Поиск

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.

В исследовании представлен Histo3D-MO — инновационный гибридный экспериментально-вычислительный конвейер, предназначенный для реконструкции 3D-карт пространственного мультиомикса с разрешением на уровне отдельных клеток. Основная технология базируется на методе SPONGE, который интегрирует разреженные и несвязанные пространственные омиксные измерения с плотными данными гистологии (окрашивание гематоксилином и эозином). Разработанный алгоритмический комплекс позволяет проводить 3D-пропагацию типов клеток и аннотацию тканевых доменов, обеспечивая полную характеристику объема опухолевого микроокружения. При тестировании на данных гепатоцеллюлярной карциномы метод выявил сложные паттерны эффективности трансляции и траектории дифференцировки моноцитов в зависимости от глубины ткани. Histo3D-MO значительно превосходит существующие методы прогнозирования омиксных данных, предлагая масштабируемое решение для изучения организации сложных биологических систем. Это открывает новые возможности для высокоточной диагностики и понимания архитектуры опухолей на молекулярном уровне.

Исследование оценивает эффективность использования состязательного обучения с использованием слоя реверсии градиента (GRL) для снижения возрастного смещения при прогнозировании диабета. Результаты показывают, что метод может улучшить полноту (recall) для малопредставленных возрастных групп, но не гарантирует стабильного улучшения справедливости из-за чувствительности к разбиению данных.

В исследовании представлен фреймворк APFA для федеративного обучения в сетях интернета медицинских вещей (IoMT). Метод позволяет эффективно объединять данные с различных устройств, решая проблемы вычислительной асимметрии и статистической неоднородности при сохранении конфиденциальности.

Исследование посвящено использованию модели BioBERT для автоматической маркировки поведенческих признаков аутизма согласно критериям DSM-5. Установлено, что описания от родителей (lay narratives) обладают высокой диагностической ценностью, сопоставимой с клиническими записями, и могут быть интегрированы в рабочий процесс для ускорения диагностики.

Статья представляет обзор методов федеративного обучения для поиска причинно-следственных связей в многомерных биомедицинских данных. Авторы анализируют переход от централизованных архитектур к федеративным, что позволяет генерировать доказательную базу без прямой передачи конфиденциальных медицинских данных.

В исследовании представлена новая архитектура Ac-AI, объединяющая автоэнкодеры для извлечения скрытых признаков и адаптивные пороги принятия решений. Предложенный метод демонстрирует высокую точность и стабильность в прогнозировании сердечно-сосудистых рисков, сопоставимую или превосходящую классические модели вроде XGBoost и SVM.

Исследование посвящено использованию алгоритмов машинного обучения (XGBoost, Random Forest и др.) для прогнозирования риска инфекций (RTI/STI) у молодых женщин. С помощью анализа SHAP были выявлены ключевые факторы риска, а модель XGBoost показала высокую точность прогнозирования (89.1%).

В исследовании представлена Evolutionary Cell Ontology (ECO) — новая ИИ-нативная формальная среда, построенная на субстрате {Sigma}0, которая решает проблему разрыва между статистической корреляцией и механистическим пониманием в биологических моделях. В отличие от традиционных методов, ECO представляет биологические знания напрямую в виде векторно-кодированных реляционных графов, используя 16 структурных операторов, которые работают одновременно как глифы знаний и тензорные операции. Авторы разработали протокол LSCP (Latent Space Communication Protocol) для интеграции этих графов в остаточные потоки (residual streams) больших языковых моделей, что позволяет проводить аудит биологических знаний внутри нейросетей. В ходе симуляций эволюции семейства глобинов модель достигла точности реконструкции предковых состояний в 82–91%. При моделировании клеточного цикла млекопитающих система успешно воспроизвела два полных осцилляторных цикла с возникновением фазового портрета четырех аттракторов без явного программирования. Исследование показало, что расстояние в эмбеддингах ECO коррелирует с дивергенцией 60 семейств белков (коэффициент Пирсона r = 0.50), превращая непрозрачные фундаментные модели в измеримые и навигационные карты биологического покрытия.

Исследователи представили gANCHOR — инновационную базовую модель (foundation model) для анализа CAR T-клеточной терапии, использующую иерархический гиперграфовый механизм внимания. В отличие от существующих методов, gANCHOR интегрирует генно-путевые взаимосвязи через биологически обоснованное обучение представлений, что позволяет эффективно переходить от анализа отдельных клеток к прогнозированию клинического ответа пациента. Модель демонстрирует высокую устойчивость к эффекту батч-коррекции и сохраняет биологическую консервативность данных. При тестировании на выборке из 161 пациента, охватывающей пять различных исследований CAR T-клеточной терапии, gANCHOR показала выдающийся результат с F1-score 0,87, превзойдя существующие специализированные модели одноклеточного анализа. Помимо предсказательной способности, архитектура позволила выявить воспроизводимые генные программы, связанные с эффективностью и резистентностью к терапии, что открывает новые возможности для интерпретируемой персонализированной медицины в онкоиммунологии.