ИИ в медицине

Исследование оценивает внедрение фреймворка алгоритмической справедливости в цифровой проект HealthEmove, посвященный электронным медицинским картам для мобильных групп населения. Авторы выявляют разрыв между знанием принципов справедливости и их практическим применением, разрабатывая руководство для конкретных ролей в проекте.

В статье представлен обзор исследований, оценивающих эффективность методов машинного обучения на основе анализа изображений для раннего выявления саркомы Капоши у пациентов с ВИЧ. Основные результаты показывают, что дерматоскопические и гистопатологические модели демонстрируют высокую чувствительность, однако существуют проблемы с валидацией и репрезентативностью данных.

В статье представлена новая архитектура на базе YOLOv11 для автоматической классификации восьми типов заболеваний сетчатки по изображениям ОКТ. Модель достигает 98% точности и обеспечивает высокую интерпретируемость за счет визуализации Grad-CAM, что делает её перспективной для поддержки скрининга.

В статье представлена новая архитектура нейронной сети MSHAN, сочетающая многомасштабную абстракцию признаков и иерархические механизмы внимания для классификации аритмий по данным ЭКГ. Модель достигла точности 96,25% на базе данных MIT-BIH, превзойдя традиционные методы, и использует визуализацию SHAP для обеспечения интерпретируемости решений, что помогает кардиологам проверять правильность предсказаний.

В статье представлен систематический обзор и байесовский сетевой метаанализ 21 рандомизированного контролируемого испытания, оценивающий эффективность систем компьютерного обнаружения на основе ИИ (CADe) при колоноскопии. Результаты показывают, что использование ИИ-систем значительно повышает частоту обнаружения аденом по сравнению с традиционной колоноскопией, хотя прямые сравнения между различными системами ИИ требуют осторожной интерпретации.

В статье представлена платформа ISP (In Silico Perturbation), которая автоматизирует виртуальные генетические скрининги с использованием фундаментальной модели Geneformer, устраняя необходимость в программировании. Платформа поддерживает три ключевых направления: межвидовой анализ (с независимым выбором моделей для человека или мыши), последовательные многогенные возмущения (где каждое следующее изменение зависит от состояния, полученного на предыдущем шаге) и скрининг множественных генов. Исследователи применили платформу к наборам данных одноядерной РНК-секвенирования (scRNA-seq) индуцированных плюрипотентных стволовых клеток (ИПСК). В ходе скрининга всех 24 перестановок факторов Яманаки был выявлен оптимальный порядок их сверхэкспрессии, обеспечивающий максимальный сдвиг к плюрипотентному состоянию. Межвидовой анализ показал асимметричную конвергенцию: модель человека успешно захватила программы плюрипотентности мыши, тогда как модель мыши, примененная к клеткам человека, выявила преимущественно термины, связанные с трансляцией. Дополнительно парный скрининг сверхэкспрессии выявил новых кандидатов, модулирующих переход от примитивного к наивному состоянию, выходящих за рамки традиционных маркеров NANOG и KLF2. Этот фреймворк позволяет направлять экспериментальную валидацию и сокращать использование лабораторных животных.

В статье представлена платформа DELPHI — открытое программное обеспечение для обучения моделей предсказания разрабатываемости антител (developability) непосредственно из их аминокислотных последовательностей. В отличие от многих существующих решений, DELPHI предоставляет не только обученные модели, но и инструменты для их повторного обучения на собственных данных лаборатории. Исследователи протестировали 25 комбинаций языковых моделей и классификаторов, используя кросс-валидацию по кластерам CDR H3 для минимизации утечки данных, связанной с похожими последовательностями. При применении к внутренним данным по полиреактивности и размерно-исключительной хроматографии (SEC) платформа достигла среднего значения площади под ROC-кривой (AUC) на уровне 0,959 и 0,933 соответственно. Модель успешно перенесена на публичную библиотеку из 246 293 антител, показав AUC 0,950 без дополнительной дообучки на этих данных, что сопоставимо с лучшими результатами конкурса Ginkgo. Платформа обеспечивает интерпретируемость за счет предоставления атрибуций на уровне отдельных остатков, что позволяет лабораториям генерировать гипотезы для инженерной оптимизации кандидатов еще до проведения дорогостоящих экспериментов. Это решение значительно ускоряет процесс разработки биопрепаратов, снижая зависимость от эмпирических тестов и позволяя адаптировать алгоритмы под специфические assay-данные любой исследовательской группы.

Исследователи представили CardioChrom — специализированную вычислительную платформу на базе искусственного интеллекта, предназначенную для реконструкции данных об эпигеноме сердца (хроматинная доступность и модификации гистонов H3K27ac и H3K27me3) исключительно на основе данных одноядерного транскриптома (RNA-seq). Методология разработки включала обучение моделей на совмещенных наборах данных, где у одних и тех же ядер измерялись и РНК, и эпигеномные маркеры, с последующей строгой валидацией на внешних когортах из 10 доноров и 23 образцов. Результаты показывают, что CardioChrom превосходит базовые контрольные значения и конкурирует с архитектурой Transformer по 6 предопределенным метрикам качества реконструкции, демонстрируя статистически значимое улучшение площади под кривой точности-полноты (AUPRC) на 0.0109 и площади под ROC-кривой на 0.0179 по сравнению со случайным перемешиванием данных. Применение метода к когорте из 43 доноров с сердечной недостаточностью с сохраненной фракцией выброса (HFpEF) позволило выявить 3581 ассоциацию на уровне путей, устойчивую к поправкам на пол и метод leave-one-donor-out. Особое внимание уделено эндотелиальным клеткам, где реконструированные эпигеномные изменения указывают на активацию коагуляции, воспаления, гипоксии и профибротической сигнализации, при этом экспрессия фактора фон Виллебранда и ее регуляторные состояния были последовательно снижены. Генерация гипотез о взаимодействии транскрипционных факторов с регуляторными элементами (TF-cCRE-gene) в эндотелии и фибробластах открывает новые возможности для понимания молекулярных механизмов сердечной недостаточности без необходимости дорогостоящего и трудоемкого эпигеномного профилирования каждого образца. Данный подход демонстрирует высокую значимость для персонализированной медицины и фундаментальных исследований, позволяя извлекать многомерную эпигеномную информацию из уже существующих транскриптомных баз данных.

В исследовании представлена новая методология применения машинного обучения для предсказания энергетики белковых взаимодействий без использования экспериментальных данных о сродстве или мутациях. Авторы разработали модель, которая обучается исключительно на нативных структурах комплексов антитело-антиген, декомпозируя интерфейсы на локальные структурные мотивы и оценивая их совместимость с окружающим молекулярным окружением. Результатом работы стали карты предпочтений мишени (TPM) — пространственные поля, отображающие локальную совместимость взаимодействий на поверхности белка. Метод продемонстрировал способность восстанавливать заряженные, ароматические и водородно-связанные взаимодействия в пептид-белковых и других неантительных интерфейсах. При тестировании на независимом наборе данных SKEMPI модель показала способность дискриминировать позиции, чувствительные к мутациям, с площадью под ROC-кривой (AUC) 0.643 на выборке из 1323 объектов. Кроме того, оценки замещений на основе TPM ранжировали альтернативные аминокислоты с точностью, сопоставимой с традиционными физико-химическими методами FoldX и Rosetta FlexDDG. Эти результаты доказывают, что нативные структуры интерфейсов могут служить источником обучения для переносимых моделей молекулярных предпочтений, что открывает новые возможности для дизайна лекарств и прогнозирования стабильности белковых комплексов без дорогостоящих экспериментальных калибровок.

В статье представлена новая фундаментальная модель ДНК под названием MicroGlot, разработанная специально для анализа микробной геномики. Модель обучена на обширном корпусе из 3,7 миллиона последовательностей, содержащих 378,3 миллиарда нуклеотидов и охватывающих 99 700 видов микроорганизмов. Ключевой особенностью архитектуры является использование гиперболических вложений для кодирования иерархических таксономических связей в сочетании со структурой разреженного смесителя экспертов (sparse mixture-of-experts), что позволяет эффективно интегрировать биологические знания в процесс обучения. Исследователи провели нулевую оценку (zero-shot) встраиваний слоев модели, доказав, что полученные репрезентации не только отражают таксономическую принадлежность, но и кодируют фенотипические признаки организмов. Сравнение с вариантом модели, обученным без учета таксономии, показало, что включение таксономических знаний последовательно улучшает качество репрезентаций на всех слоях нейросети. В тестировании на наборе из 1000 видов, охватывающем основные клеточные домены и вирусные царства, маршрутизирующие отпечатки MicroGlot продемонстрировали более высокую согласованность с таксономическими группами по сравнению с традиционным методом анализа тетра-нуклеотидного состава. Модель демонстрирует лидирующие результаты в задачах нулевого обучения и конкурентоспособные показатели при дообучении (fine-tuning) при низких вычислительных затратах. Разработанная архитектура представляет собой эффективный инструмент для микробной геномики, открывая новые возможности для исследований в области биотехнологий, сельского хозяйства и понимания роли микробиома в здоровье человека.

В статье представлен замкнутый языковой агент для оптимизации лекарственных соединений, сочетающий контекст мишени и стартового хита, поиск в PubMed, инструменты оценки свойств молекул, докинг и обратную связь от ранее оцененных аналогов. Исследование проведено в виде вычислительного бенчмарка на шести киназах, где агент показал наилучшие результаты по агрегированному баллу в четырех случаях. Анализ показал, что преимущество агента связано с удержанием обратной связи и поиском в областях высокого QED, а не только с докингом. На примере EGFR продемонстрирована траектория оптимизации от эрлотиниба. Результаты представляют собой гипотезы для последующего экспериментального тестирования, а не валидированные лидеры.

В статье представлен метод DualTopoDDI — интерпретируемая модель глубокого обучения на основе двойных топологических графов для предсказания взаимодействий между лекарствами (DDI). Традиционные методы часто не способны предоставить механизмы таких взаимодействий, что критично для безопасности пациентов. Авторы применили модель для прогнозирования 9,2 миллиардов потенциальных взаимодействий среди одобренных препаратов, достигнув 97,99% точности для высоконадежных предсказаний. Модель обеспечивает интерпретируемость на молекулярном уровне, выявляя ключевые субструктуры, ответственные за действие препаратов, как с атомарной, так и с связевой точек зрения. Особое внимание уделено объяснению механизмов токсичности, включая успешную расшифровку кардиотоксичности при комбинации препаратов для лечения COVID-19. Оценка на 11 бенчмарк-наборах данных показала, что DualTopoDDI превосходит существующие аналоги по производительности, обобщающей способности и интерпретируемости. Этот инструмент предоставляет критически важные инсайты для обеспечения безопасности лекарств и их дизайна.

Обзорная статья, опубликованная в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026), посвящена систематическому обзору эволюции методов искусственного интеллекта в анализе изображений сетчатки глаза — от классических свёрточных нейронных сетей (CNN) до современных фундаментальных моделей (foundation models). Авторы рассматривают ключевые этапы развития: переход от специализированных моделей глубокого обучения, обучаемых на конкретных наборах данных (например, для диагностики диабетической ретинопатии, глаукомы, возрастной макулярной дегенерации), к крупным предобученным моделям, способным решать множество задач офтальмологии с минимальной донастройкой. Особое внимание уделяется проблемам клинической трансляции: обобщаемости моделей между различными популяциями пациентов и типами оборудования, интерпретируемости предсказаний, калибровке уверенности и обеспечению надёжности (trustworthiness) при развёртывании в реальной клинической практике. Статья охватывает вопросы валидации, регуляторных требований и барьеров, препятствующих внедрению ИИ-систем в офтальмологические клиники. Работа представляет интерес для исследователей и клиницистов, занимающихся автоматизированной диагностикой заболеваний сетчатки.

Статья предлагает углубить междисциплинарные исследования в области этики ИИ за счет интеграции с исследованиями науки и технологий (STS). Авторы аргументируют, что такой подход необходим для эффективного управления ИИ в здравоохранении и обеспечения долгосрочного успеха этих технологий в интересах глобального общественного здоровья.

В статье представлен метод MCseg — платформа для анализа пространственной транскриптомики, в которой используется ИИ-агент для автоматического поиска оптимальных параметров сегментации клеток без необходимости ручного программирования. Исследователи применили подход, при котором ИИ-агент итеративно предлагал и оценивал комбинации операций обработки изображений, чтобы создать фиксированный движок сегментации, основанный на границах клеток, полученных с помощью технологии Xenium. В наборе данных по аденокарциноме легких метод MCseg увеличил средний показатель паноптического качества с 0,432 до 0,472 по сравнению с базовой настройкой Cellpose, а при калибровке с учетом эталонных данных этот показатель достиг 0,554. При тестировании на независимых регионах колоректального рака MCseg показал более высокую полноту выявления линий клеток и микро-F1 по сравнению с методом ENACT на базе StarDist. Анализ 15 регионов колоректального рака продемонстрировал, что MCseg увеличивает расхождение экспрессии в соседних клетках и снижает коэкспрессию, характерную только для определенных линий, по сравнению со стандартным Space Ranger. Особое значение имеет то, что фиксированный рабочий процесс успешно перенесся на свежие замороженные образцы рака молочной железы без необходимости повторного поиска архитектуры, что доказывает воспроизводимость и локальную применимость предложенного ИИ-агентного подхода для клеточного анализа.

В исследовании представлен новый фреймворк SurvMOCA-GNN, использующий графовые нейронные сети (GNN) для интеграции разнородных молекулярных и клинических данных при остром миелоидном лейкозе (AML). Методология включает явное внедрение биологических сетевых структур, кросс-омиксных регуляторных связей и специфической для пациента клинической информации на основе данных экспрессии генов и микроРНК из когорты TCGA-LAML. Ключевым результатом стало создание унифицированных представлений пациентов, которые позволили выявить прогностически различные группы и дополнительно стратифицировать пациентов внутри существующих категорий риска Европейской сети лейкозов (ELN) 2022 года. Систематический анализ аблиации доказал, что использование графового моделирования, кросс-омиксного внимания и адаптивной интеграции клинических данных последовательно улучшает качество интеграции и дискриминационную способность выживаемости. По сравнению с существующими подходами, SurvMOCA-GNN генерирует более биологически согласованные представления, что подтверждено оценкой на независимой когорте AML и анализом трансферного обучения. Результаты демонстрируют высокую надежность и переносимость интегрированных представлений на гетерогенные популяции пациентов, что открывает новые возможности для прецизионной медицины. Фреймворк является открытым и доступен для использования научным сообществом, предлагая общий подход к интеграции гетерогенных данных для улучшения стратификации риска не только при AML, но и при других онкологических заболеваниях.

В исследовании оценивается эффективность алгоритма машинного обучения Random Forest (RF) для прогнозирования динамики пролиферации клеток на основе данных о конфлюэнтности у линий человеческих раковых клеток. Авторы сравнивают производительность модели RF с традиционными математическими моделями роста — логистической и моделью Гомпертца, которые широко используются в доклинических исследованиях. Результаты показывают, что модель RF обеспечивает более высокую точность предсказания, особенно при высоких начальных плотностях посева клеток. Исследование также демонстрирует возможность расширения фреймворка RF для прогнозирования кривых роста при различных плотностях посева. Полученные данные подчеркивают потенциал методов, основанных на данных, для дополнения традиционных математических подходов и улучшения планирования экспериментов с клеточными культурами. Это открытие имеет значение для оптимизации процессов доклинического открытия лекарств, где точная характеристика кинетики клеточной пролиферации является ключевым фактором.

В статье представлен автоматизированный вычислительный конвейер, использующий методы искусственного интеллекта и машинного обучения для поиска терапевтических вмешательств при каналопатиях. Методология основана на двух подходах: высокоточном моделировании в среде NEURON с использованием алгоритмов поискового поиска и дифференцируемой модели Ходжкина-Хаксли, реализованной в фреймворке PyTorch. Первый подход позволяет определить «окна стабильности», в которых модуляция других ионных токов восстанавливает нормальный паттерн разрядов нейронов, избегая прямого воздействия на мутированный канал. Второй подход, использующий глубокое обучение, обеспечивает экспоненциальное ускорение вычислений: дифференцируемая модель оценивает от 34 000 до 64 000 наборов параметров в секунду на одной потребительской видеокарте, по сравнению с 11,9–16,9 оценками в секунду для недифференцируемого конвейера на 72-ядерном узле. Это позволило провести масштабный обзор топологии решений, включающий 32 миллиона точек, что ранее было вычислительно недоступно. Исследование демонстрирует, что ИИ-оптимизация может эффективно идентифицировать конкретные токи, которые необходимо модулировать, и степень их изменения для компенсации мутаций. Результаты показывают высокую степень вырождения решений: 10 780 комбинаций проводимостей дают шесть различных паттернов разрядов, что упрощает поиск оптимальных препаратов. Данный подход имеет прямое значение для разработки лекарств и высокопроизводительного скрининга, предлагая точные мишени для фармакологического вмешательства. Технология объединяет вычислительную нейробиологию с современными методами глубокого обучения для решения сложных задач персонализированной медицины.

В статье представлен метод PerturbBridge, основанный на условном латентном мосте Шрёдингера (Schrödinger Bridge), предназначенный для предсказания транскрипционных ответов клеток на неизученные возмущения. Поскольку измерения РНК-секвенирования являются деструктивными, контрольные и возмущенные клетки наблюдаются как неспаренные популяции, что требует перехода от индивидуального прогнозирования к моделированию распределений популяций. Метод использует вариационный автоэнкодер (beta-TCVAE) для создания компактного латентного пространства, что позволяет эффективно аппроксимировать стохастический транспорт в условиях высокой размерности и разреженности данных. Введение регуляризатора согласованности интерполяции и регуляризации MMD конечных точек обеспечивает точное выравнивание сгенерированных распределений с наблюдаемыми целевыми. Эксперименты на бенчмарках Norman CRISPR и Sci-Plex3 показали конкурентоспособные результаты, а также достижение состояния искусства (SOTA) в восстановлении дифференциальной экспрессии генов. Данный подход демонстрирует высокую эффективность латентного стохастического транспорта для анализа одноклеточных данных, что критически важно для персонализированной медицины и разработки новых терапий.