О ЖУРНАЛЕ
Научный журнал «Медицинская радиология и радиационная безопасность» (Мedical Radiology and Radiation Safety), ISSN 1024-6177 основан в январе 1956 г. (до 30 декабря 1993 г. выходил под названием «Медицинская радиология», ISSN 0025-8334). В 2018 году журнал получил Online ISSN: 2618-9615 и был зарегистрирован как электронное сетевое издание в Роскомнадзоре 29 марта 2018 года. На его страницах публикуются оригинальные научные статьи по вопросам радиобиологии, радиационной медицины, радиационной безопасности, лучевой терапии, ядерной медицины, а также научные обзоры; в целом журнал имеет более 30 рубрик и представляет интерес для специалистов, работающих в областях медицины¸ радиационной биологии, эпидемиологии, медицинской физики и техники. С 01.07.2008 г. Издатель журнала – ФГБУ «Государственный научный центр Российской Федерации – Федеральный медицинский биофизический центр им. А.И. Бурназяна» ФМБА России. Учредитель с 1956 г. - Министерство здравоохранения РФ, а с 2008 г. по настоящее время – Федеральное медико-биологическое агентство.
Членами редакционной коллегии журнала являются ученые – специалисты, работающие в области радиационной биологии и медицины, радиационной защиты, радиационной эпидемиологии, радиационной онкологии, лучевой диагностики и терапии, ядерной медицины и медицинской физики. В состав редакционной коллегии входят: академики РАН, члены-корреспонденты РАН, доктора медицинских наук, профессора, кандидаты и доктора биологических, физико-математических наук и технических наук. Состав редколлегии постоянно пополняется за счет авторитетных специалистов, работающих в ближнем и дальнем зарубежье.
Периодичность выхода в свет – 6 номеров в год, объемом – 13,5 усл. печатных листов или 88 печатных страниц и тиражом 1000 экземпляров. Журнал имеет идентичную по содержанию полнотекстовую электронную версию, которая одновременно с печатным вариантом и цветными рисунками размещается на сайтах Научной Электронной Библиотеки (НЭБ) и сайте журнала. Распространение по подписке через Агентство «Роспечать» по договору № 7407 от 16 июня 2006 г., через индивидуальных покупателей и коммерческие структуры. Публикация статей бесплатная.
Журнал входит в Перечень ведущих российских рецензируемых научных журналов ВАК, рекомендованных для опубликования результатов диссертационных исследований. С 2008 г. журнал представлен в Интернете и индексируется в базе данных РИНЦ, а также входит в Перечень Russian Science Citation Index (RSCI), размещенной на платформе Web of Science. С 2 февраля 2018 года журнал «Медицинская радиология и радиационная безопасность" индексируется в мультидисциплинарной библиографической и реферативной базе SCOPUS.
Краткие электронные версии статей журнала с 2005 г. находятся в открытом доступе в разделе "Выпуски журнала". С 2011 года в открытом доступе представлены все выпуски журнала целиком, а с 2016 года - полнотекстовые версии научных статей. Полный текст остальных статей любого номера, начиная с 2005 г. могут приобрести подписчики только через НЭБ. Редакция журнала «Медицинская радиология и радиационная безопасность» в соответствии с договором с НЭБ поставляет ей в полном объеме выпускаемую продукцию с 2005 г. по настоящее время.
Основным рабочим языком журнала является русский, дополнительный язык – английский, который используется для написания названий статей, сведений об авторах, аннотаций, ключевых слов, списка литературы.
С 2017 г. журнал «Медицинская радиология и радиационная безопасность» перешел на цифровую идентификацию публикаций, присвоив каждой статье идентификатор цифрового объекта (DOI), что значительно ускорило поиск местонахождения статьи в Интернете. В дальнейшем в планах развития журнала «Медицинская радиология и радиационная безопасность» предполагается его издание в англоязычном варианте. С целью получения информации о публикационной активности журнала в марте 2015 года на сайте журнала был помещен счетчик обращений читателей к материалам, выложенным на сайте с 2005 г. по настоящее время. В течение 2015 – 2016 гг. в среднем было не более 100 – 170 обращений в день. Размещение ряда статей, а также электронных версий профильных монографий и сборников в открытом доступе резко увеличило число обращений на сайт журнала до 500 – 800 в день, а общее число посещений сайта к началу 2019 г. составило 527 тыс.
Двухлетний импакт-фактор РИНЦ, по данным на начало 2019 г., составил 0,447, с учетом цитирования из всех источников – 0,614, а пятилетний импакт-фактор РИНЦ – 0,359.
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 4
DOI:10.33266/1024-6177-2025-70-4-46-54
В.Г. Барчуков, А.А. Болотов, Е.Н. Жирнов, А.С. Самойлов, С.М. Шинкарев,
И.Б. Ушаков, И.К. Теснов, А.С. Галузин, Д.А. Кудинова, В.Ю. Лизунов
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБЕСПЕЧЕНИЯ РАДИАЦИОННОЙ БЕЗОПАСНОСТИ ПРИ ВЫВОДЕ ИЗ ЭКСПЛУАТАЦИИ РАДИАЦИОННЫХ И ЯДЕРНЫХ ОБЪЕКТОВ
Федеральный медицинский биофизический центр им. А.И. Бурназяна ФМБА России, Москва
Контактное лицо: Александр Александрович Болотов, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
РЕФЕРАТ
Актуальность: Вывод из эксплуатации радиационно-опасных объектов (РОО) ‒ сложный процесс, требующий соблюдения законодательных и нормативных требований. Для их выполнения и обеспечения безопасности необходимы эффективное управление документацией и постоянное обучение персонала. Искусственный интеллект (ИИ) может значительно упростить и автоматизировать обработку и управление документацией, снижая нагрузку на персонал и минимизируя ошибки. Он также помогает в соблюдении нормативных требований, автоматически отслеживая изменения и обеспечивая соответствие стандартам. Дополнительно ИИ способен анализировать большие объемы данных, выявлять потенциальные риски и предлагать оптимальные решения на основе предсказательной аналитики.
Цель: Создание сервиса на основе ИИ, способного поддерживать полноценный и информированный диалог по вопросам вывода из эксплуатации РОО. Для достижения этой цели была выбрана модель обработки естественного языка (NLP) Keras. Для обучения модели был создан набор данных, включающий 5 основных нормативных документов по радиационной безопасности. Документы были разделены на отдельные контексты, по которым эксперты задавали вопросы и формулировали ответы на них. Всего было введено 429 контекстов и по ним было задано 6512 вопросов и ответов.
Результат: Модель тестировалась в специально разработанном приложении, аналогичном ChatGPT, которое помогает специалистам находить ответы на вопросы, возникающие в процессе вывода из эксплуатации РОО. Кроме того, была реализована функция динамического обновления базы знаний, позволяющая оперативно учитывать изменения в нормативной документации.
Разработанная система продемонстрировала высокую точность в ответах на вопросы, связанные с нормативными аспектами вывода из эксплуатации. Алгоритмы машинного обучения, созданные на основе нашего набора данных для обработки и интерпретации текста, оказались эффективными в распознавании и обработке пользовательских запросов. Система была протестирована в различных сценариях, включая внутренние оценки модели Keras и тестовые вопросы, не вошедшие в набор данных для обучения модели. Полученные результаты подтвердили перспективность использования технологий искусственного интеллекта в управлении процессами вывода РОО из эксплуатации. Дополнительно были проведены испытания на реальных данных, что позволило выявить ключевые зоны для дальнейшего улучшения системы и расширения её функциональных возможностей.
Ключевые слова: искусственный интеллект, вывод из эксплуатации радиационных и ядерных объектов, нормативные документы, радиационная безопасность, языковые модели, Keras
Для цитирования: Барчуков В.Г., Болотов А.А., Жирнов Е.Н., Самойлов А.С., Шинкарев С.М., Ушаков И.Б., Теснов И.К., Галузин А.С., Кудинова Д.А., Лизунов В.Ю. Использование технологий искусственного интеллекта для обеспечения радиационной безопасности при выводе из эксплуатации радиационных и ядерных объектов // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 4. С. 46–54. DOI:10.33266/1024-6177-2025-70-4-46-54
Список литературы
1. Devlin J., Chang M.W., Lee K., Toutanova K. BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805.
2. Sun C., Qiu X., Xu Y., Huang X. How to Fine-Tune BERT for Text Classification? China National Conference on Chinese Computational Linguistics. Springer, Cham. P. 194-206.
3. Wolf T., Debut L., Sanh V., Chaumond J., Delangue C., Moi A., Rush A.M. Transformers: State-of-the-Art Natural Language Processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. P. 38-45.
4. Radford A., Narasimhan K., Salimans T., Sutskever I. Improving Language Understanding by Generative Pre-Training. OpenAI. 2018.
5. Floridi L., Chiriatti M. GPT-3: Its Nature, Scope, Limits, and Consequences. Minds and Machines. 2020;30;4:681-694.
6. Liu Y., Ott M., Goyal N., Du J., Joshi M., Chen D., Stoyanov V. RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv. 2019 preprint arXiv:1907.11692.
7. Gulli A., Sujit P. Deep Learning with Keras: Implementing Deep Learning Models and Neural Networks with the Power of Python. Birmingham, Packt, 2017. 318 p.
8. Anshik. AI for Healthcare: Keras and TensorFlow. AI and Machine Learning for Healthcare. New Delhi, 2021. 381 p.
PDF (RUS) Полная версия статьи
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Исследование не имело спонсорской поддержки.
Участие авторов. Cтатья подготовлена с равным участием авторов.
Поступила: 20.03.2025. Принята к публикации: 25.04.2025.