Поиск

Исследование представляет новый метод интеграции данных трех типов омикс (транскриптома, транслатома и протеома) с использованием тензорной декомпозиции 4D. Авторы применили метод неконтролируемого извлечения признаков к данным о голодании по разветвленным аминокислотам, выделив 1,781 ген с пониженной трансляционной эффективностью и 221 ген с буферизацией. Генеративный ИИ использовался для функциональной интерпретации и анализа обогащения, что позволило идентифицировать шесть основных биологических единиц — от репликации генома до эпигенетической регуляции. Подход выявляет биологически значимые кластеры генов, лежащие в основе клеточных переходов, и превосходит традиционные попарные анализы. Методология открывает новые возможности для анализа сложных многослойных регуляторных процессов в биологии. Результаты могут иметь значение для понимания механизмов клеточной дифференцировки и патогенеза заболеваний, связанных с нарушением протеостаза.

В исследовании представлен новый метод машинного обучения ViSNet-PIMA для моделирования не только локальных, но и некольких взаимодействий в биомолекулах с использованием физически обоснованного мультипольного агрегатора (PIMA). Традиционные поля сил на основе машинного обучения (MLFF) ограничены моделированием локальных взаимодействий, что снижает точность расчетов для биомолекулярной динамики. ViSNet-PIMA демонстрирует превосходство над существующими передовыми MLFF моделями при предсказании энергий и сил для различных типов биомолекул и конформаций на наборах данных MD22 и AIMD-Chig. При интеграции PIMA-блоков в другие MLFF модели достигается прирост производительности на 55,1%, что подтверждает универсальность предложенного подхода. Исследователи также внедрили ViSNet-PIMA в симуляционную программу AI2BMD, используя схему трансферного обучения с предобучением и дообучением, что позволило заменить механические расчеты нековалентных взаимодействий в белковых фрагментах. Новый подход снижает ошибки расчетов энергии и сил в AI2BMD более чем на 50% для различных конформаций белков и процессов фолдинга/разворачивания белков. Данная работа расширяет возможности ab initio расчетов для целых биомолекул и усиливает применение ИИ-симуляций молекулярной динамики в биохимических исследованиях.

Исследователи представили miRBind2 — метод глубокого обучения для предсказания сайтов связывания микроРНК (миРНК) исключительно на основе последовательности. МиРНК регулируют экспрессию генов, направляя белки Argonaute к частично комплементарным участкам целевых РНК. В отличие от классических методов, использующих инженерные признаки (категории seed-соответствия, эволюционная консервация), miRBind2 применяет свёрточную нейронную сеть (CNN) с новой попарной нуклеотидной репрезентацией, охватывающей все возможные взаимодействия между миРНК и мишенью. Модель продемонстрировала превосходство над предыдущими методами SotA на четырёх независимых наборах данных из benchmark debiased miRBench, при этом используя на 92% меньше параметров. Архитектура была расширена до модели miRBind2-3UTR для предсказания репрессии генов на уровне транскриптов путём дообучения на экспериментах по пертурбации миРНК. На датасете из 50,549 пар миРНК-ген модель miRBind2-3UTR значительно превзошла TargetScan. Результаты показывают, что предобученные глубокие модели способны улавливать регуляторные сигналы и предсказывать функциональную репрессию без традиционных инженерных биологических признаков.

Исследование представляет методологию применения имитационного моделирования для оптимизации распределения ресурсов в медицинских организациях. Авторы разработали подход к моделированию потоков пациентов и использования ресурсов с целью повышения эффективности работы медицинских учреждений. В работе описывается методология построения имитационных моделей, включающая сбор данных о реальных процессах, верификацию моделей и проведение сценарного анализа различных стратегий распределения. Кейс-исследование демонстрирует применение методики в реальной медицинской организации, где внедрение оптимизированного распределения ресурсов позволило сократить время ожидания пациентов и повысить загрузку оборудования. Исследование показывает, что использование имитационного моделирования позволяет выявлять узкие места в организационных процессах и тестировать решения без риска для пациентов. Результаты работы могут быть применены в больницах и клиниках для повышения операционной эффективности и качества оказания медицинской помощи.

Исследование посвящено разработке и валидации шкалы для измерения осведомленности медицинских работников о галлюцинациях генеративного ИИ и их влиянию на уверенность в диагностике. Результаты показали значительное влияние осведомленности об экстернальных галлюцинациях на диагностическую уверенность, но не обнаружено влияния интернальных галлюцинаций.

Исследование рассматривает перспективы 19 экспертов, работающих с федеративными сетями для обмена медицинскими данными, фокусируясь на правовых и практических аспектах защиты данных в рамках GDPR и EHDS. Результаты показывают, что хотя федеративный подход имеет преимущества, такие как минимизация данных, существуют значительные трудности в соответствии с требованиями защиты данных.

Статья представляет онтологически-ориентированный фреймворк для интеграции медицинских данных (клинических, пациентских, геномных) в электронные медицинские карты. Framework обеспечивает семантическую интероперабельность и согласованность с медицинскими стандартами (HL7 FHIR, SNOMED CT, LOINC). Концептуально продвигает развитие систем здравоохранения для улучшения качества помощи.

Российское издание Vademecum публикует еженедельный дайджест ключевых событий в области искусственного интеллекта в медицине за период 15–21 марта 2026 года. В обзоре представлен законопроект Минцифры России, регулирующий использование «доверенных» ИИ-моделей в здравоохранении, что указывает на активное государственное регулирование отрасли. Автор статьи также рассматривает основные барьеры внедрения ИИ-технологий в российской медицинской практике, включая нормативные, технические и кадровые ограничения. Отдельное внимание уделено росту популярности ИИ-инструментов среди врачей в США, что демонстрирует глобальный тренд на цифровизацию медицины. В дайджесте также упоминается запуск новых решений для выявления медицинских дипфейков — критически важная тема в эпоху генеративного ИИ, способного создавать поддельные медицинские изображения и документы. Материал представляет собой обзорную статью, объединяющую регуляторные, технологические и социальные аспекты развития ИИ в здравоохранении, что делает его полезным для понимания текущего состояния отрасли.

Исследователи представили новый метод scCChain — фреймворк на основе трансформерных нейросетей для анализа пространственной транскриптомики. Метод интегрирует активность лиганд-рецепторов в пространственно разрешённые программы коммуникации клеток и локализует горячие точки на уровне отдельных клеток и пространственных пятен. scCChain использует структурированное снижение размерности для выявления кандидатов программ, затем применяет взвешенные случайные блуждания по графу клеток для формирования цепочек коммуникации. Трансформерная модель оценивает цепочки, приоритезируя биологически значимые программы и определяя зоны повышенной активности. Метод применён к данным пространственной транскриптомики рака молочной железы человека, показав способность выявлять опухолевые программы с ангиогенной сигнализацией в инвазивных зонах. В данных на основе визуализации метод определил горячие точки коммуникации CXCL12-CXCR4 на клеточном уровне. Исследование демонстрирует интерпретируемость и точность цепочечного трансформерного моделирования для анализа сложных тканей. Метод позволяет как разведывательный поиск новых программ коммуникации, так и целевой анализ конкретных пар лиганд-рецептор.

Статья освещает ключевые темы конференции HIMSS26 в Лас-Вегасе, посвященные инновациям в сфере вовлеченности пациентов. Основной акцент сделан на применении искусственного интеллекта для улучшения качества взаимодействия пациентов с системами здравоохранения. Организации здравоохранения, такие как UC San Diego Health, внедряют ИИ-решения в контакт-центрах для снижения нагрузки на операторов и автоматизации рутинных задач. Дополнительно реализуется аутентификация пациентов через текстовые сообщения для защиты конфиденциальности медицинской информации. Пациенты ожидают от медицинских организаций такого же уровня удобства и бесшовности сервиса, который они получают при взаимодействии с авиакомпаниями или банками. Статья подчеркивает важность измерения эффективности улучшений опыта пациентов и делится инсайтами от лидеров отрасли в области patient engagement. Использование ИИ в этой сфере позволяет персонализировать коммуникацию и повысить удовлетворенность пациентов лечением.

Статья освещает ключевую роль гибридной инфраструктуры в успешной реализации инициатив искусственного интеллекта в здравоохранении. На конференции HIMSS26 в Лас-Вегасе эксперты HealthTech обсудили с лидерами здравоохранительных IT-компаний, как сочетание локальных дата-центров и облачных вычислений обеспечивает необходимую техническую базу для ИИ-проектов. Локальные дата-центры обеспечивают низкую задержку для обработки больших объёмов данных при инференсе, в то время как облачные платформы предоставляют масштабируемые вычислительные мощности по требованию. Гибридный подход позволяет организациям балансировать между производительностью, безопасностью и гибкостью при внедрении ИИ-решений. Обсуждение охватывало практические стратегии оптимизации инфраструктуры для поддержки инициатив ИИ, направленных на улучшение рабочих процессов клиницистов, опыта пациентов и клинических исходов. Статья подчёркивает, что без соответствующей инфраструктуры многие ИИ-инициативы в здравоохранении остаются нереализуемыми, несмотря на их потенциальную ценность.

Статья освещает обсуждение агентного искусственного интеллекта (agentic AI) на конференции HIMSS26 в Лас-Вегасе. Агентный ИИ — это автономные системы, способные самостоятельно выполнять задачи без постоянного человеческого вмешательства. В здравоохранении такие системы потенциально могут автоматизировать процессы предварительных авторизаций и взаимодействия с пациентами, освобождая время клиницистов и администраторов. Однако независимое действие агентного ИИ создаёт риски в медицинских рабочих процессах, требующие особого внимания. Эксперты подчёркивают необходимость внедрения инструментов с надлежащим управлением и механизмами проверки человеком. Организации здравоохранения должны балансировать между эффективностью автоматизации и безопасностью пациентов. Статья основана на интервью с лидерами отрасли, которые поделились опытом использования агентного ИИ и рекомендациями по его внедрению. Ключевой вывод — успех зависит от правильной governance и интеграции человеческого контроля в автоматизированные процессы.

Министерство цифрового развития России вынесло на общественное обсуждение проект федерального закона, устанавливающего единые правила разработки и применения искусственного интеллекта в стране. Документ закрепляет риск-ориентированный подход к регулированию ИИ, вводит ключевые термины и распределяет ответственность между разработчиками, операторами и пользователями систем искусственного интеллекта. Ключевым механизмом станет требование допуска к использованию в госсекторе и на критической инфраструктуре только «доверенных моделей», прошедших проверку по критериям безопасности и качества. Эти требования будут распространяться и на сферу здравоохранения, что означает обязательную валидацию медицинских ИИ-систем перед их внедрением в клиническую практику. Законопроект создаёт правовую основу для контроля качества медицинских алгоритмов диагностики и лечения, защиты данных пациентов и предотвращения использования некорректных моделей. Регулирование направлено на баланс между развитием инноваций и обеспечением безопасности пациентов, что особенно актуально для телемедицины, медицинской диагностики и поддержки врачебных решений. Документ представляет собой первый системный шаг к созданию национальной экосистемы доверенного искусственного интеллекта в России.

В штате Массачусетс количество госпитализаций по поводу сепсиса более чем утроилось с 2010 года. Некоторые эксперты и исследователи связывают этот рост с использованием больницами инструментов искусственного интеллекта для медицинского кодирования и выставления счетов. Статья поднимает вопрос о том, является ли наблюдаемый рост показателем реальной эпидемиологической ситуации или результатом изменений в практике кодирования диагнозов с использованием ИИ-систем. Использование ИИ в биллинге может приводить к более детальному кодированию и, как следствие, к увеличению зафиксированных случаев сепсиса, даже если фактическая заболеваемость не изменилась. Это имеет важные последствия для понимания статистики заболеваемости, планирования ресурсов здравоохранения и оценки эффективности программ по борьбе с сепсисом. Проблема требует дополнительного анализа для разграничения реального роста заболеваемости и артефактов системы кодирования.

Статья обращается к лидерам медицинских систем и страховых компаний с призывом пересмотреть подходы к оценке, закупке и управлению искусственным интеллектом в своих организациях. Авторы предлагают перейти от точечной оценки отдельных решений к целенаправленному проектированию системной архитектуры ИИ. Ключевая проблема заключается в том, что многие организации покупают ИИ-инструменты как изолированные решения, не интегрируя их в общую инфраструктуру. Такой подход приводит к фрагментации данных, дублированию функционала и невозможности масштабирования внедрений. Вместо этого рекомендуется разрабатывать целостную архитектуру ИИ, которая учитывает интеграцию с существующими системами, стандарты данных и процессы принятия решений. Это требует изменения организационной структуры, пересмотра процессов закупок и создания механизмов governance для управления ИИ-решениями на протяжении всего их жизненного цикла. Статья подчеркивает, что без системного подхода инвестиции в ИИ не принесут ожидаемой отдачи и могут даже создать дополнительные риски для медицинских организаций.

Статья о критериях венчурного инвестора Кэти Джейкобс Стэнтон при инвестировании в стартапы медицинского ИИ, включая портфельные компании: Dandelion Health (анализ клинических данных), Pharos Health (автоматизация отчётности), Luminai (обработка страховых требований) и Throne Science (сенсор для раннего выявления рака толстой кишки). Основной акцент сделан на важности наличия у основателей опыта в здравоохранении и уникальности продукта.

Отчет Autorek выявляет барьеры внедрения ИИ в страховой отрасли: фрагментация данных, устаревшие системы и нехватка внутренней экспертизы. Хотя 82% компаний ожидают доминирования ИИ в отрасли, лишь 14% имеют полностью интегрированные решения. Авторы рекомендуют начать с процессов сверки как первоначальной площадки для ИИ-внедрения.

NTT DATA и NVIDIA запустили платформу для масштабирования ИИ в предприятиях, интегрируя GPU-вычисления и программное обеспечение NVIDIA AI Enterprise. Один из трёх кейсов использования — онкологический исследовательский центр, применяющий платформу для анализа радиологии и оценки моделей для клинических исследований.

Компания Qualified Health, стартап, специализирующийся на помощи системам здравоохранения в оценке и внедрении технологий искусственного интеллекта, привлекла 125 миллионов долларов нового финансирования для масштабирования своего бизнеса. Компания работает непосредственно с медицинскими системами, помогая им оценивать и внедрять ИИ-технологии в свою практику. Полученное финансирование позволит расширить бизнес-операции и увеличить охват медицинских учреждений, использующих решения Qualified Health. Это свидетельствует о растущем интересе инвесторов к компаниям, занимающимся внедрением ИИ в здравоохранение. Финансирование направлено на масштабирование корпоративных решений ИИ для систем здравоохранения, что может ускорить цифровую трансформацию медицинских организаций. Успешный раунд привлечения капитала показывает, что рынок готов инвестировать в инфраструктуру внедрения ИИ, а не только в сами медицинские ИИ-продукты. Компания позиционирует себя как мост между разработчиками ИИ-технологий и медицинскими системами, что делает её важным игроком в экосистеме здравоохранения.