Штучний інтелект

Анотація: Сучасні медичні аналітичні системи, що використовують технології штучного інтелекту, потребують підвищеної достовірності, стабільності та відтворюваності результатів. Традиційні методи тестування не враховують складну структуру гібридних архітектур, у яких поєднуються модулі машинного навчання, експертні системи та статистичні механізми. У статті запропоновано мультиагентну концепцію автоматизованої валідації медичних аналітичних систем, у якій процес перевірки реалізується через взаємодію автономних агентів – Generator, Validator, Evaluator, Data та Coordinator. Використання генеративних моделей як активних агентів дозволяє створювати синтетичні клінічні сценарії, що розширюють тестовий простір і забезпечують оцінювання систем у рідкісних або критичних умовах. Розроблено математичну модель, яка описує інформаційну динаміку агентів, а також аналітично доведено збіжність системи до інформаційної рівноваги. Експериментальна верифікація показала, що запропонований підхід зменшує ентропійну невизначеність у три рази, підвищує стабільність рішень на 20–25 % та скорочує час перевірки у 15 разів. Отримані результати підтверджують ефективність мультиагентної валідації як основи для створення адаптивних, самонавчальних і прозорих систем контролю якості медичних ШІ-рішень.

Ключові слова: мультиагентні системи, валідація, штучний інтелект, генеративні моделі, медичні аналітичні системи, тестування, інтелектуальні агенти, цифрова медицина.

Посилання:

1. Topol, E. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.
2. Razzak, M. I., Naz, S., & Zaib, A. (2018). Deep learning for medical image processing: Overview, challenges and the future. Springer, Cham, 323–350.
3. Esteva, A. (2018). Artificial intelligence in healthcare and medicine. 239 p. Mahmud, T., Barua, K., Habiba, S. U., Sharmen, N., Hossain, M. S., & Andersson, K. (2024). An explainable AI paradigm for Alzheimer’s diagnosis using deep transfer learning. Diagnostics. https://doi.org/10.3390/diagnostics14030345.
4. Fawaz, A., Mougharbel, I., Al-Haddad, K., & Kanaan, H. Y. (2025). Energy routing protocols for energy Internet: A review on multi-agent systems, metaheuristics, and artificial intelligence approaches. IEEE Access, 19 p.
5. Симонов, Д. І., Заїка, Б. Ю., & Симонов, Є. Д. (2024). Мультивихідні регресійні моделі для управління багатокомпонентними динамічними системами. Таврійський науковий вісник. Серія: Технічні науки, (6), 106 – 119.
6. Симонов, Д. І. (2025). Ідентифікація та контроль хаотичних процесів у складних технічних системах. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 46(1), 273 – 284.
7. Jrab, D., Eleyan, D., Eleyan, A., & Bejaoui, T. (2024). Heart disease prediction using machine learning algorithms. International Conference on Smart Communications and Networking. https://doi.org/10.1109/SmartNets61466.2024.10577725.
8. Rainio, O., Teuho, J., & Klen, R. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports. https://doi.org/10.1038/s41598-024-56706-x.
9. Ogunpola, A., Saeed, F., Basurra, S., Albarrak, A. M., & Qasem, S. N. (2024). Machine learning-based predictive models for detection of cardiovascular diseases. Diagnostics. https://doi.org/10.3390/diagnostics14020144.
10. Wong, K., Ayoub, M., Cao, Z., Chen, C., Chen, W., Ghista, D., & Zhang, C. W. (2023). The synergy of cybernetical intelligence with medical image analysis for deep medicine: A methodological perspective. Computer Methods and Programs in Biomedicine. https://doi.org/10.1016/j.cmpb.2023.107677.
11. Jaber, H. A., Al-Ghali, B. A., Kareem, M. M., Çankaya, I., & Algın, O. (2024). An overview of medical image segmentation methods. Al-Nahrain Journal for Engineering Sciences. https://doi.org/10.29194/njes.28030420.
12. Guo, X., Wang, C., & Liu, L. (2024). Adaptive fault-tolerant control for a class of nonlinear multi-agent systems with multiple unknown time-varying control directions. Automatisierungstechnik. https://doi.org/10.1016/j.automatica.2024.111802.
13. Ren, H., Liu, R., Cheng, Z., Ma, H., & Li, H. (2024). Data-driven event-triggered control for nonlinear multi-agent systems with uniform quantization. IEEE Transactions on Circuits and Systems II: Express Briefs. https://doi.org/10.1109/TCSII.2023.3305946.
14. Hall, V. A. (2024). Coding with ChatGPT and other LLMs. Birmingham: Packt Publishing Ltd.
15. Bluck, A. S. (2023). Practical Java programming with ChatGPT. Delhi: Orange Education Pvt Limited.
16. Bodungen, C. (2024). ChatGPT for cybersecurity cookbook. Birmingham: Packt Publishing Ltd.
17. Herszfang, H. P., & Henstock, P. V. (2025). Supercharged coding with GenAI. Birmingham: Packt Publishing Ltd.