Исследования, новости индустрии и регуляторные изменения в области применения искусственного интеллекта в здравоохранении
Разработана нейросетевая модель OMNIS, которая интегрирует мультиомные данные в геномные изображения с учетом пространственной организации хромосом. Модель демонстрирует высокую точность в прогнозировании рецидивов рака и разграничении первичных и метастатических опухолей, а также позволяет выявлять ключевые гены-маркеры.
Представлен новый метод EdgeFusion-U-Net, использующий диффузионные модели для удаления спекл-шума и улучшения выделения границ на ультразвуковых изображениях. Эксперименты показали значительный рост точности сегментации нервов (Dice score до 94.62%) по сравнению с существующими архитектурами.
В статье анализируются методологические и технологические сложности проведения рандомизированных клинических исследований с использованием цифровых платформ на смартфонах пациентов. На примере исследования BD4QoL авторы предлагают рекомендации по преодолению проблем гетерогенности устройств, регуляторных барьеров и внедрению подходов BYOD (принеси свое устройство) для мониторинга качества жизни онкобольных.
Исследование посвящено разработке модели 3D-сверточной нейронной сети (архитектура X3D) для автоматического определения сердечного индекса по видео коронарной ангиографии. Модель показала высокую эффективность (AUC 0.83) в разделении пациентов на группы с нормальным и аномальным показателем, что может помочь врачам принимать решения в реальном времени без инвазивных процедур.
Статья анализирует меняющийся ландшафт взаимодействия академических медицинских центров и индустрии в контексте развития ИИ. Авторы подчеркивают, что ключевым преимуществом медицинских центров является владение ценными биомедицинскими данными, и призывают инвестировать в экосистемы управления данными для эффективного использования ИИ.
Статья анализирует риски внедрения ИИ в кардиологию без учета этнического и гендерного разнообразия данных. Авторы подчеркивают необходимость использования репрезентативных геномных наборов данных для предотвращения закрепления исторического неравенства в системах поддержки принятия клинических решений.
Исследование оценивает способность LLM извлекать метаданные из медицинских экзаменов по эндокринологии. Результаты показывают, что высокая точность ответов не гарантирует надежности: многие модели демонстрируют высокую вариативность при повторных запусках, что критично для автоматизации оценки.
Представлен новый фреймворк RAG-GNN, объединяющий графовые нейронные сети с модулем плотного поиска по текстовому корпусу для улучшения анализа белковых взаимодействий. Исследование показало, что использование механизмов RAG позволяет улучшить функциональную кластеризацию белков по сравнению с классическими GNN-моделями.
Авторы представляют FLMMIF — фреймворк на базе федеративного обучения и низкоранговой адаптации (LoRA) для безопасного объединения мультимодальных медицинских изображений. Метод позволяет эффективно балансировать между глобальной обобщающей способностью модели и персонализацией под конкретные локальные данные, обеспечивая при этом защиту конфиденциальности пациентов.
В статье представлена новая архитектура нейронной сети TSFGDTDBN, предназначенная для автоматизированной диагностики остеопороза по рентгеновским снимкам коленного сустава. Метод использует фрактальное градиентное расхождение и алгоритм Crow Search для оптимизации гиперпараметров, что позволяет повысить точность классификации состояний (норма, остеопения, остеопороз) по сравнению с традиционными методами глубокого обучения.
Разработана система классификации состояния плода (норма, подозрение, патология) на основе анализа данных кардиотокографии. Лучшая модель LightGBM показала точность 96.03% и была интегрирована в веб-приложение для поддержки принятия клинических решений.
Исследование проводит систематический обзор метрик оценки ИИ-моделей, используемых для распознавания фаз хирургических операций. Авторы выявляют проблему отсутствия стандартизации и рекомендуют использовать более гибкие подходы, такие как fβ-score и коэффициент корреляции Мэтьюса, для улучшения прозрачности и сопоставимости результатов.
Обзор демонстрирует, что использование ИИ для предоперационного планирования на основе КТ значительно повышает точность позиционирования компонентов эндопротеза и сокращает время планирования на 57-70%. Исследование подчеркивает превосходство глубокого обучения над ручным методом в минимизации угловых ошибок при установке чашки.
Обзор анализирует стандарты документирования преаналитических факторов (подготовка образцов, сканирование, аннотация) в исследованиях ИИ для цитологии шейки матки. Авторы выявили значительные пробелы в отчетности и предложили специализированный чек-лист PRECY-AI для повышения воспроизводимости и клинической применимости моделей.
Разработана система FuzzyFed-CNN, объединяющая сверточные нейросети и нечеткие логические системы для раннего выявления болезни Альцгеймера. Метод использует федеративное обучение для защиты конфиденциальности данных и обеспечивает высокую интерпретируемость результатов через визуализацию Grad-CAM.
Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.
Исследование оценивает возможность использования расхождений между различными системами автоматического распознавания речи (ASR) для выявления ошибок в медицинских транскриптах. Результаты показывают, что низкий уровень согласия между моделями эффективно локализует зоны неопределенности, позволяя человеку сосредоточиться на критических участках текста.
Исследование посвящено изучению восприятия врачами методов объяснимого ИИ (XAI) в сценариях раннего предупреждения о декомпенсации сердечной недостаточности. Результаты показывают, что метод SHAP наиболее интуитивен для клиницистов, однако для полного доверия требуется комбинированный подход к визуализации данных.
Исследование анализирует барьеры при внедрении систем ИИ-телемониторинга для пациентов с сердечной недостаточностью. Авторы предлагают практические рекомендации по разработке надежных и регулируемых решений, используя методологию CRISP-DM для оптимизации жизненного цикла разработки.
Разработана модель глубокого обучения с механизмом последовательного внимания для прогнозирования выживаемости клеток при радиационном воздействии. Исследование демонстрирует высокую точность в предсказании относительной биологической эффективности (RBE), подчеркивая важность нано- и микродозиметрических параметров по сравнению с ЛЭТ.
