Поиск

Платформа Sunfish для планирования семьи представила новую услугу заморозки яйцеклеток с использованием проприетарного алгоритма искусственного интеллекта. Система анализирует биоданные пациента для прогнозирования оптимального количества зрелых яйцеклеток, которые следует заморозить для достижения наилучших репродуктивных результатов. Алгоритм также рассчитывает стоимость всего цикла криоконсервации с гарантией возврата средств, если прогноз не оправдывается. Это решение представляет собой прямое применение машинного обучения в области репродуктивной медицины и вспомогательных репродуктивных технологий. Клиническая значимость заключается в персонализации подхода к заморозке яйцеклеток, что может повысить шансы на успешную беременность в будущем. Гарантия стоимости снижает финансовые риски для пациентов, делая процедуру более доступной. Технология демонстрирует, как ИИ может трансформировать стандартные медицинские протоколы, добавляя предиктивную аналитику в процесс принятия клинических решений. Продукт ориентирован на женщин, планирующих отложить материнство по медицинским или личным причинам.

Статья описывает исследование с использованием ИИ и 3D-органов мозга человека для прогнозирования риска судорог при разработке лекарств. Модель показала 83% чувствительность и 89% специфичность в классификации судорожной активности на основе функциональной нейронной активности.

Исследование посвящено применению обучения с подкреплением (Reinforcement Learning) для генеративных языковых моделей ДНК, что имеет прямое значение для геномики и персонализированной медицины. Авторы использовали технику Group Relative Policy Optimization (GRPO) с функцией вознаграждения, основанной на ограничениях из инженерной биологии, для генерации плазмид — простых генетических конструкций, широко используемых в биотехнологии. Ключевой результат: модель достигла 77% качества при контроле, по сравнению с 5% у предобученной базовой модели, что демонстрирует значительное улучшение. Примечательно, что помимо явно оптимизированных признаков, сгенерированные последовательности демонстрируют биологическую реалистичность в термодинамической стабильности, паттернах использования кодонов и распределении длин открытых рамок считывания (ORF) — свойствах, не включённых в функцию вознаграждения. Эти эмерджентные свойства указывают на способность RL пост-тренинга направлять модели ДНК в биологически когерентные области пространства последовательностей. Результаты открывают перспективы для дизайна генетических конструкций, разработки генной терапии и создания синтетических биологических систем.

Исследование представляет новый подход к молекулярному докингу — предсказанию конформации связывания малых молекул с белковыми мишенями, что критически важно для открытия новых лекарств. Авторы предлагают фреймворк обучения с подкреплением для тренировки диффузионных моделей непосредственно на недифференцируемых объективах физической валидности. Подход позволяет корректировать модель DiffDock-Pocket для генерации физически корректных поз лигандов с сохранением ключевых белково-лигандных взаимодействий. Результаты показывают существенное увеличение доли генерируемых поз, которые являются физически валидными, при этом не требуется дополнительных вычислений во время инференса. Важнейший результат — улучшение структурной точности: возрастает доля структур с позами, близкими к нативным, особенно для белковых мишеней, отличающихся от данных обучения. Доработанная модель превосходит как классические алгоритмы докинга, так и другие методы машинного обучения на наборе данных PoseBusters. Исследование демонстрирует, что обучение с подкреплением может научить диффузионные модели лучше соблюдать физические ограничения без необходимости постобработки результатов. Это открывает перспективы для более точного предсказания взаимодействия лекарств с белками-мишенями в фармацевтических исследованиях.

Статья о внедрении роботизированной бронхоскопии второго поколения в общинных больницах для диагностики рака легких. Интеграция роботизированных платформ с продвинутой визуализацией (флуороскопия, C-arm томография) обеспечивает непрерывную навигацию, упрощает рабочие процессы и улучшает диагностическую точность периферических легочных образований без увеличения затрат.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.

Статья представляет собой обзор применения искусственного интеллекта и технологии цифровых двойников для персонализированной медицины при множественной миеломе. Рассматриваются возможности ИИ для точной стратификации риска, выбора терапии и создания предиктивных моделей на основе больших клинических данных. Описываются перспективы и ограничения цифровых двойников как виртуальных реплик пациентов для динамического мониторинга заболевания.

Статья представляет метод гармонизации клинических данных с использованием онтологий и больших языковых моделей (LLM) для федеративного обучения в здравоохранении. Подход достигает 92% согласованности с экспертной оценкой, преобразуя гетерогенные клинические записи в стандартизированные форматы с сохранением конфиденциальности данных.

Исследование описывает опыт настройки LLM-as-a-Judge для оценки качества автоматической генерации клинических сводок в радиологии. Авторы проанализировали данные 30 пациентов с КТ брюшной полости, сравнивали оценки экспертов и шести различных LLM, выявив критерии для эффективной настройки таких систем. Результаты показывают, что критерии, эффективные для оценки человеком, не всегда подходят для LLM-оценки.

Статья представляет систему, использующую диффузионные модели для визуализации когнитивной переоценки эмоций у пациентов с травмой, депрессией или диссоциативными симптомами. Эксперимент с 20 участниками показал, что ИИ-ассистированная переоценка значительно снижает негативное аффективное состояние по сравнению с традиционными методами.

Исследование представляет SELFormerMM — новую мультимодальную архитектуру глубокого обучения для вычислительного открытия лекарств. В отличие от существующих моделей, использующих только одномерные представления (последовательности или графы), SELFormerMM объединяет четыре источника данных: SELFIES-нотации молекул, структурные графы, текстовые описания и биологические взаимодействия из графов знаний. Авторы демонстрируют, что согласование этих гетерогенных представлений позволяет модели улавливать комплементарные сигналы, которые одномерные подходы упускают. Оценка производительности показала превосходство SELFormerMM над структура-, последовательность- и knowledge-based моделями на множестве задач предсказания свойств молекул. Аблиционные эксперименты подтвердили, что эффективная кросс-модальная выравнивание и покрытие модальностей критически важны для извлечения дополнительной информации из данных. Доступность инструмента через GitHub с датасетами, предобученными моделями и вычисленными эмбеддингами делает метод практически применимым для исследовательских групп. Разработанный подход обеспечивает более богатые представления молекул и открывает перспективы для гипотезно-ориентированного открытия новых лекарственных соединений.

Philips представила новый КТ-сканер Rembra на ECR 2026 в Вене, оснащённый ИИ-оптимизированными рабочими процессами и детектором NanoPanel Precise XD. Система обеспечивает до 106 изображений в секунду и поддерживает до 270 исследований в день, что критично для экстренных случаев, таких как инсульт и травмы.

Российский медицинский сервис IQDOC на базе искусственного интеллекта провёл анализ запросов врачей к системе за период декабрь 2025 – март 2026 года, выявив ключевые потребности специалистов в области лабораторной диагностики. Исследование показало, что 47,1% всех обращений к ИИ-системе связаны с необходимостью расшифровки и интерпретации результатов лабораторных анализов пациентов, что делает эту функцию основной. Второе место по частоте (19,8%) занимают запросы на сопоставление показателей с нормами и референсными значениями, что подтверждает сложность работы с лабораторными данными для врачей. Третья категория запросов не указана в отчёте, но совокупность первых двух категорий составляет 66,9% от общего объёма обращений. Полученные данные демонстрируют, что ИИ-системы в медицине востребованы не только для первичной диагностики, но и для поддержки врачей в рутинных задачах интерпретации тестов. Практическая значимость исследования заключается в возможности оптимизации функционала медицинских ИИ-платформ под реальные потребности специалистов, что может повысить эффективность работы лабораторных служб. Результаты подтверждают тренд на интеграцию ИИ в повседневную клиническую практику для снижения нагрузки на врачей и минимизации ошибок при расшифровке анализов.

Исследование представляет первый курируемый датасет экосистемы научных агентов OpenClaw, охватывающий 91 проект и 2 230 навыков в 34 научных категориях, включая биоинформатику и открытие лекарств. Авторы анализируют структуру, распределение и возникающие паттерны развития научных агентов на основе ИИ, которые могут выполнять исследовательские рабочие процессы в биоинформатике и фармацевтике. Представлена публичная платформа Claw4Science (claw4science.org), которая организует проекты и агрегирует распределённые репозитории навыков в единый интерфейс для научных рабочих процессов. Результаты показывают сдвиг от изолированных систем к более модульной и разделяемой модели научных вычислений, что особенно актуально для медицинских исследований. Авторы выделяют открытые вызовы в области оценки, воспроизводимости и управления научными агентами на базе больших языковых моделей. Датасет служит основой для будущих бенчмарков и стандартизированной инфраструктуры для научных ИИ-агентов, что может ускорить разработку инструментов для медицинской диагностики и разработки препаратов. Работа демонстрирует, как структурирование знаний об агентах может снизить барьер для вклада и способствовать росту экосистемы. Исследование имеет прямое значение для фармацевтической индустрии и биомедицинских исследований, где ИИ-агенты могут автоматизировать сложные исследовательские задачи.

Исследование посвящено улучшению надежности трансформерных языковых моделей для геномики (GLM), которые демонстрируют высокую эффективность в задачах предсказания на генетических данных, но склонны к излишней уверенности при работе с зашумленными или неизвестными данными. Авторы анализируют влияние нескольких методов оценки неопределенности (uncertainty quantification, UQ), включая температурное масштабирование и эпистемические нейронные сети, на надежность предсказаний моделей в различных доменах геномных и метабаргеномных задач. Сравнение поведения моделей на данных из распределения (in-distribution) и вне распределения (out-of-distribution) показывает, что предложенные методы способны значительно улучшить надежность классификации. Результаты демонстрируют универсальность подхода, так как он работает на нескольких архитектурах GLM и в различных предметных областях. Разработка критически важна для геномики, где неизвестные виды и новые генетические варианты встречаются часто, и надежность предсказаний напрямую влияет на клинические решения. Полученные модели могут применяться для диагностики генетических заболеваний, персонализированной медицины и анализа микробиома. Исходный код проекта доступен в открытом доступе на GitHub, что позволяет исследователям и практикам внедрять эти методы в свои рабочие процессы.

Статья критикует современные ИИ-инструменты для медицинской документации, которые автоматически генерируют коды ICD-10 для выставления счетов, но не обеспечивают клинически точные диагнозы. Автор подчёркивает, что система кодирования ICD-10 создана для классификации визитов с целью оплаты, а не для отражения клинической реальности. Неспецифические коды (например, «злокачественное новообразование мозга, неуточнённое») позволяют получить оплату, но скрывают критически важную информацию — например, отличие глиобластомы от других опухолей мозга, что требует совершенно разных подходов к лечению. Проблема становится особенно острой в эпоху геномики и таргетной терапии, где решение о лечении зависит от конкретного генетического варианта. На примере болезни Шарко-Мари-Тута (наследственная нейропатия) показано: раньше лечения не существовало, но сегодня разрабатываются таргетные препараты, доступ к которым возможен только при точном диагнозе с указанием конкретного генетического варианта. Размытые диагнозы навсегда остаются в истории болезни и влияют на клинические решения годами, лишая пациентов доступа к персонализированному лечению. Автор предупреждает, что этот разрыв между кодом для плательщика и информацией для врача превращается из неудобства в проблему безопасности пациентов.

Американский стартап Throne Science из Остина привлёк $10 млн в раунде серии A (общая сумма сборов ~$18 млн) на разработку ИИ-устройства для мониторинга здоровья через анализ отходов жизнедеятельности. Устройство крепится под сиденье унитаза и использует систему компьютерного зрения из примерно 12 моделей для анализа физических характеристик отходов и преобразования их в медицинские показатели. Второй уровень ИИ обрабатывает эти данные, предоставляя персонализированные рекомендации по здоровью кишечника, аналогично фитнес-трекерам Whoop или Oura. Устройство идентифицирует пользователей через Bluetooth за ~3 секунды, отличая членов семьи от гостей. Стоимость устройства составляет $399 плюс подписка $5,99/месяц или $69,99/год. Основанная в 2023 году компания позиционирует продукт как «детектор дыма для рака толстой кишки», учитывая что колоректальный рак стал ведущей причиной онкологической смертности среди американцев до 50 лет, а более 60% жителей США испытывают симптомы нарушений пищеварения еженедельно.

Компания Doctronic, работающая на базе искусственного интеллекта в сфере первичной медицинской помощи, объявила о приобретении виртуальной педиатрической платформы Summer Health. Doctronic использует ИИ-платформу для анализа симптомов пациентов и формирования планов лечения на основе рецензируемых исследований, а также предлагает видеоконсультации с врачами за $39. За два года платформа обслужила более 30 миллионов медицинских обращений во всех 50 штатах США. Summer Health, основанная в 2022 году, специализируется на текстовой педиатрической помощи и обработала свыше 100 000 детских обращений по вопросам лихорадки, питания, медикаментов, сна и развития. Ключевая ценность сделки — доступ Doctronic к уникальному датасету из 100 000 педиатрических текстовых сообщений, который позволит обучить более точные ИИ-модели для детской медицины. Основатель Summer Health Эллен Дасильва войдёт в команду Doctronic как старший вице-президент по партнёрствам. Объединение платформ создаст комплексную ИИ-ориентированную систему здравоохранения для всей семьи — от рождения до взрослого возраста, обеспечивая доступ к качественной педиатрической помощи вне традиционных часов приёма.

Grove AI — стартап, разработавший ИИ-агентов с голосовым интерфейсом для автоматизации набора пациентов в клинические испытания. Компания основана в 2024 году Тран Ле и Сохитом Гатиганти, бывшими инженерами ИИ из Stanford Medicine, которые на собственном опыте столкнулись с неэффективностью ручного процесса рекрутинга. Технология использует большие языковые модели с конвертацией текста в речь, превращая документоориентированный процесс в живой диалог с пациентом. В отличие от человеческих рекрутеров, работающих с одним исследованием одновременно, ИИ-агент Grove обладает информацией о множестве испытаний и может проводить параллельный набор. В 2025 году компания привлекла $4,9 млн seed-финансирования, а в январе 2026 года была приобретена Hippocratic AI. Решение позволяет пациентам за 5 минут устно ответить на вопросы вместо заполнения многостраничных PDF-форм, что значительно упрощает доступ к клиническим исследованиям и ускоряет разработку новых лекарств.