Поиск

Предложена объяснимая многомодальная система глубокого обучения для диагностики рака, объединяющая радиологические изображения и клинические данные с использованием внимания. Модель показала превосходство над одно-модальными подходами на наборах данных CBIS-DDSM, Duke Breast Cancer MRI и TCGA, обеспечив баланс между чувствительностью и специфичностью без потери точности.

Исследование представляет собой применение искусственного интеллекта для диагностики метастазов в лимфатических узлах при различных типах рака. Методология основана на квантовании неопределённости (uncertainty quantification) — подходе, который позволяет ИИ-модели оценивать степень уверенности в своих предсказаниях, что критически важно для клинического применения. Пан-онкологический подход означает, что система обучена на данных по множеству онкологических заболеваний одновременно, что повышает её универсальность и снижает необходимость создания отдельных моделей для каждого типа рака. Высокая чувствительность метода указывает на способность выявлять даже небольшие метастатические очаги, что может существенно повлиять на стадию заболевания и выбор терапии. Квантование неопределённости позволяет врачам понимать, когда модель не уверена в своём диагнозе, что снижает риск ложноположительных и ложноотрицательных результатов. Исследование опубликовано в ведущем журнале npj Digital Medicine (издательство Nature), что подтверждает его научную значимость и прохождение рецензирования. Практическая значимость заключается в потенциальном улучшении точности патоморфологической диагностики и снижении нагрузки на патологов при анализе гистологических препаратов.

Исследователи представили Pro2RNA — мультимодальную языковую модель для обратного перевода, которая генерирует кодирующие последовательности мРНК из соответствующих белковых последовательностей с учётом таксономической информации организма-хозяина. Модель интегрирует несколько предобученных языковых моделей: ESM2 для представления белков, SciBERT для понимания таксономии и генеративную РНК-модель для генерации последовательностей на уровне кодонов. Обучение проводилось на парах мРНК-белок из наборов данных эукариот и бактерий, что позволило модели изучить видовые генетические коды и паттерны использования кодонов. Pro2RNA генерирует адаптированные к хозяину и естественные последовательности мРНК, что критически важно для разработки мРНК-вакцин и нуклеиновых терапевтических препаратов. В множественных бенчмарк-оценках Pro2RNA соответствует или превосходит существующие методы оптимизации. Технология решает ключевую проблему — видоспецифичное проектирование оптимальных кодирующих последовательностей для заданного белка. Это открывает возможности для создания более эффективных и безопасных мРНК-терапевтических средств с учётом особенностей организма-хозяина.

Разработан алгоритм TRI_IF на основе глубокого обучения (архитектура Xception) и морфометрического анализа для автоматической количественной оценки интерстициального фиброза почки на гистологических слайдах без ручных аннотаций. Модель продемонстрировала высокую согласованность с оценками нефропатологов (R2=0.86-0.93, Cohen's kappa=0.86-0.91) и точно предсказывала клинические исходы (ЭСКП, снижение СКФ). Подход обеспечивает масштабируемое решение для клинической практики и исследований в нефропатологии.

PATHOS — новая система на основе множественного обучения (MIL) и сегментации для предсказания ответа на неоадъювантную химиотерапию при раке яичников по гистологическим изображениям. Модель выделяет около 10% области слайда как информативную и идентифицирует ключевые патологические признаки, связанные с прогрессией заболевания.

Обзор исследований методов преобразования мульти-омиксных данных в изображения для применения глубокого обучения в классификации заболеваний и поиске биомаркеров. Исследование охватывает работы 2013-2024 годов, показывая точность от 75% до 99% при использовании CNN-моделей. Несмотря на перспективы, сохраняются проблемы переобучения, ограниченной обобщаемости и интерпретируемости.

Исследование с использованием глубокого обучения (ConvNeXt) показало, что диагностическая информация в гистологических изображениях H&E содержится преимущественно в структурных особенностях (оттенки серого), а не в цветовой информации. Модели ИИ могут эффективно работать без цветовой информации, что ставит под сомнение важность цветовой нормализации в диагностических алгоритмах.

Исследователи разработали систему компьютерной диагностики на основе ИИ для обнаружения злокачественных областей при рутинной диагностике гастральной биопсии. Система была обучена на данных из шести учреждений и валидирована на независимом наборе данных из седьмого учреждения. Использование системы улучшило диагностическую чувствительность, особенно для образцов с мелкими и разбросанными злокачественными очагами.

Компания Epic анонсировала на конференции HIMSS новую платформу «agent factory», позволяющую медицинским системам самостоятельно создавать и развертывать ИИ-агенты внутри Epic EHR. Уже выпущены три агента: Penny для задач финансового цикла, Art для помощи клиницистам в документации и кодировании, и Emmie для помощи пациентам с записью и объяснением результатов анализов. Платформа позволяет перепроектировать целые рабочие процессы, охватывающие несколько частей EHR, а не отдельные приложения.

В статье представлен метод машинного обучения (Random Forest) для точного определения точки B на импедансной кардиограмме, что критически важно для неинвазивного гемодинамического мониторинга. Метод значительно превосходит традиционные алгоритмы по точности и устойчивости к помехам, достигая ошибки ниже межэкспертной вариабельности.

В статье описывается система автоматической классификации типов свода стопы (плоскостопие, высокий свод, норма) на основе изображений отпечатков, полученных с помощью матрицы Харриса. Для анализа применяются методы машинного обучения, включая сверточную нейронную сеть (MobileNetV2) и метод опорных векторов (SVM), что позволяет автоматически выявлять патологии, влияющие на осанку и походку.

В статье, опубликованной в журнале npj Digital Medicine 6 октября 2026 года, представлен новый метод применения искусственного интеллекта для усиления фармаконадзора с использованием базы данных сообщений о побочных эффектах FDA (FAERS). Исследование фокусируется на разработке калиброванной модели машинного обучения, способной более точно выявлять и классифицировать потенциальные сигналы о нежелательных лекарственных реакциях, минимизируя уровень ложноположительных результатов. Авторы применяют передовые алгоритмы обработки естественного языка (NLP) для анализа неструктурированных текстовых отчетов, что позволяет извлекать скрытые паттерны и корреляции между препаратами и побочными эффектами, которые часто упускаются при традиционном ручном анализе. Ключевым нововведением является внедрение механизма калибровки вероятностей, который обеспечивает надежную оценку неопределенности предсказаний модели, что критически важно для принятия клинических решений и регуляторных выводов. Результаты демонстрируют значительное улучшение показателей точности и полноты (precision и recall) по сравнению с существующими базовыми методами, что подтверждает эффективность подхода в реальных условиях мониторинга безопасности лекарств. Данный инструмент может быть интегрирован в рабочие процессы регуляторных органов и фармацевтических компаний для ускорения выявления рисков и повышения качества данных о безопасности препаратов на этапе постмаркетингового наблюдения.

Авторы разработали интерпретируемую модель scTIME, которая преобразует данные транскриптомики одиночных клеток в баллы для массовых образцов, чтобы прогнозировать ответ на иммунотерапию при немелкоклеточном раке легкого. Модель на базе алгоритма ElasticNet достигла ROC-AUC 0.810, выявив ключевые иммунные программы, связанные с ответом на лечение. Исследование демонстрирует потенциал многоомного подхода для разработки прозрачных биомаркеров без опоры на единичные пути.

Статья описывает фреймворк для мониторинга беременных, использующий агентный ИИ и модели градиентного бустинга для оценки рисков сердечно-сосудистых и метаболических заболеваний в реальном времени. Система интегрирует телеметрию и данные от пациентов, используя LLM (Google Gemini) для структурирования выводов и маршрутизации пациентов, что позволяет снизить усталость от оповещений у врачей. Результаты симуляции показывают высокую точность, но требуется клиническая валидация.

В статье представлен обзор 68 исследований, посвященных использованию анализа голоса и речи для выявления маркеров психических расстройств, преимущественно депрессии. Авторы оценивают готовность этих технологий к клиническому применению, отмечая низкий уровень внешней валидации и ограниченность данных по естественным условиям сбора речи. Работа подчеркивает необходимость улучшения методологии для перевода кандидатов в биомаркеры в реальные клинические практики.

В статье, опубликованной в Nature Machine Intelligence 1 октября 2026 года, представлена концепция нового глубокого исследовательского агента DeepEvidence, который меняет парадигму биомедицинских открытий. Авторы подчеркивают, что современным ограничивающим фактором в науке является не нехватка данных, а сложность их интеграции и интерпретации. В отличие от традиционных систем, которые просто извлекают факты, DeepEvidence строит явные репрезентации научных доказательств, обеспечивая более глубокое понимание контекста. Этот подход позволяет агенту не просто искать информацию, а проводить активное исследование и синтез данных, выявляя скрытые связи между различными источниками. Использование глубокого обучения для моделирования доказательной базы открывает новые возможности для ускорения биомедицинских исследований и принятия клинических решений. Технология демонстрирует высокий потенциал для автоматизации сложных аналитических задач, требующих критического осмысления огромных массивов научной литературы. Внедрение таких систем может существенно сократить время от открытия до внедрения новых методов лечения в практику.

Обзорная статья рассматривает применение ИИ в гастроэнтерологической эндоскопии для обнаружения неопластических и преднеопластических поражений, критикуя фокус на диагностической точности в ущерб оценке клинических исходов и экономической эффективности. Авторы предлагают использовать стохастические микросимуляционные модели для оценки стоимости-эффективности и подчёркивают незаменимую роль человека как связующего звена между технологическими инновациями и реальным клиническим результатом.

В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология многокритериальной оценки неопределенности (uncertainty estimation) для систем искусственного интеллекта, применяемых в дерматологии. Основной целью работы является повышение надежности алгоритмов глубокого обучения при обнаружении сдвигов распределения данных (distribution shift detection), что критически важно для безопасного внедрения ИИ в клиническую практику. Авторы разработали подход, который позволяет модели не только классифицировать кожные новообразования на злокачественные и доброкачественные, но и точно оценивать степень своей уверенности в каждом предсказании. Использование нескольких критериев неопределенности помогает системе выявлять случаи, выходящие за рамки обучающей выборки, предотвращая ошибочные диагнозы на атипичных или редких примерах. Результаты показывают значительное улучшение показателей чувствительности и специфичности по сравнению с традиционными методами, что напрямую влияет на безопасность пациентов. Данный подход решает одну из главных проблем ИИ в медицине — проблему «черного ящика» и доверия к предсказаниям модели в условиях изменчивости реальных клинических данных. Исследование демонстрирует, что интеграция оценки неопределенности является необходимым шагом для создания надежных систем поддержки принятия врачебных решений в онкодерматологии.