Найдите статьи по ключевым словам и фильтрам.
Разработана новая система MMCRAG-Resp, использующая мультимодальный RAG для диагностики респираторных заболеваний на основе звуков, спирометрии и текста. Метод значительно снижает уровень галлюцинаций ИИ и обеспечивает клинически обоснованные, объяснимые ответы с использованием локальных языковых моделей.
Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.
Anthropic запустила бета-версию Claude Science, которая интегрируется с инструментарием NVIDIA BioNeMo для ускорения биомедицинских исследований. Система позволяет ученым использовать естественный язык для управления сложными рабочими процессами, такими как предсказание структур белков и дизайн молекул, через специализированных ИИ-агентов.
Разработанный компанией PinPoint Data Science тест на основе машинного обучения анализирует около 30 маркеров в крови для оценки риска рака. Технология позволяет эффективно выявлять женщин с низким риском, избавляя тысячи пациенток от болезненных процедур, таких как трансвагинальное УЗИ.
Использование технологии GraphRAG на базе AWS позволяет объединить разрозненные медицинские и лабораторные данные в единый графовый массив знаний. Это ускоряет поиск корреляций и сокращает циклы исследований в фармацевтике на 87%, используя NLP и графовые базы данных для обработки неструктурированной информации.
Компания Neko Health получила крупное финансирование для экспансии на рынок США, предлагая комплексную систему превентивной диагностики. Сервис объединяет ИИ-сканирование всего тела, анализ крови и специализированные датчики для раннего выявления рака кожи, сердечно-сосудистых заболеваний и диабета.
Компания Takeda и Insilico Medicine подписали стратегическое соглашение о применении платформы Pharma.AI для поиска биологических мишеней и дизайна молекул. Сотрудничество направлено на ускорение ранних стадий разработки лекарственных препаратов с использованием генеративного ИИ и прогнозных моделей.
Компании Viz.ai и Cortechs.ai объявили о партнерстве для интеграции инструментов количественного анализа нейровизуализации в платформу Viz.ai. Основное внимание будет уделено рассеянному склерозу, что позволит врачам быстрее идентифицировать пациентов и точнее управлять лечением с помощью ИИ-анализа МРТ.
GE HealthCare и Mayo Clinic запускают исследование MI-BET, направленное на персонализацию радиолигандной терапии рака простаты. Проект использует передовые технологии визуализации и биомаркеров для адаптации циклов лечения на основе индивидуального ответа пациента.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель Transformer-DAPT, предназначенная для динамической оценки рисков у пациентов, получающих двойную антиагрегантную терапию (DAPT) после чрескожного коронарного вмешательства (ЧКВ). В отличие от статических шкал, данный ИИ-инструмент использует архитектуру трансформеров для анализа временных рядов клинических данных, что позволяет прогнозировать вероятность ишемических событий и кровотечений в режиме реального времени. Методология опирается на глубокое обучение для обработки динамически меняющихся показателей состояния пациента, обеспечивая персонализированный подход к выбору продолжительности терапии. Ключевые результаты демонстрируют превосходство модели над традиционными клиническими инструментами оценки риска, обеспечивая более высокую точность прогнозирования осложнений. Внедрение Transformer-DAPT в клиническую практику позволит кардиологам оптимизировать протоколы антиагрегантной терапии, минимизируя риск фатальных кровотечений при сохранении эффективной профилактики тромбозов. Данная разработка является значимым шагом в сторону прецизионной кардиологии и автоматизации принятия клинических решений.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель искусственного интеллекта, предназначенная для выявления риска развития расстройства поведения в фазе быстрого сна (RBD) у пациентов с большим депрессивным расстройством (БДР). Методология исследования базируется на интеграции различных типов данных, включая нейровизуализацию, показатели полисомнографии и клинические характеристики пациентов. Использование мультимодального подхода позволило значительно повысить точность прогнозирования коморбидных состояний по сравнению с традиционными унимодальными методами. Ключевые результаты демонстрируют высокую чувствительность и специфичность алгоритма, что позволяет на ранних стадиях выявлять пациентов с высоким риском нейродегенеративных изменений. Данная разработка имеет критическое значение для персонализированной психиатрии, позволяя врачам своевременно корректировать терапевтическую стратегию и проводить превентивную диагностику. Практическая значимость работы заключается в создании надежного инструмента поддержки принятия клинических решений для психиатров и сомнологов.
В данной исследовательской работе представлена инновационная архитектура нейронной сети GLF-Net, предназначенная для высокоточной сегментации волновых форм на электрокардиограммах (ЭКГ). Основная научная новизна заключается в интеграции квазипериодического априорного руководства (quasi-periodic prior-guided), что позволяет модели учитывать естественную ритмическую структуру сердечного цикла при обработке сигналов. Методология исследования фокусируется на автоматическом выделении ключевых компонентов ЭКГ, что критически важно для последующего анализа вариабельности сердечного ритма и диагностики аритмий. Разработанная сеть демонстрирует превосходство над существующими методами сегментации, обеспечивая более высокую точность границ волн P, QRS-комплекса и T. Практическая значимость работы заключается в возможности автоматизации рутинного анализа ЭКГ, снижении нагрузки на врачей-кардиологов и минимизации человеческого фактора при интерпретации сложных паттернов сердечного ритма. Использование GLF-Net позволяет создавать более надежные системы поддержки принятия врачебных решений в кардиологии.
Исследователи из Сеченовского Университета разработали и протестировали систему на базе искусственного интеллекта, предназначенную для раннего выявления рака шейки матки и предраковых состояний. Методология исследования включала использование алгоритмов глубокого обучения для анализа цитологических мазков, что позволяет минимизировать человеческий фактор и ошибки при интерпретации изображений. Ключевые результаты демонстрируют значительное повышение точности диагностики по сравнению с традиционными методами визуального осмотра, обеспечивая высокую чувствительность к патологическим изменениям клеток. Внедрение данной технологии в клиническую практику позволит автоматизировать скрининг, снизить нагрузку на врачей-цитологов и существенно повысить выявляемость заболеваний на ранних, излечимых стадиях. Данная разработка имеет критическое значение для профилактической онкологии и может стать стандартом в программах массового скрининга.
Статья рассматривает переход от простых инструментов ИИ к агентному ИИ, способному автономно планировать и выполнять сложные медицинские рабочие процессы. Автор подчеркивает, что такие системы могут устранять административную нагрузку и связывать разрозненные этапы обслуживания пациента, используя стандарты интероперабельности.
В статье представлен FairGen — инновационный метод на основе диффузионных моделей, разработанный для решения проблемы демографического смещения при синтезе медицинских изображений. Исследователи внедрили механизм выравнивания предпочтений (preference-alignment), который позволяет генерировать высокореалистичные медицинские данные, сохраняя при этом справедливость в отношении различных демографических групп (пол, возраст, этническая принадлежность). Методология направлена на устранение систематических ошибок, которые часто возникают в обучающих выборках и приводят к снижению точности диагностики для определенных групп населения. Результаты показывают, что FairGen значительно улучшает репрезентативность синтетических наборов данных, обеспечивая высокое качество визуализации, сопоставимое с реальными снимками. Использование данного подхода критически важно для создания сбалансированных датасетов, на которых обучаются диагностические системы ИИ, что напрямую влияет на минимизацию медицинских ошибок и обеспечение равного качества медицинской помощи для всех пациентов. Технология открывает новые возможности для обучения нейросетей в условиях дефицита специфических клинических данных.
В данном обзоре представлены ключевые события недели, связанные с внедрением искусственного интеллекта в медицинскую практику. Основное внимание уделено разработке новых российских государственных стандартов (ГОСТ) для медицинских систем на базе больших генеративных моделей, что критически важно для легализации ИИ-решений. В европейском сегменте зафиксировано одобрение нового ИИ-устройства, предназначенного для высокоточной диагностики рака кожи. Также рассматривается инновационная технология от Google, позволяющая проводить неинвазивный мониторинг пульса, используя только камеру смартфона. Важной частью дайджеста является юридическая дискуссия о распределении ответственности между разработчиками и врачами при возникновении ошибок в работе медицинских алгоритмов. Обзор охватывает как технологические прорывы, так и вопросы нормативно-правового регулирования отрасли.
В исследовании представлен инновационный конвейер QSAR-моделирования, использующий графовые нейронные сети (GNN) и графовые трансформеры (GT) для прогнозирования токсичности химических соединений. Авторы разработали методологию, которая кодирует молекулы напрямую в виде графов, избегая потери информации, характерной для бинарных фингерпринтов. Модель тестировалась на данных PubChem для оценки активации каспаз-3/7 и изменения митохондриального мембранного потенциала (MMP), а также на данных FDA для прогнозирования лекарственного поражения печени (DILI) у человека. Результаты показали значительный прогресс: консенсусная модель достигла AUC 0.69 при прогнозировании DILI, а архитектура Graphormer показала лучший F1-score 0.79, существенно превзойдя предыдущие показатели (AUC 0.63 и F1 0.65). Механистический анализ выявил, что фенольные соединения с пара-гидроксифенильным мотивом и липофильные соединения с длинными алкильными цепями провоцируют коллапс MMP и последующую активацию каспаз. Исследование подчеркивает потенциал глубокого обучения на графах для ускорения оценки безопасности новых лекарственных средств и химических веществ.
Технологический гигант Nvidia объединил усилия со стартапом Abridge для создания специализированной базовой модели искусственного интеллекта, предназначенной для обработки клинических разговоров. Основная цель проекта заключается в автоматизации документирования медицинских консультаций, что позволит врачам сосредоточиться на пациентах, а не на заполнении электронных медицинских карт. В рамках сотрудничества будут использоваться вычислительные мощности Nvidia для обучения моделей, способных с высокой точностью интерпретировать сложную медицинскую терминологию и нюансы диалогов между врачом и пациентом. Разработка направлена на решение проблемы выгорания медицинского персонала, вызванного административной нагрузкой. Ожидается, что внедрение такой специализированной модели значительно повысит точность структурирования данных в медицинских записях по сравнению с универсальными языковыми моделями. Данная инициатива является важным шагом в интеграции генеративного ИИ непосредственно в клиническую практику.
Исследование представляет ActiTect — инновационный программный конвейер на базе машинного обучения, разработанный для автоматизированного скрининга расстройства поведения в фазе быстрого сна (RBD). Методология исследования опирается на использование стандартизированной актиграфии, что позволяет перенести процесс диагностики из специализированных лабораторий сна в условия домашнего мониторинга. Система анализирует паттерны движения пациента, используя алгоритмы глубокого обучения для выявления специфических признаков RBD. Ключевой особенностью ActiTect является его высокая обобщающая способность, позволяющая эффективно работать на различных наборах данных без потери точности. Внедрение данного решения может значительно повысить доступность ранней диагностики нейродегенеративных заболеваний, связанных с RBD, за счет снижения нагрузки на клинический персонал и стоимости обследований. Результаты демонстрируют потенциал автоматизации рутинного скрининга с использованием носимых устройств.
В исследовании рассматривается двойственная природа вероятностного моделирования последовательностей и сжатия данных, где языковые модели используются как инструмент оценки качества генеративного моделирования ДНК. Авторы представили семейство из десяти моделей DNAGPT2 (архитектура GPT-2-small), предобученных на мультивидовом корпусе DNABERT2 с использованием одной видеокарты A40. Ключевым достижением стало достижение показателя 1.47 бит на основание (bpb) при сжатии генома человека T2T, что заняло четвертое место в бенчмарке Cobilab и превзошло все универсальные компрессоры общего назначения. Исследование выявило, что стандартная для NLP токенизация может быть неоптимальной для ДНК: словарь BPE размером в 32 токена показал лучшие результаты, чем более крупные словари. Также было обнаружено, что модели с коротким контекстом, использующие BPE, могут превосходить специализированные геномные модели с длинным контекстом из-за различий в архитектуре и данных. В завершение авторы создали карту информационной плотности генома человека, продемонстрировав статистически значимые различия в профилях информации между экзонами, интронами, межгенными участками и повторами Alu.
