтении рентгеновских снимков или обнаружении аномальных сокращений сердца. Однако многие модели работают в крупных центрах обработки данных или на высокопроизводительных GPU, потребляющих сотни ватт непрерывно. В отделении интенсивной терапии одна система на GPU, работающая круглосуточно, может потреблять более 2000 кВт·ч в год. При этом такие модели обычно дают мало понимания того, как они приходят к своим выводам, что затрудняет доверие со стороны врачей и регуляторов. Существующие инструменты объяснения помогают, но часто требуют значительных дополнительных вычислений, что ещё больше увеличивает энергопотребление и задержки.

Маршрут, вдохновлённый мозгом, к более бережливым вычислениям

Авторы рассматривают нейроморфные вычисления — подход к аппаратуре и алгоритмам, имитирующий способ общения биологических нейронов с помощью коротких электрических импульсов (спайков), а не непрерывных сигналов. В их фреймворке NEXAI‑Health входные электрокардиограммы (ЭКГ) преобразуются в разреженные потоки спайков, где информация несётся главным образом моментом возникновения импульсов, а не плотными числовыми значениями. Такая событийно‑управляемая архитектура означает, что вычисления выполняются только при необходимости, что потенциально может резко сократить энергопотребление по сравнению с обычными чипами, которые обрабатывают каждый временной шаг независимо от того, меняется сигнал или нет.

В рамках этого подхода команда строит спайковые нейронные сети, специально настроенные для классификации сердечных сокращений по хорошо известной базе данных MIT‑BIH Arrhythmia. Они разрабатывают кодирование так, что лишь около 16 процентов возможных спайковых событий действительно срабатывают, что обеспечивает баланс между сохранением клинически важных признаков — например, формы основного зубца и временных интервалов между сокращениями — и избеганием лишней активности. Моделирование показывает, что такое разреженное представление на основе спайков может сохранять высокий диагностический объём информации при значительном сокращении числа операций, которые понадобились бы аппаратуре.

Делая машинные решения более заслуживающими доверия

Чтобы снять проблему «чёрного ящика», авторы адаптируют метод объяснения, называемый интегрированными градиентами, для работы с последовательностями спайков вместо стандартных числовых входов. На практике это даёт тепловые карты для каждого сердечного цикла, подчёркивающие временные точки, которые сильнее всего повлияли на решение системы. Важно, что объяснение встроено непосредственно в работу модели, а не прикручено постфактум, и его степень подробности регулируется в зависимости от энергетического бюджета. При наличии достаточной мощности система использует множество промежуточных шагов для высокоточных объяснений; при дефиците энергии она переключается на более грубые, но всё ещё информативные сводки. В тестах эти объяснения хорошо совпадали с клинически важными участками ЭКГ, такими как острый центральный зубец и волна восстановления, и демонстрировали высокие показатели количественной верности.

Проектирование с учётом реальных энергетических ограничений

Помимо самой модели, статья набрасывает общую экосистему для устойчивого развёртывания. Она связывает нейроморфный движок с простой моделью солнечной энергии и аккумулятором, затем использует алгоритм планирования, который решает, какие задачи мониторинга пациентов выполнять, исходя из клинической срочности и доступной энергии. В симуляциях на более чем 100 000 размеченных сердечных циклов фреймворк достиг примерно 95‑процентной диагностической точности — немного выше сильных базовых моделей глубокого обучения — при этом сократив смоделированную задержку и использование памяти настолько, чтобы разместиться на скромных устройствах класса edge. Авторы оценивают значительную экономию энергии по сравнению с системами на GPU, хотя подчёркивают, что эти цифры являются проекциями, основанными на опубликованных спецификациях нейроморфных чипов, а не на реальных измерениях.

Что это означает для будущего здравоохранения

Для неспециалистов главный вывод в том, что это скорее чертёж, чем законченный продукт. Исследование показывает, что по крайней мере в программных симуляциях модель, вдохновлённая мозгом, может точно считывать сердечные сигналы, предоставлять врачам наглядные объяснения своих выводов и теоретически работать при доле энергии, потребляемой современным мейнстрим‑ИИ. Однако авторы ясно дают понять, что они ещё не создали и не протестировали физическое нейроморфное устройство и не проводили клинических испытаний. Чтобы действительно обеспечить прозрачный и низкоуглеродный медицинский ИИ, в дальнейшем необходимо перенести эти разработки на реальные нейроморфные чипы, верифицировать фактическое энергопотребление и продемонстрировать безопасную и надёжную работу у постели пациента.

Цитирование: Sungheetha, A., R., R.S., Balusamy, B. et al. Biologically inspired neuromorphic-XAI synergy for transparent and low-carbon healthcare intelligence. Sci Rep 16, 10049 (2026). https://doi.org/10.1038/s41598-026-39515-2

Ключевые слова: нейроморфные вычисления, объяснимый ИИ, аритмия по ЭКГ, энергоэффективное здравоохранение, низкоуглеродная диагностика