Поиск

Лаборатория CorePlus внедрила мультимодальную ИИ-платформу ArteraAI в свою клиническую практику для анализа цифровых изображений биопсии простаты. Технология позволяет персонализировать лечение рака простаты, прогнозируя долгосрочные результаты на основе анализа гистопатологических слайдов.

Данное исследование представляет собой комплексный систематический обзор и метаанализ эффективности разговорных ИИ-агентов, использующих технологии обработки естественного языка (NLP) и принципы когнитивно-поведенческой терапии (КПТ) для оказания психологической помощи. В работе анализируются современные алгоритмы, способные вести диалог с пациентами для коррекции ментальных расстройств. Методология исследования базируется на агрегации данных из множества клинических испытаний, что позволяет оценить средний размер эффекта (effect size) при использовании цифровых терапевтов. Ключевые результаты указывают на значительную клиническую эффективность ИИ-агентов в снижении симптомов тревоги и депрессии, сопоставимую с традиционными методами терапии в определенных сценариях. Исследование подчеркивает потенциал масштабирования психологической помощи через автоматизированные системы, которые могут обеспечить доступность интервенций 24/7. Практическая значимость работы заключается в предоставлении доказательной базы для внедрения NLP-решений в протоколы цифровой психиатрии и телемедицины.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель глубокого обучения, предназначенная для раннего прогнозирования эпизодов гипогликемии у пациентов, находящихся в условиях стационара. Методология исследования базируется на использовании алгоритмов глубокого обучения, которые анализируют потоковые данные мониторинга глюкозы в режиме реального времени для выявления паттернов, предшествующих критическому снижению уровня сахара в крови. Проспективная оценка показала высокую точность модели в предсказании гипогликемических событий, что позволяет медицинскому персоналу принимать превентивные меры до наступления опасного состояния. Внедрение такой системы способно значительно снизить риск осложнений, связанных с гипогликемией, и улучшить общую безопасность пациентов в отделениях интенсивной терапии и эндокринологии. Результаты подчеркивают потенциал интеграции ИИ в системы непрерывного мониторинга глюкозы для автоматизации клинических решений. Данная разработка представляет собой важный шаг в переходе к предиктивной медицине в условиях стационара.

Обзор посвящен развитию систем Med-VQA, которые переходят от простых текстовых баз данных к сложным мультимодальным архитектурам на базе LLM и VLM. Исследование подчеркивает эффективность генеративных моделей, методов RAG и цепочек рассуждений (CoT) в анализе радиологических, патологических и дерматологических изображений.

В исследовании представлен новый фреймворк для прецизионной онкологии, направленный на решение проблемы точного прогнозирования чувствительности пациентов с острым миелоидным лейкозом (ОМЛ) к лекарственным препаратам на основе транскриптомных данных. Авторы применили метод раздельного конформного прогнозирования (split conformal prediction) к когорте BeatAML 2.0, проанализировав 34 764 наблюдения (пациент-препарат) для 122 соединений на основе профилей экспрессии генов RNA-seq 318 пациентов. Использование регрессоров Elastic Net и XGBoost позволило достичь медианных значений коэффициента Пирсона R на уровне 0,291 и 0,281 соответственно. Ключевым достижением стало получение статистически калиброванных интервалов прогнозирования: при номинальных целях в 80%, 90% и 95% эмпирическое покрытие составило 81,4%, 90,7% и 95,5%. Исследование выявило значительные различия в уровне неопределенности между классами препаратов: ингибиторы HDAC и BCL-2 демонстрировали более высокую неопределенность по сравнению с ингибиторами MDM2. Результаты доказывают, что статистически обоснованная оценка неопределенности возможна даже при высокой биологической гетерогенности ОМЛ, что является важным шагом к переходу от эвристических методов к научно обоснованному прогнозированию ответа на терапию.

В статье представлена инновационная разработка — базовая модель искусственного интеллекта (foundation model), обученная на массивах ультразвуковых данных для офтальмологической диагностики. Исследование направлено на решение проблемы раннего выявления серьезных патологий, таких как нарушения зрения и онкологические заболевания глаз. Методология базируется на использовании архитектуры трансформеров, адаптированной для анализа ультразвуковых изображений, что позволяет модели выявлять тонкие структурные изменения тканей. Ключевым результатом является высокая точность стратификации рисков, позволяющая дифференцировать пациентов с высоким и низким потенциалом развития рака глаза. Внедрение данной модели в клиническую практику может значительно повысить эффективность скрининга и снизить нагрузку на офтальмологов за счет автоматизации первичного анализа. Технология демонстрирует потенциал для масштабирования в различных медицинских учреждениях, обеспечивая доступ к высокоточной диагностике.

Представлена новая архитектура нейросети CA2PNet, предназначенная для высокоточной сегментации медицинских изображений. Модель использует модули пространственного внимания и прогрессивные расширенные свертки, демонстрируя превосходные результаты на датасетах Kvasir-SEG и BUSI.

Систематический обзор методов глубокого обучения, применяемых для автоматического обнаружения, классификации и сегментации полипов при колоноскопии. В работе анализируются современные архитектуры нейросетей, доступные наборы данных и методы предобработки, а также обсуждаются пути перехода от экспериментальных моделей к клиническому внедрению.

В статье представлена инновационная архитектура нейронной сети PDAFormer 3+, предназначенная для высокоточной сегментации трехмерных медицинских изображений. Основная особенность метода заключается в использовании модифицированного трансформера с механизмом параллельного двойного внимания (parallel dual attention), что позволяет эффективнее улавливать как локальные, так и глобальные пространственные зависимости в данных. Исследование направлено на решение проблемы вычислительной сложности при обработке объемных медицинских данных (КТ/МРТ) без потери детализации структур. Методология PDAFormer 3+ оптимизирует процесс извлечения признаков, обеспечивая более четкие границы сегментируемых органов или патологий. Результаты демонстрируют превосходство предложенного подхода над существующими архитектурами в задачах 3D-сегментации. Данная разработка имеет критическое значение для автоматизации радиологического анализа и повышения точности постановки диагнозов на основе визуализации.

Данный систематический обзор посвящен анализу эффективности применения алгоритмов искусственного интеллекта и машинного обучения для управления уровнем глюкозы у пациентов в критических состояниях. Исследование фокусируется на двух ключевых задачах: предиктивном моделировании рисков развития гипо- и гипергликемии, а также автоматизации процессов контроля гликемии в отделениях интенсивной терапии (ОИТ). Авторы систематизировали существующие подходы, оценивая точность различных моделей машинного обучения в реальном времени. Основное внимание уделяется способности ИИ-систем минимизировать вариабельность гликемии, что критически важно для снижения летальности в реанимации. Результаты подчеркивают потенциал внедрения интеллектуальных систем поддержки принятия врачебных решений для персонализированной терапии. Работа представляет высокую значимость для интеграции предиктивной аналитики в протоколы интенсивной терапии.

В исследовании представлена AINN-P1 — компактная белковая языковая модель (PLM) с 167 миллионами параметров, обученная исключительно на необработанных аминокислотных последовательностях из базы UniRef. В отличие от тяжеловесных моделей, требующих множественного выравнивания последовательностей (MSA) или структурных данных, AINN-P1 использует архитектуру мультипликативного LSTM (mLSTM). Эта рекуррентная архитектура без механизмов внимания обеспечивает линейную масштабируемость по длине последовательности и отсутствие роста кэша key-value при инференсе. В ходе тестирования на бенчмарке ProteinGym модель показала средний коэффициент корреляции Спирмена (rho) 0,441 в четырех категориях задач (активность, связывание, экспрессия и стабильность) и достигла выдающегося результата 0,625 в предсказании стабильности, что является лучшим показателем среди сравниваемых моделей, работающих только с последовательностями. Благодаря отсутствию квадратичной зависимости памяти от длины последовательности, модель идеально подходит для быстрого развертывания и использования в качестве эффективного фильтра на ранних этапах разработки лекарств. Исследование подчеркивает возможность использования компактных фундаментных моделей для высокопроизводительного скрининга без необходимости дорогостоящего дообучения всей сети.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено оценке эффективности использования технологий искусственного интеллекта для помощи в интерпретации результатов биопсии предстательной железы в рамках проекта Articulate Pro. Основная цель работы заключалась в проверке того, насколько ИИ-ассистенты могут повысить точность и стандартизацию патоморфологических отчетов. Методология исследования включала сравнительный анализ отчетов, подготовленных врачами с поддержкой ИИ, и традиционных методов описания тканей. Ключевые результаты демонстрируют потенциал алгоритмов в снижении вариативности интерпретаций между патологами и улучшении выявления клинически значимых случаев рака простаты. Внедрение подобных систем может значительно оптимизировать процесс диагностики и снизить нагрузку на специалистов. Результаты исследования подчеркивают важность интеграции ИИ в клиническую практику урологии для повышения качества диагностики.

Данный систематический обзор, опубликованный в журнале npj Digital Medicine, исследует возможности применения больших языковых моделей (LLM) для автоматизированного извлечения критически важных клинических данных из патоморфологических заключений при раке молочной железы. В исследовании анализируется точность различных архитектур нейросетей в задачах структурирования неструктурированного текста, который обычно содержит информацию о типе опухоли, степени злокачественности (grade) и статусе рецепторов. Методология обзора включает оценку производительности моделей на основе метрик точности (precision), полноты (recall) и F1-меры в сравнении с экспертной оценкой врачей-патологов. Результаты подчеркивают высокий потенциал LLM в снижении нагрузки на медицинский персонал и минимизации ошибок при ручном вводе данных в электронные медицинские карты. Работа демонстрирует, что современные модели способны достигать сопоставимых с человеком показателей при извлечении специфических онкологических параметров. Внедрение таких технологий в клиническую практику может значительно ускорить процесс подготовки пациентов к таргетной терапии и персонализированному лечению.

В статье представлен систематический обзор 37 исследований, посвященных использованию ИИ для ранней диагностики сепсиса в реанимации. Авторы отмечают высокий потенциал машинного обучения, но указывают на критическую нехватку внешней валидации и проблем с интеграцией моделей в реальные клинические рабочие процессы.

Данная статья, опубликованная в журнале npj Digital Medicine, посвящена критически важному аспекту интеграции искусственного интеллекта непосредственно в хирургическую практику. Авторы исследуют технические и организационные требования к инфраструктуре операционных залов для обеспечения бесперебойной работы ИИ-систем в режиме реального времени. В работе рассматриваются рекомендации по развертыванию вычислительных мощностей, минимизации задержек (latency) при обработке видеопотоков и обеспечению кибербезопасности медицинских данных. Особое внимание уделяется стандартам взаимодействия между ИИ-алгоритмами и существующим медицинским оборудованием. Исследование подчеркивает, что без создания специализированной высокоскоростной сетевой среды и стандартизированных протоколов передачи данных эффективное использование ИИ для поддержки принятия хирургических решений невозможно. Практическая значимость работы заключается в предоставлении дорожной карты для госпиталей, планирующих модернизацию операционных под нужды цифровой медицины.

В статье представлен инновационный подход к диагностике расстройств аутистического спектра (РАС) с использованием передовых архитектур глубокого обучения. Исследователи разработали специализированную модель на базе Vision Transformer (ViT), интегрирующую механизмы контрастивной реконструкции для повышения точности анализа медицинских изображений. Основная методология заключается в обучении модели выделять наиболее значимые паттерны, характерные для аутизма, путем сравнения реконструированных признаков. Использование архитектуры трансформеров позволяет учитывать глобальные пространственные зависимости в данных, что критически важно для нейровизуализации. Данная разработка направлена на автоматизацию скрининга РАС, обеспечивая высокую чувствительность и специфичность при выявлении биомаркеров заболевания. Внедрение подобных интеллектуальных систем в клиническую практику может значительно ускорить постановку диагноза и снизить нагрузку на специалистов.

В статье описывается разработка инновационного метода диагностики плоскоклеточного рака полости рта (OSCC), основанного на технологиях искусственного интеллекта. Исследование фокусируется на создании неинвазивного протокола, который позволяет значительно ускорить процесс выявления злокачественных новообразований. Использование алгоритмов машинного обучения позволяет анализировать патологические изменения тканей с высокой точностью, минимизируя необходимость в инвазивных биопсиях на ранних этапах. Методология исследования направлена на повышение доступности ранней диагностики, что критически важно для выживаемости пациентов при онкологических заболеваниях. Ключевым преимуществом метода является сочетание высокой скорости обработки данных и точности, сопоставимой с экспертной оценкой врачей. Данная технология может быть интегрирована в первичный прием пациентов, обеспечивая эффективный скрининг и своевременное направление на специализированное лечение.

В исследовании, опубликованном в Nature Machine Intelligence, представлена инновационная мультимодальная графовая нейронная сеть (GNN), предназначенная для высокоточного поиска мишеней раковой иммунотерапии. Разработанная модель способна эффективно различать уже одобренные терапевтические мишени и перспективные новые кандидаты, анализируя сложные биологические взаимосвязи. Ключевой особенностью работы является использование клинически релевантной платформы на основе эксплантов опухолей, полученных непосредственно от пациентов, для экспериментальной валидации предсказанных кандидатов. Такой подход позволяет преодолеть разрыв между теоретическим моделированием и реальной биологией опухоли. Методология объединяет возможности глубокого обучения с высокоточным биологическим тестированием, что значительно повышает вероятность успеха при разработке новых препаратов. Результаты исследования открывают новые горизонты в персонализированной онкологии, позволяя ускорить процесс поиска таргетных терапий с высокой доказательной базой.

Компания Artera получила разрешение FDA на использование системы ArteraAI Breast, которая использует мультимодальный ИИ для оценки риска метастазирования у пациенток с ранними стадиями рака груди. Инструмент анализирует цифровые гистопатологические изображения и клинические данные, помогая врачам принимать более точные персонализированные решения о терапии.