Найдите статьи по ключевым словам и фильтрам.
Исследование оценивает возможность использования данных с носимых акселерометров для автоматической оценки тяжести симптомов болезни Паркинсона. С помощью моделей машинного обучения авторы продемонстрировали корреляцию между показателями актиграфии и клинической шкалой MDS-UPDRS, что открывает путь к непрерывному мониторингу пациентов.
Исследование посвящено разработке аннотированного корпуса из 2040 выписных эпикризов для автоматического обнаружения гериатрических синдромов с помощью NLP. Сравнительный анализ показал высокую эффективность моделей BERT-cased и BioClinicalBERT в задачах распознавания именованных сущностей (NER) и классификации документов.
Исследование оценивает эффективность машинного обучения для прогнозирования результатов теста MMSE на основе цифрового инструмента DCR. Модель показала высокую точность и справедливость (отсутствие демографических искажений), позволяя автоматизировать отбор пациентов для терапии болезнью Альцгеймера.
Исследование оценивает гибридную систему на базе LLM и нейросимволического ИИ для автоматизации документации при лечении возрастной макулярной дегенерации. Система показала точность извлечения данных до 98,3% и сократила время на ведение документации на 88%, значительно снижая административные расходы.
Обзор посвящен анализу ИИ-решений для цифровой гистопатологии, прошедших одобрение FDA и европейскую сертификацию. Авторы сравнивают рыночные продукты с исследовательскими моделями, выделяя лучшие практики разработки, вопросы регуляции и потенциал трансформерных архитектур в диагностике рака.
В данной работе представлен инновационный метод Perturbed Flow Matching (PFM), предназначенный для ускорения процесса разработки лекарственных препаратов путем генерации трехмерных молекул, связывающихся с конкретными белковыми мишенями. В отличие от существующих диффузионных моделей, требующих большого количества шагов дискретизации, PFM использует фреймворк потокового сопоставления (Flow Matching), что позволяет значительно снизить вычислительные затраты. Авторы разработали уникальный дизайн пути условной вероятности, который интегрирует информацию о сайтах связывания в карманах белков и корреляцию между типами атомов и их координатами. Экспериментальная проверка на наборе данных CrossDocked2020 показала, что PFM достигает передовых показателей (SOTA) аффинности связывания со средним значением -7.12. Ключевым преимуществом метода является ускорение генерации валидных молекул в 21.3 раза по сравнению с существующими аналогами. Данная технология имеет критическое значение для фармацевтической отрасли, позволяя сократить время и стоимость компьютерного моделирования новых лекарств.
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.
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 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.
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.
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.
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.
В данном исследовании изучается эффективность использования представлений (эмбеддингов) от крупной белковой модели-основания AINN-P1, обученной авторегрессионным методом на десятках миллионов последовательностей, для задачи ранжирования пар антиген-антитело по их аффинности (свободной энергии связывания ΔΔG). Авторы сравнивают специализированную модель, обученную с нуля, с легковесными надстройками (downstream heads), построенными поверх «замороженных» эмбеддингов AINN-P1. Результаты показали, что даже простая линейная модель на базе замороженных эмбеддингов превосходит базовую модель, обученную end-to-end. При использовании оптимизированной легковесной надстройки средняя корреляция Спирмена выросла с 0,42 до 0,53, что составляет относительное улучшение на 28%. Важно отметить, что обучение таких моделей занимает считанные секунды и не требует дорогостоящего дообучения (fine-tuning) самой фундаментальной модели. Это делает использование замороженных эмбеддингов высокоэффективным и экономичным методом для инженерии антител и предсказания их связывающей способности.
В исследовании представлен инновационный физически обоснованный генеративный метод для проектирования белков de novo, способных связывать малые молекулы и ионы металлов. Авторы разработали подход, который позволяет формировать кастомизируемые сайты связывания лиганда параллельно с симуляцией фолдинга белка, обеспечивая точный архитектурный контроль комплекса. Методология позволяет создавать биосенсоры двух типов: на основе индуцированного лигандом реассемблирования расщепленных белков (split-protein) и на основе индуцированного фолдинга белка. В ходе экспериментов метод успешно протестировали на пяти мишенях, включая критически важные нейромедиаторы — серотонин и дофамин, а также два типа ионов металлов. Биофизическая характеристика и рентгеноструктурный анализ подтвердили, что полученные кристаллические структуры практически полностью соответствуют расчетным моделям. Практическая значимость работы заключается в успешном создании рабочих сенсоров на серотонин и дофамин, а также цинк-сенсора, что открывает новые горизонты в разработке высокоточных диагностических инструментов и биосенсорных технологий.
Исследование представляет TEDlm — новый класс языковых моделей белков, которые обучаются на сегментах структурно определенных доменов, а не на полноразмерных последовательностях. В отличие от стандартных моделей (например, ESM2), TEDlm фокусируется на очищенных сигналах фолдов, исключая линкеры и неупорядоченные области. Авторы предложили вариант TEDlm3D, использующий функцию потерь на основе контактов (C distance-guided contact loss) для супервизии карт внимания. В тестах на обнаружение удаленного гомологичного сходства (CATH S40, <40% идентичности) модель TEDlm с 650 млн параметров показала AUROC 0.28, что превосходит 3-миллиардную ESM2 (0.22), а версия TEDlm3D достигла AUROC 0.50, вплотную приблизившись к результатам структурного инструмента Foldseek (0.53). Кроме того, TEDlm демонстрирует значительное улучшение в zero-shot предсказании молекулярных функций и сохраняет высокую точность в задачах биофизических свойств. Результаты доказывают, что доменно-ориентированное предобучение позволяет создавать компактные и структурно информированные модели, эффективные для биоинформатики и разработки лекарств.
