Поиск

Исследователи представили Ageas — вычислительную платформу на основе трансферного обучения, которая позволяет определять судьбу клеток (их будущую дифференцировку) по статическим молекулярным данным, не требуя временных измерений или генетического маркирования. Метод обучается на терминальных клеточных популяциях, извлекая «память судьбы», и переносит эту информацию на клетки-предшественники, что даёт возможность предсказывать их потенциал развития. Ageas использует адаптивную ансамблевую стратегию с автоматическим выбором моделей, что обеспечивает устойчивую работу с разными типами омиксных данных — транскриптомикой, эпигеномикой и пространственной транскриптомикой. В тестах на эталонных наборах данных с прослеженными линиями клеток Ageas показал более высокую точность по сравнению с существующими методами. Применение к 3D-модели человеческого эмбриона выявило пространственно организованный передне-задний градиент предрасположенности эпибласта: передние клетки склонны к эктодермальной судьбе, задние — к линиям, происходящим из первичной полоски, с соответствующими региональными регуляторными программами. Работа устанавливает Ageas как универсальный инструмент для расшифровки решений о судьбе клеток из статических молекулярных снимков, что важно для биологии развития и исследований заболеваний, включая онкологию.

В статье представлено систематическое исследование влияния предобученных языковых моделей белков (PLM) на задачу прогнозирования аффинности связывания лекарств с белками-мишенями (DTA). Авторы интегрировали четыре семейства PLM в архитектуру PLM-GraphDTA, каждая из которых основана на различных архитектурах и оптимизирована для разных задач: предсказание структуры, предсказание функций и маскирование последовательностей. Для сравнения также оценивалась модификация классического метода сверток — DeepGraphDTA, улучшающая представление белков. Модели тестировались на двух бенчмарк-датасетах (Davis и KIBA) с использованием индекса конкордантности (CI) и среднеквадратичной ошибки (MSE). Дополнительно оценивалась способность моделей к обобщению на новых белках с помощью cold-start разбиений и анализировался вклад каждого белка в общий CI. Результаты показали, что простые архитектурные модификации традиционных сверточных методов могут сократить разрыв с крупными предобученными PLM, что имеет практическое значение для ускорения открытия лекарств и снижения затрат на разработку.

В журнале npj Digital Medicine опубликовано исследование, посвященное оценке клинических компетенций современных vision-language моделей (VLM) — систем, способных одновременно анализировать изображения и текст. Авторы разработали новый бенчмарк, специально нацеленный на проверку способности моделей к клиническому рассуждению, а не просто к распознаванию паттернов на медицинских изображениях. Результаты показали, что даже самые передовые VLM демонстрируют значительный разрыв между формальной точностью ответов и реальной глубиной клинического мышления: модели часто дают уверенные, но поверхностные или фактически неверные заключения, создавая «иллюзию компетентности». Бенчмарк включает задачи, требующие многошагового анализа, интерпретации результатов визуализации в контексте истории болезни и обоснования дифференциального диагноза. Количественные метрики показали, что лучшие модели достигают лишь около 60-70% точности на простых задачах, но падают ниже 40% на сложных клинических сценариях, требующих интеграции данных. Исследователи подчеркивают, что существующие методы оценки переоценивают возможности ИИ в медицине, и предлагают новый стандарт для валидации систем перед их внедрением в клиническую практику. Работа имеет прямое значение для разработчиков медицинского ПО и регуляторов, подчеркивая необходимость более строгих испытаний на клиническую компетентность, а не только на техническую точность.

В статье представлено исследование, в котором с помощью методов искусственного интеллекта и машинного обучения оценивается прогностическая значимость морфологической внутриопухолевой гетерогенности (ITH) при первичной лимфоме центральной нервной системы (ПЦНСЛ). Авторы использовали гистопатологические срезы, окрашенные гематоксилином и эозином (H&E), полученные до начала лечения, из трех независимых когорт: LOC 2023 (122 слайда), фаза III BLOCAGE-01 (245 слайдов; NCT02313389) и внешняя когорта из Барселоны (BCN; 41 слайд). Для анализа применялись эмбеддинги UNI, прототипное обучение, пространственные метрики и модель Кокса с эластичной сетью, что позволило определить показатель ITH-C. Модели достигли скорректированной по бутстрэпу конкордантности 0.797–0.834. С поправкой на возраст, пол и статус по шкале Карновского, отношение рисков (HR) для ITH-C составило 1.29 (95% ДИ 1.01–1.64) в когорте LOC, 1.27 (1.07–1.51) в BLOCAGE-01 и 2.13 (1.35–3.37) в BCN. Добавление ITH-C повысило индекс конкордантности C-index по шкале MSKCC с 0.671 до 0.717, с 0.560 до 0.593 и с 0.588 до 0.706 соответственно. Пространственная транскриптомика связала ITH-C с иммунными программами. Авторы делают вывод, что рутинная гистопатология H&E содержит прогностически значимую пространственную гетерогенность при ПЦНСЛ, и ITH-C дополняет клинические шкалы, что поддерживает перспективу стратификации риска в клинической практике.

Исследование, опубликованное в журнале Artificial Intelligence in Medicine, посвящено разработке модели искусственного интеллекта для прогнозирования среднесрочной эффективности корсетного лечения идиопатического сколиоза у подростков (AIS). Авторы из ведущих китайских медицинских и инженерных учреждений (включая Пекинскую больницу Союза и Университет Чжэцзян) использовали данные пациентов с AIS, проходивших корсетное лечение, и обучили алгоритмы машинного обучения на клинических параметрах, включая характеристики деформации позвоночника, данные рентгенографии и параметры корсета. Модель позволяет предсказать вероятность успешного исхода лечения (например, предотвращение прогрессирования искривления) на среднесрочную перспективу, что помогает врачам персонализировать тактику терапии и своевременно корректировать план лечения. Точность прогноза, по данным исследования, достигает высоких значений (AUC более 0,85), что подтверждает клиническую применимость подхода. Работа демонстрирует потенциал ИИ в ортопедии для повышения эффективности консервативного лечения сколиоза и снижения необходимости хирургического вмешательства. Исследование подчеркивает важность интеграции прогностических моделей в рутинную клиническую практику для улучшения исходов у подростков с AIS.

В статье, опубликованной в журнале Artificial Intelligence in Medicine, представлена новая объяснимая парадигма на основе контрфактических примеров и оценки неопределенности для автоматического обнаружения и сегментации кист почек на контрастных КТ-изображениях брюшной полости. Исследование является многоцентровым и включает данные от нескольких медицинских учреждений, что повышает обобщаемость результатов. Авторы разработали модель глубокого обучения, которая не только выполняет сегментацию, но и предоставляет объяснения своих решений через контрфактические примеры — альтернативные сценарии, показывающие, как изменение входных данных повлияло бы на результат. Дополнительно модель оценивает неопределенность своих предсказаний, что критически важно для клинического применения, где ложные срабатывания могут привести к ненужным инвазивным процедурам. Такой подход повышает доверие врачей к системе и позволяет им лучше понимать, когда можно полагаться на автоматические результаты. Исследование демонстрирует, что интеграция объяснимости и оценки неопределенности в медицинские ИИ-системы является перспективным направлением для внедрения в клиническую практику, особенно в задачах радиологии, где точность и прозрачность решений имеют первостепенное значение.

В статье представлена новая вычислительная платформа на основе множественного обучения (Multiple Instance Learning, MIL) для прогнозирования ответа на иммунотерапию рака по данным одноклеточного секвенирования РНК. Авторы решают ключевые проблемы анализа таких данных: наличие меток на уровне пациента, сильный дисбаланс классов и гетерогенность состояний макрофагов. Предложенная архитектура рассматривает каждого пациента как «мешок» эмбеддингов макрофагов, полученных с помощью фундаментальной модели одноклеточной РНК. В основе лежит механизм внимания с пониженной сложностью, усиленной регуляризацией (dropout) и явными штрафами на внимание для повышения устойчивости при малых выборках. Для борьбы с дисбалансом классов используется комбинированная функция потерь: фокальная потеря и контролируемый контрастивный критерий, которые одновременно улучшают разделение классов и кластеризацию представлений. На трех наборах данных по раку предложенный подход превосходит псевдобалковые агрегации, базовые эмбеддинги и стандартные варианты MIL. Анализ атрибуции внимания и регуляции транскрипции выявил различные программы макрофагов: интерфероновые и антигенпрезентирующие сети у responders, а гипоксические регуляторные модули — у non-responders. Работа демонстрирует потенциал MIL для выявления предсказательных и механистически интерпретируемых иммунных состояний, что может улучшить персонализацию иммунотерапии.

Исследователи разработали DAG-HEART — новую вычислительную платформу для прогнозирования исходов рака молочной железы, которая решает проблему демографического дисбаланса в геномных данных. Метод основан на направленном ациклическом графе (DAG), который моделирует причинно-следственные связи между различными уровнями молекулярной информации (мРНК, микроРНК и метилирование ДНК) и интегрирует их с помощью трансферного обучения с аугментацией данных. Валидация проводилась на данных TCGA-BRCA для прогнозирования интервала без прогрессирования у пациенток из групп меньшинств. DAG-направленная нелинейная интеграция стабильно превосходила подходы, не учитывающие направленность связей, а биологически обоснованные направленные ограничения давали лучшие результаты, чем обратные или неограниченные структуры. Отобранные признаки сходились на путях внеклеточного матрикса и регуляторных сигнальных каскадах, что обеспечило клинически значимую стратификацию риска. DAG-HEART предлагает интерпретируемую стратегию объединения направленной мультиомиксной структуры с трансферным обучением в условиях дисбаланса данных между расовыми группами, что повышает справедливость прогностических моделей в онкологии.

Систематический обзор 128 исследований (2021-2026) оценивает применение трансформерных архитектур в медицинской визуализации: сегментация, классификация, реконструкция и регистрация изображений. Наиболее убедительные результаты достигаются гибридными моделями, сочетающими локальную экстракцию признаков с глобальным контекстом, а не чистыми трансформерами. Выявлены ключевые проблемы: отсутствие стандартизированных бенчмарков, ограниченная внешняя валидация, недостаточная доступность кода и слабая клиническая оценка.

DeepHealth получила разрешение FDA 510(k) на ИИ-решение для УЗИ молочной железы, которое автоматизирует обнаружение поражений, характеристику и отчётность с точностью локализации >98%. Система внедряется в сети RadNet и потенциально охватит более 700 000 исследований annually, сокращая время интерпретации радиологами на 37%.

Компания Tempus AI опубликовала в престижном журнале Nature Medicine результаты исследования своей мультимодальной фундаментальной модели PRISM2, предназначенной для применения в онкологии. Модель демонстрирует диагностическую точность уровня клинических стандартов для обнаружения рака, одновременно расширяя возможности прогнозирования статуса биомаркеров и прогноза пациентов. PRISM2 представляет собой фундаментальную ИИ-модель, обученную на мультимодальных медицинских данных, что позволяет ей выполнять множественные диагностические и прогностические задачи в рамках единой архитектуры. Исследование подтверждает эффективность модели в реальных клинических сценариях, позиционируя Tempus как лидера во внедрении искусственного интеллекта в онкологию. Публикация в Nature Medicine свидетельствует о прохождении рецензирования и научной валидации технологии. Компания Tempus AI торгуется на бирже NASDAQ под тикером TEM и специализируется на технологиях для персонализированной медицины. Результаты исследования открывают возможности для более широкого клинического применения ИИ в диагностике рака и прогнозировании исходов лечения.

Росздравнадзор выдал бессрочное регистрационное удостоверение на медицинское изделие Polyptron.AI — российскую систему искусственного интеллекта для автоматизированного выявления патологий при эндоскопической диагностике желудочно-кишечного тракта. Разработчиком выступила челябинская компания «Эва Лаб». Программное обеспечение использует технологии машинного обучения для анализа эндоскопических изображений в реальном времени и помощи врачам в обнаружении полипов, новообразований и других патологических изменений слизистой оболочки ЖКТ во время колоноскопии. Регистрация означает, что система прошла все необходимые клинические испытания и соответствует требованиям безопасности и эффективности для применения в российской медицинской практике. Это значимое событие для российской цифровой медицины — продукт позволяет повысить точность диагностики, снизить риск пропуска патологий и стандартизировать качество эндоскопических исследований. Внедрение подобных ИИ-ассистентов особенно важно для раннего выявления колоректального рака, где своевременное обнаружение полипов напрямую влияет на прогноз пациента.

Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.

Разработан интерпретируемый мультимодальный ИИ-фреймворк, объединяющий эмбеддинги рентгенограмм грудной клетки (DEiT-трансформер) с клиническими, демографическими и социальными данными пациентов для диагностики лекарственно-устойчивого туберкулёза. Модель XGBoost достигла PR-AUC 0.9258 и ROC-AUC 0.8718 на 6279 пациентах, при этом анализ SHAP выявил ключевые факторы риска — контакты с больными, статус занятости и радиологические аномалии. Клиницисты подтвердили правдоподобность объяснений модели.

Предложена глубокая модель обучения DrugPred для прогнозирования рисков нежелательных лекарственных реакций (ADR) при одновременном приёме нескольких препаратов. Модель комбинирует MLP, графовую нейросеть EdgeConv-GNN для анализа взаимодействий лекарств и Bio_ClinicalBERT для кодирования текстовых представлений, достигая точности 95,73% и ROC-AUC 0,993. Система также включает рекомендации медицинских специалистов на основе предсказанных рисков.

В статье представлена инновационная архитектура федеративных модульных сетей (FM-CDSN), разработанная для обеспечения высокоточной поддержки принятия клинических решений в медицинских учреждениях с ограниченными вычислительными и сетевыми ресурсами. Методология исследования базируется на использовании федеративного обучения, что позволяет обучать глобальную модель на распределенных данных без необходимости их передачи в центральное хранилище, обеспечивая строгую конфиденциальность пациентов. Ключевой особенностью является модульная структура сети, которая позволяет адаптировать локальные модели к специфическим особенностям данных конкретного медицинского центра, сохраняя при этом общие знания. Результаты демонстрируют, что предложенный подход значительно превосходит традиционные методы федеративного обучения в задачах диагностики при наличии гетерогенных данных. Технология имеет критическое значение для внедрения ИИ в развивающихся регионах и сельских больницах, где инфраструктура не позволяет использовать облачные вычисления. Данная разработка открывает путь к созданию глобальных диагностических систем, уважающих суверенитет данных и локальную специфику клинической практики.

В статье представлено инновационное решение для диагностики муковисцидоза — гибкая носимая система, объединяющая функции стимуляции потоотделения и высокоточного анализа содержания хлоридов. Устройство разработано для замены традиционных, трудоемких и инвазивных методов тестирования потовой функции. Методология исследования включает интеграцию микрофлюидных каналов и электрохимических сенсоров в гибкую подложку, которая обеспечивает плотное прилегание к коже. Ключевые результаты демонстрируют высокую корреляцию между показаниями носимого устройства и «золотым стандартом» клинических тестов, обеспечивая непрерывный мониторинг и мгновенный анализ ионов. Данная технология имеет критическое значение для практики, так как позволяет проводить скрининг и мониторинг состояния пациентов в домашних условиях, значительно повышая доступность ранней диагностики генетического заболевания.

В статье рассматривается практический подход к адаптации и внедрению положений нового Закона ЕС об ИИ (EU AI Act) в деятельность крупного специализированного онкологического центра. Авторы предлагают комплексную модель институционального управления, которая позволяет интегрировать алгоритмы машинного обучения в клиническую практику, соблюдая строгие регуляторные требования. Исследование фокусируется на создании механизмов контроля качества данных, управлении рисками при использовании ИИ в диагностике рака и обеспечении прозрачности алгоритмов для врачей. Основное внимание уделяется созданию междисциплинарных комитетов, которые координируют работу технических специалистов и медицинского персонала. Разработанный фреймворк помогает минимизировать юридические риски и повысить безопасность пациентов при использовании высокорисковых систем ИИ. Данная работа имеет критическое значение для медицинских учреждений, стремящихся легально и эффективно масштабировать использование нейросетей в онкологии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология прогнозирования риска развития деменции, основанная на применении глубокого трансферного обучения (deep transfer learning). Основная проблема, которую решают авторы — это низкая точность стандартных моделей ИИ при работе с этнически и социально неоднородными группами населения. Разработанный подход позволяет адаптировать предобученные нейросетевые модели под специфические характеристики конкретных популяций, что значительно повышает точность предиктивной аналитики. Использование трансферного обучения позволяет минимизировать потребность в огромных локальных наборах данных, сохраняя при этом высокую чувствительность модели к биомаркерам и поведенческим паттернам различных групп. Результаты демонстрируют, что персонализированный подход к обучению моделей существенно снижает риск ложноположительных и ложноотрицательных диагнозов в рамках скрининга когнитивных нарушений. Данная технология имеет критическое значение для персонализированной превентивной медицины и ранней диагностики нейродегенеративных заболеваний в глобальном масштабе.