Поиск

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.

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.

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 статье представлена новая интегрированная система AnewDDE, объединяющая этапы предсказания структуры, оценки аффинности, дизайна молекул и экспериментального принятия решений в единый замкнутый цикл. Платформа включает несколько ключевых компонентов: AnewFold для предсказания структур сложных комплексов (антитело-антиген, молекулярный клей), AnewDesign для генерации биндеров с высокой аффинностью, AnewAffinity для быстрой оценки энергии связывания и AnewMind — большую языковую модель (LLM) на сотни миллиардов параметров для научного рассуждения и предсказания ADMET-свойств. В ходе кампании по поиску нанотел AnewDesign достиг успеха в 10,7% случаев, выявив биндеры с наномолярной аффинностью, что существенно снижает экспериментальную нагрузку. Модель AnewAffinity демонстрирует точность, приближающуюся к методам возмущения свободной энергии (FEP), но работает со скоростью, достаточной для высокопроизводительного скрининга. Для оценки LLM AnewMind разработан внутренний бенчмарк PharmBench, показавший конкурентоспособность модели с ведущими фронтальными решениями в задачах долгосрочного принятия решений. Система позиционируется как инструмент для решения сложных терапевтических задач и масштабного перевода молекулярных инсайтов в экспериментально подтвержденные кандидаты.

В исследовании оценивается способность агентов на основе больших языковых моделей (LLM) выполнять две различные задачи в биоинформатике: оркестровку рабочих процессов и биологическую интерпретацию данных. Для этого была разработана система Genome Skeptic, где детерминированные инструменты генерируют измерения последовательностей, а ИИ-контроллер запрашивает дополнительные анализы только из заранее определенного реестра. В проспективном слепом когорте из 20 геномов модель GPT-5.6 Sol, действовавшая как контролер рабочего процесса, достигла точности 18 из 20 правильных ответов, что сопоставимо с фиксированными стратегиями, но потребовала на 32-47% меньше дополнительных анализов. Однако когда та же модель получила полномочия окончательного решения о состоянии доказательств, точность упала до 11 из 20, специфичность снизилась с 1.00 до 0.30, а модель не смогла исправить ошибки детерминированного анализатора. Все девять расхождений в конечных точках привели к переходу от отрицательных вызовов к неразрешенным, а не к выявлению пропущенных положительных случаев. Исследование демонстрирует, что LLM эффективны в управлении последовательностью действий, но ненадежны в биологической интерпретации результатов, что критически важно для разработки безопасных ИИ-систем в геномике.

Компания a2z Radiology AI получила разрешение FDA на использование своего ИИ-продукта a2z-Abdo-Triage для выявления 10 патологий на КТ-снимках органов брюшной полости и таза. Система помогает радиологам приоритизировать исследования, автоматически отмечая подозрительные случаи, что позволяет ускорить оказание помощи пациентам с критическими состояниями.

Панель экспертов рекомендует внедрять инструменты ИИ для поддержки принятия клинических решений при обнаружении амилоид-связанных изменений на МРТ у пациентов, получающих терапию против болезни Альцгеймера. Исследование показывает, что ИИ повышает чувствительность диагностики на 16% для ARIA-E и на 10% для ARIA-H, хотя и требует обязательного участия радиолога для финальной интерпретации.

Компания DeepHealth получила одобрение FDA 510(k) для решения Chest XRay — системы компьютерного обнаружения (CADe) на основе фундаментальной модели ИИ, предназначенной для выявления и локализации патологий грудной клетки на рентгенограммах. Система анализирует четыре категории находок, включая узлы, консолидацию и пневмоторакс, и уже используется в Европе, обрабатывая более 2,8 млн исследований ежегодно.

Компания Merge представила MergeIQ — слой искусственного интеллекта, интегрированный в платформу корпоративной медицинской визуализации. Первые приложения RelevancyIQ и NaviIQ помогают радиологам находить релевантную предыдущую информацию и клинический контекст непосредственно в рабочем процессе, что снижает нагрузку и повышает эффективность диагностики.

Компания Ultrasound AI, Inc. получила два новых патента США на технологии искусственного интеллекта для медицинского визуализации. Патенты описывают методы использования нейросетей для анализа воздействия лекарств на плод и комплексной медицинской диагностики на основе медицинских изображений.

Oracle Health выпустила Clinical AI Agent, предназначенный для автоматизации рутинных задач медсестер, таких как навигация по электронным медицинским картам (EHR) и документирование ухода в реальном времени. Агент использует голосовые команды и ИИ-сводки для ускорения работы, интегрирован непосредственно в платформу EHR и требует утверждения документации медсестрой для предотвращения ошибок.

Исследование, опубликованное в npj Digital Medicine 8 сентября 2026 года, посвящено проблеме рецидивов фибрилляции предсердий (ФП) после катетерной аблации. У 20-30% пациентов с персистирующей ФП аритмия возвращается из-за триггеров, расположенных вне легочных вен, которые сложно обнаружить стандартными методами. Авторы разработали подход, сочетающий цифровые двойники сердца и модели глубокого обучения для неинвазивного выявления таких триггеров. Методология включала создание персонализированных электромеханических моделей предсердий на основе данных МРТ и электрокардиограмм пациентов, после чего симулировали активацию в различных точках для генерации обучающего набора данных. Сверточная нейронная сеть обучалась на синтетических картах активации для классификации локализации триггеров. В валидации на клинических данных 47 пациентов модель достигла точности 89% в определении наличия непульмональных триггеров и 82% в их локализации. Предложенный метод может улучшить планирование аблации, сократить время процедуры и повысить долгосрочную эффективность лечения, открывая путь к персонализированной терапии ФП.

В исследовании, опубликованном в npj Digital Medicine 8 сентября 2026 года, представлена модель искусственного интеллекта для оценки уязвимости атеросклеротических бляшек сонных артерий по данным ультразвукового исследования в B-режиме. Целью работы было улучшение стратификации риска цереброваскулярных событий (инсультов и транзиторных ишемических атак) у пациентов с каротидным атеросклерозом. Авторы разработали и валидировали алгоритм глубокого обучения на многоцентровой когорте пациентов, используя аннотированные изображения B-режима ультразвука для автоматического определения признаков уязвимости бляшки, таких как гетерогенная эхогенность, изъязвление поверхности и наличие гипоэхогенных зон. Модель продемонстрировала высокую прогностическую точность в идентификации пациентов с высоким риском цереброваскулярных событий, превосходя традиционные клинические и ультразвуковые критерии. Результаты показывают, что ИИ-анализ стандартных ультразвуковых изображений может служить неинвазивным и доступным инструментом для скрининга и раннего выявления пациентов, нуждающихся в более агрессивной профилактической терапии. Исследование подчеркивает потенциал ИИ в повышении точности диагностики и персонализации лечения сердечно-сосудистых заболеваний в рутинной клинической практике.

В пилотном исследовании оценивалось использование больших языковых моделей (LLM) и языка клинического качества (CQL) для извлечения признаков и определения исходов миокардита из данных FHIR пациентов с вакцинацией от COVID-19. Метод с LLM и улучшенный CQL показали высокую точность в определении исходов (23 из 25), при этом LLM превосходно справился с симптомами и визуализационными признаками, а простой CQL — с биомаркерами. Результаты подтверждают возможность использования LLM для вычислимых фенотипов в постмаркетинговом надзоре.

В ретроспективном исследовании с участием 229 пациентов разработана и валидирована интерпретируемая модель машинного обучения на основе радиомических признаков многофазной КТ для различения липид-бедных аденом и феохромоцитом. Модель дерева решений достигла AUC 0.977–0.983, а анализ важности признаков выявил кистозную дегенерацию как ключевой дискриминатор, обеспечивая прозрачные клинические пути принятия решений.

В исследовании использованы данные 23 122 пациентов из больницы Санта-Мария в Лиссабоне для разработки моделей машинного обучения (логистическая регрессия, KNN, случайный лес, наивный Байес) для раннего выявления тахикардии и брадикардии у критически больных. Логистическая регрессия показала наилучшие результаты (AUROC 0,81, полнота 91,7% при клинических порогах), а также был продемонстрирован прототип автоматической системы email-оповещений. Авторы подчеркивают необходимость проспективной внешней валидации в нескольких центрах.