Исследования, новости индустрии и регуляторные изменения в области применения искусственного интеллекта в здравоохранении
Исследование оценивает эффективность ИИ-инструмента qER EU 2.0 в помощи рентгенологам и врачам скорой помощи при анализе КТ головы. Результаты показали значительное повышение чувствительности при обнаружении критических патологий и внутричерепных кровоизлияний, хотя и при некотором снижении специфичности.
В статье рассматривается проблема цифрового неравенства в здравоохранении и предлагается новая многоуровневая модель цифровой инклюзии. Авторы интегрируют принципы цифровой трансформации с концепцией цифрового разрыва, чтобы помочь организациям и политикам создавать более справедливые цифровые медицинские сервисы.
В обзоре рассматривается роль данных реальной клинической практики (RWE) в управлении ревматоидным артритом. Авторы анализируют возможности цифровых технологий и электронных медкарт для дополнения традиционных клинических исследований и улучшения качества жизни пациентов.
Исследование анализирует риски систематических ошибок при создании моделей ИИ для онлайн-диагностики симптомов из-за самоотбора участников. Авторы выявили, что способы привлечения пользователей и процент прохождения повторных опросов существенно влияют на репрезентативность данных, что критично для обучения точных медицинских алгоритмов.
В статье предлагается гибридная архитектура CNN-BiLSTM для автоматизированной диагностики рака кожи на основе датасета HAM10000. Модель достигла точности 94,82%, эффективно сочетая извлечение пространственных признаков и анализ контекстуальных зависимостей, что делает её пригодной для использования в реальном времени.
В исследовании представлен метод Graph-RAG, использующий графы знаний Neo4j для создания точных рекомендаций по диете при хронических заболеваниях. Система обеспечивает высокую интерпретируемость и учет демографических особенностей, минимизируя галлюцинации языковых моделей за счет строгой привязки к клиническим нормам нутриентов.
Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.
Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.
Систематический обзор посвящен интеграции машинного обучения, IoMT и блокчейна для обеспечения безопасности и эффективности ухода за новорожденными в отделениях интенсивной терапии. Исследование выявляет возможности ML для ранней диагностики и прогнозирования рисков, а также подчеркивает необходимость создания единых систем для обеспечения целостности данных и непрерывного мониторинга.
Разработан новый метод TRIP для интерпретации сложных биомедицинских данных через выявление общих скрытых причинно-следственных механизмов. Модель успешно применяется к генным регуляторным сетям в раковых клетках, позволяя преобразовывать сложные графы в понятные механизмы для генерации гипотез.
В статье представлен систематический обзор применения глубокого обучения для диагностики болезни Альцгеймера с использованием МРТ и мультимодальных данных. Авторы анализируют архитектуры нейросетей, эффективность классификации стадий заболевания и подчеркивают важность интеграции различных типов данных для повышения точности диагностики.
Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.
Исследование направлено на прогнозирование риска суицидальных мыслей у 908 женщин в Испании с использованием пяти моделей машинного обучения. Наилучшие результаты показала модель Random Forest, выявившая такие предикторы, как низкий вес ребенка при рождении, история ментальных расстройств и домашнее насилие.
Исследование посвящено разработке и сравнению моделей машинного обучения для раннего выявления инфекций при поступлении пациентов в отделение неотложной помощи. Наилучшие результаты показал алгоритм Random Forest, который на основе стандартных клинических показателей (СРБ, лейкоциты, температура и др.) продемонстрировал высокую точность прогнозирования.
В статье представлен PAIR (Pediatric AI Readiness) — специализированный фреймворк для оценки готовности медицинских учреждений к внедрению ИИ в педиатрии. Система охватывает семь ключевых доменов, включая этику, интеграцию в рабочие процессы и репрезентативность данных, чтобы обеспечить безопасное и эффективное применение технологий в детском здравоохранении.
Разработан модульный метод постобработки для снижения количества ложноположительных срабатываний при обнаружении детских переломов на рентгенограммах. Система использует поиск сложных отрицательных примеров и калиброванное слияние оценок, обеспечивая высокую точность (F1-score 0.88) и интерпретируемость через Grad-CAM.
Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.
В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.
Исследование представляет интерпретируемую модель машинного обучения для оценки риска сердечно-сосудистых заболеваний на основе данных 70 000 пациентов. Использование методов SHAP позволило сделать прогнозы прозрачными, выделив ключевые факторы риска, такие как возраст, давление и уровень холестерина, что критически важно для внедрения ИИ в клиническую практику.
Исследование оценивает эффективность модели nnU-Net как «второго читателя» для выявления метастазов в позвоночнике на КТ-снимках. Использование ИИ позволило обнаружить патологии в среднем на 228 дней раньше, чем это было сделано врачами при стандартном анализе.
