ИИ в медицине

Исследование с использованием ПЭТ-сканирования выявило значительную потерю синаптических связей в различных областях мозга у пациентов с шизофренией. Ученые обнаружили, что потеря синапсов не случайна, а следует архитектуре нейронных связей, что может помочь в разработке методов терапевтического вмешательства.

В статье описывается клинический случай использования гибридной системы совмещения внутрисосудистого ультразвука (IVUS) и оптической когерентной томографии (OCT). Технология позволяет комбинировать высокое разрешение OCT с возможностями IVUS, что помогает точнее оценивать сложные поражения сосудов и снижать потребность в контрастном веществе.

Американский колледж радиологии поддерживает включение закона ROOT в законопроект о реформе Medicare, направленный на модернизацию системы критериев целесообразности использования визуализации. Использование инструментов поддержки принятия клинических решений на основе доказательных руководств поможет снизить расходы и повысить эффективность обследований.

Статья обсуждает двойственную природу ИИ: его использование в клинической практике и рост киберугроз со стороны хакеров, применяющих ИИ для автоматизации атак. Описывается подход Университета Чикаго к управлению рисками через многоуровневую систему контроля и надзора за внедрением ИИ-инструментов.

Статья представляет собой анонс опроса, направленного на изучение перспектив внедрения ИИ и мер кибербезопасности в страховой медицине. Результаты исследования помогут понять, как организации готовятся к использованию технологий следующего поколения.

Статья анализирует конфликт между стремлением разработчиков создавать самообучающиеся модели ИИ и регуляторными требованиями. Рассматривается сложность баланса между патентной защитой, требованиями FDA к стабильности моделей и соблюдением конфиденциальности данных согласно HIPAA.

В статье анализируются проблемы внедрения клинического ИИ из-за несоответствия текущих моделей оплаты (fee-for-service, capitation) новым технологическим реалиям. Эксперты PHTI предлагают переходить к динамическим моделям оплаты, ориентированным на результат и доказанную клиническую ценность, вместо оплаты за объем услуг.

В России ведется разработка инновационной ИТ-системы на базе искусственного интеллекта, предназначенной для персонализированного управления уровнем глюкозы у женщин с сахарным диабетом. Уникальность продукта заключается в мультимодальном подходе: алгоритмы будут интегрировать данные непрерывного мониторинга глюкозы (CGM) с динамическими показателями гормонального цикла, текущей медикаментозной терапией и данными об образе жизни пациентки. Это позволит учитывать специфические физиологические колебания сахара, вызванные гормональными изменениями, которые часто усложняют стандартную терапию. Внедрение системы обещает повысить точность прогнозирования гипо- и гипергликемических состояний. Технология нацелена на создание предиктивной модели, которая поможет пациентам и врачам более эффективно корректировать дозировки препаратов в зависимости от биологических ритмов организма.

Аналитическое исследование компании MAR Consult выявило изменение потребительского поведения на российском фармацевтическом рынке вследствие трансформации аптечного персонала. В связи с переходом от квалифицированных провизоров к продавцам-кассирам, у потребителей возник дефицит профессиональной консультационной поддержки. Это привело к росту спроса на дистанционные форматы взаимодействия, в частности на бесплатные онлайн-чаты с фармацевтами. Исследование подчеркивает, что цифровизация фармацевтических услуг становится необходимым инструментом для восполнения экспертного пробела в офлайн-точках продаж. Потребители стремятся получать оперативные и научно обоснованные ответы на вопросы о препаратах через цифровые каналы. Данная тенденция открывает возможности для внедрения специализированных сервисов телефармацевтики и чат-ботов с поддержкой экспертов.

Исследователи из Первого МГМУ имени И.М. Сеченова приступили к разработке инновационной интеллектуальной системы для персонализированного мониторинга гликемии у пациентов с сахарным диабетом. Ключевой особенностью разработки является интеграция алгоритмов машинного обучения, которые учитывают не только текущие показатели глюкозы, но и динамику гормональных циклов организма. Методология исследования базируется на анализе больших данных (Big Data), поступающих с систем непрерывного мониторинга глюкозы (CGM), что позволяет прогнозировать резкие скачки сахара до их фактического возникновения. Ожидается, что внедрение такой системы позволит снизить риск развития тяжелых осложнений диабета за счет более точной превентивной коррекции доз инсулина. Технология ориентирована на создание адаптивных моделей, способных подстраиваться под индивидуальные биоритмы каждого пациента, что значительно повышает точность прогнозирования по сравнению со стандартными методами. Данная разработка имеет высокую практическую значимость для эндокринологии и цифровой медицины в целом.

Российская компания Nord Clan официально зарегистрировала семь специализированных продуктов своей платформы машинного зрения ML Sense в Едином реестре российского программного обеспечения. Данная инициатива направлена на импортозамещение и развитие отечественных технологий компьютерного зрения в различных индустриальных секторах. Платформа ML Sense представляет собой комплексное решение для автоматизации процессов распознавания и анализа визуальных данных с использованием алгоритмов машинного обучения. Включение продуктов в реестр позволяет использовать данные решения в государственных структурах и на критически важных объектах инфраструктуры, где требуется соблюдение требований по безопасности и локализации ПО. Технологическая база платформы ориентирована на высокую точность детекции объектов и стабильную работу в реальном времени, что критически важно для систем мониторинга. Несмотря на то, что статья фокусируется на юридическом аспекте регистрации, внедрение данных ML-решений открывает новые возможности для цифровизации промышленного контроля и обеспечения безопасности.

Фармацевтический гигант BMS приобретает суперкомпьютерную систему Nvidia DGX SuperPOD на базе архитектуры Vera Rubin для ускорения разработки лекарств. Новая инфраструктура позволит компании обучать собственные модели и проводить масштабные вычисления для анализа белков и соединений, значительно увеличивая количество тестируемых кандидатов.

Компания Clover Health, являющаяся игроком на рынке медицинского страхования, раскрыла информацию об инциденте, связанном с утечкой данных, в официальном документе для Комиссии по ценным бумагам и биржам (SEC). На данный момент подробности инцидента остаются ограниченными, однако факт нарушения безопасности данных в организации, работающей с медицинскими показателями, имеет критическое значение для сектора цифрового здравоохранения. Утечки в компаниях такого типа могут затрагивать конфиденциальную информацию пациентов и страховые данные, что требует усиления мер кибербезопасности. Данное событие подчеркивает уязвимость инфраструктуры медицинских плательщиков перед кибератаками. Исследование инцидента будет иметь значение для понимания рисков управления данными в цифровой медицине.

В исследовании представлен FloREN — новый метод обучения представлений образцов (sample representation), предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов обучения без учителя, FloREN использует контролируемый (supervised) подход, моделируя данные как гетерогенную сеть, объединяющую клетки, гены, регуляторные связи и механизмы межклеточной коммуникации. Использование интерпретируемых графовых трансформеров позволяет не только стратифицировать пациентов по биологическим признакам, но и проводить поиск биомаркеров с высокой точностью. Методология включает в себя создание условных эмбеддингов (condition-aware embeddings) и механизмы внимания, что обеспечивает биологическую интерпретируемость результатов. В ходе тестирования на данных пациентов с иммуноопосредованными воспалительными заболеваниями (IMIDs) фреймворк успешно выявил специфические механизмы функционирования иммунных сетей. Данная разработка имеет высокую значимость для персонализированной медицины и понимания патогенеза сложных воспалительных процессов.

В исследовании представлен новый биоинформатический инструмент multiScaleAC, предназначенный для анализа пространственной транскриптомики и изучения взаимодействия клеток в опухолевом микроокружении. Авторы решают проблему предвзятости при выборе фиксированного радиуса взаимодействия, предлагая использовать расширенный индекс Морана с применением гауссова ядра и варьируемой шириной полосы пропускания (h). Методология позволяет анализировать взаимодействия на различных пространственных масштабах, используя функциональный анализ данных. В ходе симуляций метод продемонстрировал высокую статистическую мощность: показатель 1.00 при полосах пропускания более 5 для истинных взаимодействий. При тестировании на 8 образцах ткани толстой кишки (Visium) инструмент выявил профили лиганд-рецепторных взаимодействий с точностью 73.7%–87.2% по сравнению с методом spatialDM. Применение метода к данным по почечно-клеточной карциноме показало, что показатели функционального компонента 1 коррелируют с воздействием иммунотерапии: в стромальных тканях, подвергшихся лечению, наблюдался значительно более высокий уровень взаимодействий COL4A1-ITGAV. Это делает multiScaleAC важным инструментом для более точного понимания архитектуры тканей и ответа на терапию.

Исследование представляет новый интерпретируемый ансамблевый фреймворк на базе машинного обучения, предназначенный для прогнозирования жидкостно-жидкостного фазового разделения (LLPS) белков. В отличие от традиционных методов, опирающихся на структурную стабильность, данная модель использует эмбеддинги языковых моделей белков (protein language models) и предсказанные структуры для анализа внутренне неупорядоченных регионов (IDR). Разработанный двухэтапный классификатор эффективно разделяет белки на саморазделяющиеся и зависящие от партнеров, демонстрируя превосходство над существующими методами на независимых бенчмарках, особенно в категории партнерно-зависимых белков. Авторы применили модель к базам данных болезнетворных вариантов, обнаружив, что патогенные мутации значительно обогащены в регионах, ответственных за фазовое разделение. Результаты показывают, что такие мутации часто нарушают показатели склонности к LLPS, что указывает на нарушение регуляции фазового разделения как на ключевой механизм развития множества заболеваний. Данный инструмент позволяет не только точно идентифицировать фазоразделяющие белки, но и количественно оценивать влияние конкретных мутаций на биофизические свойства протеома.

В исследовании представлен новый метод интерпретируемости GDTR (Genomic Deep-Thinking Ratio), предназначенный для анализа геномных фундаментальных моделей без необходимости дополнительного обучения. Авторы используют подход через анализ остаточных потоков (residual-stream lens), чтобы определить «глубину стабилизации» каждого нуклеотидного токена — слой, на котором его представление становится стабильным относительно финального состояния модели. При тестировании на модели Evo 2 7B было обнаружено, что сайты сплайс-доноров и акцепторов стабилизируются примерно на два слоя раньше, чем интронные контексты. Исследование также показало, что нарушение канонического мотива GT в сайтах сплайсинга увеличивает глубину стабилизации, в то время как перемешивание окружающего контекста заставляет мотив стабилизироваться раньше. Кроме того, метод GDTR позволил выявить различия в глубине стабилизации для вариантов ClinVar, где синонимичные замены демонстрируют наибольшую глубину. Данный инструмент предоставляет новый вектор интерпретируемости для геномных моделей, дополняя существующие методы предсказания вариантов и оценки их последствий.

В исследовании представлен инновационный фреймворк EBD-DTI, предназначенный для решения критической проблемы «холодного старта» при прогнозировании взаимодействия лекарственных препаратов с белками-мишенями. Основная сложность заключается в предсказании связей для абсолютно новых, ранее не встречавшихся в обучающей выборке молекул и белков. Авторы предложили метод эпизодического обучения, при котором случайные подмножества сущностей маскируются в процессе каждой эпохи, имитируя условия zero-shot инференса. Использование мостового локального подграфа в сочетании с многошаговой диффузией позволяет передавать реляционный контекст от известных соседей к новым объектам. Экспериментальная проверка на трех ключевых бенчмарках (BioSNAP, BindingDB и DrugBank) показала превосходство метода над существующими SOTA-решениями. В частности, применение эпизодического обучения позволило увеличить показатель AUC на величину до 12%. Данная разработка имеет высокую значимость для ускорения компьютерного поиска новых лекарственных кандидатов.

В исследовании представлена инновационная модель LGNM (Learnable Graph Network Model), предназначенная для высокоточного прогнозирования гибкости белков на уровне отдельных аминокислотных остатков. В отличие от традиционных моделей упругой сети (ENM), которые используют унифицированные коэффициенты жесткости, LGNM применяет гетерогенный подход, где параметры связей определяются физически ограниченной графовой нейронной сетью (GNN). Обучение модели проводилось на данных молекулярной динамики (RMSF-профили) для 413 белков из базы ATLAS с использованием метода разделения по суперсемействам CATH. В основе методологии лежит фреймворк квантового обучения гамильтониану (QNPDE), что позволяет эффективно вычислять градиенты. Результаты тестирования на 91 белке показали значительное превосходство: коэффициент корреляции Пирсона r составил 0,8549 для LGNM против 0,8024 у стандартной модели mENM. Данная разработка критически важна для структурной биологии и компьютерного дизайна лекарств, так как позволяет более точно моделировать динамику молекул.