Поиск

Исследование предлагает ИИ-фреймворк для оценки боли у некоммуникативных пациентов (новорождённые, пациенты с когнитивными нарушениями) без использования размеченных реальных данных. Метод сочетает синтетическую генерацию 50 000 сценариев боли через диффузионные модели с адаптацией доменов, достигая 81,5% точности для неонатальной оценки и превосходя супервизированные методы в кросс-датасет обобщении на 40,4%.

Исследование демонстрирует применение искусственного интеллекта и машинного обучения для ранней диагностики болезни Альцгеймера за несколько лет до появления клинических симптомов. Технология анализирует краткие цифровые тесты (несколько минут), извлекая поведенческие данные через множественные ML-модели одновременно. Система генерирует оценку риска когнитивных нарушений, предсказывает вероятность положительного результата на амилоидные бляшки и улучшает точность биомаркеров крови, определяя пациентов для дальнейшего тестирования. Разработаны первые поведенческие цифровые биомаркеры, связывающие повседневное когнитивное поведение с underlying патологией мозга. Алгоритмы фиксируют незаметные при стандартном наблюдении изменения в тайминге, последовательности и беглости действий (рисование, паузы, речь), отражающие координацию моторного планирования, языка, внимания и исполнительных функций. Решение особенно ценно в условиях дефицита неврологов и нейropsychологов, когда ожидание когнитивной оценки растягивается на месяцы. Технология позволяет врачам первичного звена определять необходимость дополнительного тестирования, специализированного направления или усиленного наблюдения во время обычного визита.

Исследователи из ведущих американских университетов — Массачусетского технологического института, Стэнфордского и Колумбийского — провели исследование о влиянии объяснений больших языковых моделей на точность медицинской диагностики у людей без медицинского образования. В работе изучалось, как LLM-генерированные пояснения помогают пользователям диагностировать заболевания кожи и одновременно влияют на уровень доверия к рекомендациям искусственного интеллекта. Результаты показали двойственный эффект: объяснения действительно повышают точность диагностики у непрофессионалов, но одновременно увеличивают склонность безоговорочно доверять ИИ, даже когда алгоритм ошибается. Врачи демонстрируют значительно более критичное отношение — они чаще распознают ошибки алгоритма и реже следуют неверным рекомендациям системы. Исследование подчёркивает важность разработки более прозрачных и надёжных систем объяснимого ИИ для медицинского применения, особенно при использовании непрофессионалами. Работа опубликована в авторитетном рецензируемом журнале Nature Medicine, что подтверждает научную значимость полученных результатов и их потенциальное влияние на регулирование медицинских ИИ-систем.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.

Представлен фреймворк TeleZK-FL для приватного федеративного обучения диагностических ИИ-моделей в телемедицине с использованием квантования и zero-knowledge доказательств непосредственно на граничных устройствах. Система ускоряет генерацию криптографических доказательств в 25 раз, сокращает объём передаваемых данных на 75% при сохранении диагностической точности (AUC 0.877 для рентгена грудной клетки, 0.891 для ЭКГ).

Исследование представляет собой клиническую валидацию системы искусственного интеллекта для анализа морфологии периферической крови в цифровом формате. Работа выполнена в формате многоцентрового рандомизированного парного исследования, что является золотым стандартом для клинической валидации диагностических инструментов. ИИ-ассистированный подход направлен на автоматизацию и повышение точности анализа клеток крови, что критически важно для диагностики гематологических заболеваний, анемий, лейкозов и других патологий. Многоцентровый дизайн обеспечивает репрезентативность результатов и возможность генерализации выводов на различные клинические условия и популяции пациентов. Парный метод исследования позволяет напрямую сравнить эффективность ИИ-системы с традиционными методами морфологического анализа. Публикация в npj Digital Medicine указывает на высокий научный уровень работы и её соответствие стандартам цифровой медицины. Результаты исследования имеют практическую значимость для внедрения ИИ-диагностики в клиническую лабораторную практику.

Исследование представляет новый метод интерпретации протеиновых языковых моделей (PLM) для идентификации функционально значимых регионов белков. Авторы использовали модель ESM-2 (Evolutionary Scale Modelling 2) для выявления сайтов с высоким вниманием (HA sites) — специфических аминокислотных остатков, которым модель assigns наибольшее внимание на ранних этапах кодирования. Применено unsupervised clustering для категоризации HA сайтов на четыре типа: «структурное ядро», «структурные патогенные», «ядерные патогенные» и «низкая достоверность». Методология включала интеграцию с предсказаниями патогенности AlphaMissense и данными пан-ракового анализа всего генома (PCAWG) для валидации. Результаты показали, что HA сайты эффективно предсказывают белковые регионы с высоким патогенным риском и могут идентифицировать кандидатные сайты связывания. В нескольких примерах онкологических белков метод обнаружил ранее неизвестные регионы с высокой вероятностью взаимодействия, что имеет потенциальную терапевтическую ценность. Работа демонстрирует биологическую интерпретируемость представлений PLM и предлагает практический инструмент для приоритизации функционально релевантных белковых остатков в биомедицинских исследованиях и разработке таргетных терапий.

Искусственный интеллект стремительно трансформирует медицинскую визуализацию, обеспечивая автоматическое обнаружение, классификацию и прогнозирование рисков в растущем числе клинических применений. В исследовании, опубликованном в The Lancet Digital Health, Ян Чжоу и коллеги представляют MerMED-FM — мультимодальную фундаментальную модель медицинской визуализации для множественных заболеваний. Модель обучена на более чем 3,3 миллиона изображений, охватывающих семь различных модальностей визуализации и более десяти клинических специальностей. Ключевая инновация заключается в способности модели интегрировать информацию across различных типов медицинских изображений, что отражает реальную клиническую практику, где врачи routinely объединяют данные из разных источников. Фундаментальные модели представляют собой следующий этап развития ИИ в медицине, позволяя создавать универсальные системы вместо узкоспециализированных решений для отдельных задач. MerMED-FM демонстрирует потенциал для улучшения диагностической точности, сокращения времени анализа и поддержки клинических решений в разнообразных медицинских контекстах. Разработка таких моделей требует значительных вычислительных ресурсов и тщательно курированных датасетов, но обещает стандартизацию подходов к ИИ-диагностике. Внедрение единых фундаментальных моделей может упростить регуляторное одобрение и клиническую валидацию ИИ-решений в здравоохранении.

Исследование представляет систему мультимодального глубокого обучения для предоперационной оценки степени инвазивности узелков аденокарциномы лёгкого — критически важной задачи для определения оптимальной хирургической тактики. Модель интегрирует множественные типы данных (вероятно, КТ-изображения, клинические параметры и возможно гистологические маркеры) для стратификации риска до операции. Разработка направлена на решение ключевой проблемы торакальной онкологии: дифференциацию минимально инвазивных форм аденокарциномы от более агрессивных вариантов без необходимости инвазивной биопсии. Ожидаемые клинические преимущества включают снижение количества избыточных радикальных операций, оптимизацию объёма резекции и улучшение прогнозирования исходов лечения. Публикация в npj Digital Medicine указывает на прохождение рецензирования и соответствие стандартам исследований в области цифровой медицины. Данное исследование вносит вклад в развитие прецизионной онкологии с применением искусственного интеллекта для персонализированного принятия клинических решений.

Исследование разработало и оценило фреймворк объяснимого ИИ (XAI) для прогнозирования риска неадекватного послеоперационного обезболивания у пациентов после абдоминальной хирургии. Модели машинного обучения показали AUC 0,707–0,798, при этом ранняя траектория боли (VAS) оказалась strongest предиктором; для интерпретации использованы SHAP-анализ и интеграция LLM для генерации понятных врачам объяснений.

Разработана двухслойная двунаправленная LSTM-сеть с механизмом маскирования для динамического прогнозирования делирия у пациентов в отделении интенсивной терапии на основе 24-часовых скользящих окон наблюдений. Модель показала AUC-ROC 0,835 при внутренней и 0,830 при внешней валидации, а анализ SHAP выявил клинически значимые временные закономерности в предикторах (ИВЛ, pH, шкала SOFA).

Систематический обзор 120 исследований (2020–2026) оценивает применение ИИ для прогнозирования гестационного диабета и преэклампсии. Модели машинного и глубокого обучения показали AUC от 0,70 до 0,95, причём ансамблевые методы и интеграция мультимодальных данных превзошли традиционные статистические подходы. Выявлены ключевые проблемы: недостаточная внешняя валидация, гетерогенность данных, низкая интерпретируемость моделей и ограниченная интеграция в клиническую практику.

Исследование представляет MetaAMI — инновационную систему мета-обучения для прогнозирования внутрибольничной смертности у пациентов с острым инфарктом миокарда (ОИМ). Методология основана на случайных проекциях: данные пациентов с кодами МКБ-9 и МКБ-10 для ОИМ были отобраны из базы MIMIC-IV v3.1, признаки трансформированы через множественные случайные проекции, создающие различные низкоразмерные представления. На каждом представлении обучались базовые классификаторы, их прогнозы агрегировались в интегрированное представление для мета-обучателя, который уточнял границу решений. Результаты бенчмаркинга показали, что MetaAMI последовательно превосходит все базовые классификаторы по семи метрикам оценки: точность, AUC, F1-мера, G-мера, индекс Жаккара, Yоудена J и коэффициент корреляции Мэттьюса (MCC). Анализ важности признаков с помощью SHAP выявил клинически релевантные предикторы смертности, обеспечивая интерпретируемость модели. Анализ выживаемости дополнительно оценил клиническую полезность подхода. MetaAMI предлагает эффективное и надёжное решение для стратификации риска при ОИМ, позволяя клиницистам раньше выявлять пациентов высокого риска и персонализировать лечение.

HOPPR представила фундаментальную модель HOPPR EF Chest CT Narrative, которая обрабатывает 3D-объёмы КТ грудной клетки и генерирует текстовые описания характеристик изображений across лёгких, сердца, аорты и других структур. Модель обучена на данных из множественных клинических центров США с акцентом на редкие но серьёзные состояния (эмболия лёгочной артерии, пневмоторакс, переломы рёбер) и доступна через HIPAA-совместимую инфраструктуру HOPPR AI Foundry.

В исследовании представлен RIPPLE (Replicate-Aware Inference of Paracrine Profiles via Likelihood Estimation) — новый программный пакет на языке R, предназначенный для анализа пространственной транскриптомики. Инструмент позволяет систематически декодировать межклеточные сигнальные пути, выявляя гены, экспрессия которых меняется в зависимости от расстояния до конкретного типа клеток. При тестировании на наборе данных 10x Xenium (мышиный лимфатический узел) алгоритм успешно восстановил каноническую программу ответа CCL21 в Т-клетках и подмножествах дендритных клеток с полной согласованностью знаков во всех образцах. В ходе анализа когорты немелкоклеточного рака легкого (CosMx) RIPPLE идентифицировал 515 генов градиента близости к опухоли, охватив 17 типов клеток. В частности, метод выделил IGFBP5 как ведущий маркер рак-ассоциированных фибробластов. Данная разработка предоставляет исследователям ранжированные списки паракриновых кандидатов, что критически важно для понимания микроокружения опухолей и разработки новых терапевтических стратегий.

В исследовании представлен новый вычислительный метод для анализа аллостерической коммуникации в белках, основанный на комбинаторном разложении Ходжа. Авторы применили этот подход к динамической модели гауссовской сети (dGNM), чтобы разделить поток энтропии переноса на три компонента: градиентный (глобальная иерархия от источника к стоку), роторный (локальная циркуляция) и гармонический (масштабные полости). На примере дикого типа белка KRAS и десяти его онкогенных вариантов (включая G12D, G12C, Q61R и др.) было доказано, что информационный поток является преимущественно иерархическим: градиентный член составляет 97,5–98,4% всего потока во всех протестированных вариантах. Исследование выявило, что мутации не меняют общую структуру потока, но перемещают основные источники аллостерических сигналов из гипервариабельной области С-конца в ядро обработки нуклеотидов и механизмы переключателей Switch I/II. Метод позволяет без введения дополнительных параметров на уровне отдельных аминокислотных остатков определять, как мутации различных механизмов перераспределяют пути передачи сигналов, что критически важно для понимания патогенеза рака.

Представлен Utanos — модульное программное решение (pipeline и R-пакет), предназначенное для анализа данных полногеномного секвенирования малой глубины (sWGS) по типу FASTQ-to-figures. Методология ориентирована на работу с относительно недорогим секвенированием (целевой объем около 15 миллионов чтений), что делает его экономически эффективной альтернативой глубокому WGS для масштабных исследований. Инструмент позволяет эффективно обнаруживать аберрации числа копий (CN), дефицит гомологичной рекомбинации (HRD) и формировать специфические сигнатуры числа копий. Разработка особенно актуальна для неонатальной диагностики и онкологических исследований, включая работу с образцами из блоков FFPE (фиксированных формалином и заключенных в парафин). Технически решение реализовано на базе кроссплатформенного фреймворка Nextflow с поддержкой Docker, что обеспечивает высокую воспроизводимость и стандартизацию выходных данных. Программное обеспечение доступно в открытом доступе на GitHub и подано на включение в экосистему nf-core.

В исследовании проведен сравнительный анализ четырех популярных моделей глубокого обучения, предназначенных для прогнозирования эффектов вариантов сплайсинга, на основе набора данных MFASS, включающего 27 733 однонуклеотидных варианта с подтвержденными экспериментальными результатами. Результаты бенчмарка показали, что модель Pangolin является наиболее эффективной для предсказания нарушений сплайсинга с показателем AUROC 0.888 и средней точностью (average precision) 0.421, опережая SpliceAI (AUROC 0.819), SpliceTransformer (AUROC 0.786) и MMSplice (AUROC 0.758). Ключевым открытием стало обнаружение системной «слепой зоны»: все протестированные инструменты демонстрируют высокую точность вблизи сайтов сплайсинга, однако их чувствительность резко падает при анализе вариантов внутри экзонов. В частности, 19% всех нарушающих сплайсинг вариантов были пропущены всеми пятью протестированными моделями, причем эти ошибки сосредоточены преимущественно в центральной части экзонов. Исследование подтверждает, что данная проблема не является следствием архитектуры, ориентированной только на сайты сплайсинга, так как даже модель MMSplice, учитывающая модульные эффекты, показала аналогичное снижение эффективности. Данные выводы критически важны для геномной диагностики, указывая на необходимость разработки новых алгоритмов для более точного анализа глубоких участков экзонов.