Поиск

Исследование посвящено применению дискретных диффузионных моделей для генерации реалистичных филогенетических деревьев опухолей, которые кодируют клональную родословную и приобретение мутаций при эволюции рака. Авторы обучают графовые трансформеры на наборе из примерно 12 500 синтетических филогенезов, охватывающих двенадцать различных эволюционных режимов, используя процесс обратного диффузионного шумоподавления на типизированных графах. Эксперименты по масштабированию выявили немонотонную зависимость между ёмкостью модели и её производительностью: модель среднего масштаба достигла высокой структурной валидности и близкого соответствия распределения тестовым данным, тогда как более глубокая модель провалилась при фиксированных гиперпараметрах оптимизации. Эксперименты с недостатком данных показали, что разнообразное обучение приводит к более переносимым представлениям по сравнению со специализацией на одном режиме. Результаты демонстрируют, что структурные ограничения филогенеза могут быть выучены неявно через безусловную дискретную диффузию. Это открывает перспективный путь к созданию генеративных моделей эволюции опухолей, что имеет прямое значение для персонализированной онкологии и понимания механизмов развития рака. Исследование вносит вклад в развитие методов машинного обучения для анализа онкологических данных.

Исследование сравнивает алгоритм QuPath для автоматической оценки индекса пролиферации Ki-67 в нейроэндокринных опухолях с ручной оценкой патологов. Алгоритм показал умеренное согласие с патологами (Kappa = 0.32) и чаще присваивал более высокие степени опухоли (42% случаев), подчеркивая необходимость стандартизации критериев.

Исследование предлагает гибридную AI-квантовую рамку, объединяющую классическое глубокое обучение (LSTM) с квантово-вдохновлёнными моделями для анализа медицинских записей пациентов с СПКЯ. Модель демонстрирует улучшенную способность обрабатывать гетерогенные клинические данные и повышает точность классификации риска бесплодия по сравнению с традиционными методами машинного обучения.

Исследование Madduri и коллег представляет принципиально новую вычислительную framework для моделирования ко-адаптации между пользователями и декодерами в нейронных интерфейсах. Framework основан на теории управления и теории игр, что позволяет создавать систематический подход к проектированию замкнутых систем. Ключевое достижение — возможность предсказывать и формировать взаимодействия между человеком и машиной, что критически важно для персонализации нейронных интерфейсов. Методология включает математическое моделирование процесса обучения и адаптации, где пользователь и декодер одновременно адаптируются друг к другу в замкнутом контуре обратной связи. Практическая значимость исследования заключается в улучшении usability и точности нейронных интерфейсов, что напрямую влияет на эффективность медицинских применений — от протезирования до лечения неврологических расстройств. Framework может быть применен к различным типам нейронных интерфейсов, включая инвазивные и неинвазивные системы для пациентов с двигательными нарушениями, инсультом или травмами спинного мозга. Разработка открывает новые возможности для создания более интуитивных и эффективных медицинских устройств, управляемых мозгом.

Исследование представляет новый вычислительный метод PrePR-CT, разработанный группой Alsulami et al. и опубликованный в Nature Machine Intelligence в марте 2026 года. Метод объединяет биологические сети с машинным обучением для предсказания реакции различных типов клеток на лекарственные соединения при ограниченных данных. Ключевое преимущество подхода — работа в режиме малых данных (small-data regime), что критически важно для ранней стадии разработки лекарств, когда экспериментальных данных недостаточно. Метод улучшает точность предсказаний, интерпретируемость результатов и эффективность процесса открытия новых препаратов. Использование индуктивных априорных знаний позволяет модели извлекать полезные паттерны из ограниченных наборов данных, что особенно актуально для персонализированной медицины и таргетной терапии. Разработка имеет практическое значение для фармацевтических компаний, позволяя сократить время и стоимость доклинических исследований за счёт более точного предсказания эффективности соединений на ранних этапах. Методология открывает перспективы для применения в скрининге библиотек соединений и оптимизации дозировок для конкретных типов клеток.

Исследование оценивает возможности моделей рассуждения (LLM) для поддержки клинического принятия решений при лечении болей в пояснице. Результаты показывают достаточную надёжность моделей, но выявляют недостатки в эмпатии и интуиции по сравнению с экспертами-клиницистами.

Мини-обзор посвящён применению больших языковых моделей в клинической практике, сравнивает общие и специализированные медицинские модели. Статья анализирует преимущества в эффективности документации и диагностических рассуждениях, а также проблемы галлюцинаций, приватности и валидности метрик оценки. Описываются перспективные направления развития, включая retrieval-augmented generation и агентные архитектуры.

Обзор систематизирует требования к надзору за программным обеспечением как медицинским устройством (SaMD) и сравнивает регуляторные ожидания в США, ЕС и Великобритании для кардиоваскулярного ИИ на протяжении всего клинического жизненного цикла. Статья предлагает практические инструменты внедрения: шаблоны документов прозрачности, протоколы тестирования, рабочие тетради для управления изменениями и фреймворк подотчётности. Приведены примеры использования в КТ-оценке функции, ЭКГ-скрининге и эхокардиографической количественной оценке.

Исследование оценивает применение LLM для анализа структурированных клинических данных, показывая, что LLM-эмбеддинги могут сохранять структурную целостность клинических наборов данных и улучшать предиктивное моделирование. Тестирование на синтетических и реальных клинических данных (база UCI, пациенты с эндокардитом) продемонстрировало высокую точность (cosine similarity до 0.95) и улучшенные предиктивные характеристики.

Исследование применяет методы машинного обучения (иерархическая кластеризация) для выявления 4 различных клинических фенотипов кардиогенного шока на основе данных 1513 пациентов. Выделенные фенотипы демонстрируют значительную разницу в показателях смертности (от 22,4% до 78,4%) и предлагают новую систему стратификации рисков для персонализированной терапии.

GE HealthCare и Springbok Analytics заключили соглашение о разработке, объединяющее ИИ-платформу Springbok для анализа мышц с технологиями МРТ GE HealthCare. Решение количественно оценивает до 140 мышц, предоставляя объективные метрики для оценки мышечного здоровья, руководства реабилитацией и оптимизации спортивных результатов.

Статья представляет модель Athena — фундаментальную модель для гистопатологии, обученную на 115 миллионах патчей тканей из 282 тысяч слайдов. Исследование показывает, что разнообразие данных важнее их объема: модель достигает state-of-the-art результатов на задачах молекулярной и морфологической классификации, превосходя модели, обученные на значительно больших наборах данных.

Исследование представляет метод автоматической классификации тканей поджелудочной железы с помощью комбинации ближнеинфракрасной гиперспектральной визуализации и машинного обучения. Оптимизированная модель достигла 84% сбалансированной точности, что на 10 процентных пунктов лучше традиционных подходов, что может улучшить раннюю диагностику рака поджелудочной железы.

Разработана система ИИ-ассистированной эндометриальной цитологии с использованием модели YOLOv5x для обнаружения аномальных клеточных кластеров. Система показала точность 85% и сократила медианное время диагностики на 45% по сравнению с оценщиками без ИИ-поддержки. Исследование демонстрирует возможность доступной, реальной ИИ-поддержки для цитологии с использованием широко доступного оборудования.

Исследование применяет ансамбль U-Net для автоматической сегментации коллагена на гистологических срезах печени с оценкой неопределённости предсказаний. Анализ 686 биопсий из 20+ клиник показал высокую точность сегментации (Dice 0.83–0.90) и продемонстрировал, что оценка неопределённости помогает выявлять некачественные изображения и артефакты.

Биотехнологическая компания Earendil Labs, базирующаяся в США с корнями в Китае, привлекла $787 миллионов частных инвестиций для финансирования своей ИИ-платформы для разработки лекарств. Платформа уже сгенерировала конвейер из более чем 40 программ разработки препаратов, что демонстрирует эффективность подхода искусственного интеллекта в фармацевтике. Сумма финансирования в $787 млн является значительной для частного раунда и указывает на высокий интерес инвесторов к ИИ-биотехнологиям. Компания находится на этапе подготовки к возможному IPO, что свидетельствует о зрелости технологического продукта и бизнес-модели. Применение машинного обучения в открытии новых лекарственных соединений позволяет сократить время и стоимость разработки препаратов по сравнению с традиционными методами. Этот раунд финансирования подтверждает тренд на интеграцию ИИ в фармацевтическую промышленность и биотехнологические исследования. Успешное привлечение такого объёма инвестиций указывает на доверие рынка к способности ИИ-платформ создавать коммерчески перспективные лекарственные программы.

Учёные Первого МГМУ им. И.М. Сеченова совместно с компанией Medical Neuronets и Московской городской онкологической больницей № 62 создали систему искусственного интеллекта для обнаружения метастазов колоректального рака в лимфатических узлах. Алгоритм работает с цифровыми гистологическими препаратами, выполняя двухэтапный анализ: сначала выявляет подозрительные зоны на срезах тканей, затем с помощью методов сегментации более точно выделяет границы опухолевых клеток. Результаты пилотного клинического исследования были опубликованы в международном журнале Cancer Medicine. Разработка направлена на повышение точности патоморфологической диагностики и снижение риска пропуска метастатического поражения лимфоузлов при онкологических операциях. Система использует глубокое обучение для автоматизации рутинных задач патологоанатома, что может сократить время подготовки заключения и минимизировать человеческий фактор. Технология может быть интегрирована в существующие цифровые патологические лаборатории для поддержки врачей при принятии решений о необходимости дополнительных исследований или расширении объёма операции. Проект представляет собой пример практического применения компьютерного зрения в онкопатологии и демонстрирует потенциал ИИ-систем для улучшения качества диагностики рака.

Национальное поперечное исследование 587 итальянских врачей оценило их знания, отношение и клиническое согласие с диагностическими рекомендациями, сгенерированными ИИ (ChatGPT). Исследование использовало валидированный онлайн-опросник для оценки самоотчётных знаний об ИИ, предыдущего опыта, отношения и готовности внедрять ИИ в медицину. Вторая часть оценки измеряла клиническое согласие между предложениями врачей и ChatGPT по клиническим случаям. Результаты показали, что 64,8% участников сообщили о базовых знаниях об ИИ, но только 18,4% имели опыт обучения ИИ. Лишь 21,6% использовали ИИ в клинической практике, при этом наиболее знакомым применением была диагностическая визуализация (35,4% пользователей ИИ, 7,7% общей выборки). Основными воспринимаемыми барьерами стали отсутствие обучения (76,7%) и сопротивление изменениям (50,9%). В универсальном клиническом сценарии врачи показали наивысшее согласие с правильным диагнозом ChatGPT (среднее = 4,07) по сравнению с неправильными альтернативами (2,57 и 1,82, p < 0,001). Для правильного диагноза уровень согласия составил 89% [86%-91%].

Исследование представляет собой разработку системы искусственного интеллекта, предназначенной для автоматического обнаружения признаков психиатрических кризисов в текстовых сообщениях пользователей. Авторы создали специализированный датасет для обучения моделей машинного обучения, содержащий размеченные примеры текстовых диалогов с идентифицированными кризисными состояниями. Методология включает использование современных подходов глубокого обучения, включая трансформерные архитектуры, адаптированные для анализа психологического контекста сообщений. Система работает как «guardrail» (защитный барьер), который может предупреждать о потенциальных рисках самоповреждения или суицидальных намерений в реальном времени. Исследование опубликовано в ведущем журнале npj Digital Medicine (Nature Portfolio), что подтверждает научную строгость работы. Практическая значимость заключается в возможности интеграции такой системы в чат-боты, платформы психологической помощи и системы мониторинга ментального здоровья. Ключевые результаты включают оценку точности модели и анализ этических аспектов применения ИИ в чувствительных сферах психиатрической помощи.