Поиск

В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.

Авторы статьи анализируют текущее состояние применения искусственного интеллекта в условиях вооруженных конфликтов, отмечая, что ИИ преимущественно используется для разведки и целеуказания, тогда как его потенциал в поддержке медицинских работников остается недооцененным. В условиях дефицита диагностики, прерванных цепочек рефералов и нестабильной связи гуманитарной медицине необходим проактивный подход к внедрению ИИ, который усиливает клиническое суждение, а не заменяет его. Предлагается двухэтапная модель: ограниченный, основанный на протоколах чат-бот выступает в роли «перейма мили» для структурирования оценки, выявления недостающей информации и генерации стандартных отчетов, а телемедицина служит «второй милей» для обеспечения надзора и ответственности со стороны удаленных специалистов. Безопасное развертывание требует прозрачных протоколов, жестких отказов при выходе за рамки компетенции, минимизации данных, работы в офлайн-режиме и моделирования враждебных угроз для предотвращения двойного использования технологий. Оценка эффективности должна включать локальные симуляции, скрытое развертывание, проспективный мониторинг отклонений и независимый гуманитарный надзор перед широким внедрением. Приоритетом является обеспечение того, чтобы дизайн, управление и оценка ИИ в медицине конфликтов руководствовались безопасностью пациентов, медицинской нейтральностью и локальным участием, ставя технологии на службу человеку, а не военной машине.

В данном исследовании проводится сравнительная оценка эффективности трех больших языковых моделей (LLM) — Claude-Sonnet-4.6, Grok-4 и ChatGPT-5 — в задачах пренатальной диагностики по сравнению с двумя врачами-клиницистами. Для оценки использовался набор из 125 вопросов, взятых из национального стандартизированного квалификационного экзамена по пренатальному ультразвуковому скринингу в Китае. Исследование показало, что общая точность ответов не имела статистически значимых различий между моделями и врачами: главный врач набрал 89,60% (112/125), Claude-Sonnet-4.6 — 85,60% (107/125), Grok-4 — 84,80% (106/125), ChatGPT-5 — 84,00% (105/125), а врач-ординатор — 80,00% (100/125). Однако при детализации по типам вопросов выявились существенные различия: в задачах на основе клинических случаев (n=20) главный врач значительно превзошел все модели (95,00% против 70,00% у лучшей модели, Grok-4), что указывает на пробелы в сложном клиническом рассуждении у ИИ. В последовательных наборах вопросов Grok-4 (95,74%) и главный врач (93,62%) показали лучшие результаты по сравнению с врачом-ординатором (76,60%). Авторы приходят к выводу, что современные LLM могут служить мощными инструментами для расширения знаний, но пока не готовы к автономному выполнению роли клинического рассудителя в такой сложной и этически значимой области, как пренатальная диагностика.

В данном исследовании оценивается способность больших языковых моделей (LLM), в частности ChatGPT-4o и Gemini 3 Pro, точно оценивать транскрибированные симулированные взаимодействия между стандартизированными пациентами и студентами-медиками, а также генерировать полезную нарративную обратную связь. Исследование проводилось в рамках одного центра с участием 12 пар «врач-пациент», где оценки LLM сравнивались с оценками врача-рецензента, использующего золотой стандарт рубрики, включающей 55 элементов сбора анамнеза и 19 элементов презентации случая для оценки диагностического мышления, планирования лечения и консультирования пациентов. Результаты показали высокую степень согласия между LLM и врачом при оценке элементов сбора анамнеза (коэффициент каппы Коэна κ = 0,84–0,89; внутриклассовые коэффициенты корреляции ICC = 0,93–0,97), тогда как согласие при оценке презентации случая было умеренным (κ = 0,62–0,72; ICC = 0,61–0,83). Обе модели сгенерировали подробную, точную и клинически полезную нарративную обратную связь, которая была дополнительно оценена независимыми экспертами. Авторы делают вывод, что LLM могут надежно оценивать симулированные взаимодействия врач-пациент, что открывает возможности для стандартизированной оценки клинической коммуникации в исследовательских целях, улучшении качества медицинской помощи и медицинском образовании. Это исследование демонстрирует практическую применимость ИИ для автоматизации сложного процесса оценки коммуникативных навыков медицинских работников, снижая субъективность и временные затраты на ручную оценку.

Исследование, опубликованное в Nature Machine Intelligence, демонстрирует, что искусственные нейронные сети, обучаемые решению нескольких задач одновременно, спонтанно организуются в специализированные модули. Особое внимание уделено влиянию ограничений вычислительных ресурсов: при их нехватке модульность становится более выраженной, что повышает эффективность обработки информации. Авторы показывают, что инкрементное многозадачное обучение не только усиливает эту модульную структуру, но и приводит к формированию архитектур, которые структурно напоминают организацию нейронных сетей в биологическом мозге. Это открытие имеет фундаментальное значение для понимания принципов работы как искусственного, так и естественного интеллекта, предлагая новые пути для создания более эффективных и биологически правдоподобных моделей машинного обучения. Результаты указывают на то, что модульность является не просто побочным эффектом, а необходимым условием для масштабируемого многозадачного обучения в условиях ограниченных ресурсов. Работа открывает перспективы для разработки новых архитектур ИИ, вдохновленных нейробиологией, что может значительно ускорить прогресс в области общего искусственного интеллекта и когнитивного моделирования.

В статье представлен новый вычислительный фреймворк CryoMV, предназначенный для анализа непрерывной структурной гетерогенности белков с использованием данных криоэлектронной микроскопии (крио-ЭМ). Методология интегрирует моделирование, основанное на структурных приоритетах (используя эталонные карты плотности как якоря), с строгой валидацией на реальных 2D-изображениях частиц. Алгоритм строит кандидаты на пути конформационных переходов, оценивает их поддержку экспериментальными данными через оценку поз частиц и функций контраста, а затем реконструирует поддерживаемые конформации методом обратного проецирования. Исследование демонстрирует высокую надежность и разрешающую способность метода на наборах данных EMPIAR-10516 и EMPIAR-10345. Ключевым преимуществом CryoMV является явный механизм проверки того, сгенерированные ли конформации действительно подтверждаются экспериментальными данными, что позволяет существенно снизить артефакты, вызванные моделями. Этот подход решает проблему высокого уровня шума и размытия движения, характерную для сырых данных крио-ЭМ. Разработка имеет прямое значение для структурной биологии и разработки лекарств, так как позволяет точнее понимать фундаментальные биологические процессы, зависящие от динамики белков. Технология представляет собой значительный шаг вперед в автоматизации и точности анализа непрерывных конформационных изменений макромолекул.

Исследователи представили CardioChrom — специализированную вычислительную платформу на базе искусственного интеллекта, предназначенную для реконструкции данных об эпигеноме сердца (хроматинная доступность и модификации гистонов H3K27ac и H3K27me3) исключительно на основе данных одноядерного транскриптома (RNA-seq). Методология разработки включала обучение моделей на совмещенных наборах данных, где у одних и тех же ядер измерялись и РНК, и эпигеномные маркеры, с последующей строгой валидацией на внешних когортах из 10 доноров и 23 образцов. Результаты показывают, что CardioChrom превосходит базовые контрольные значения и конкурирует с архитектурой Transformer по 6 предопределенным метрикам качества реконструкции, демонстрируя статистически значимое улучшение площади под кривой точности-полноты (AUPRC) на 0.0109 и площади под ROC-кривой на 0.0179 по сравнению со случайным перемешиванием данных. Применение метода к когорте из 43 доноров с сердечной недостаточностью с сохраненной фракцией выброса (HFpEF) позволило выявить 3581 ассоциацию на уровне путей, устойчивую к поправкам на пол и метод leave-one-donor-out. Особое внимание уделено эндотелиальным клеткам, где реконструированные эпигеномные изменения указывают на активацию коагуляции, воспаления, гипоксии и профибротической сигнализации, при этом экспрессия фактора фон Виллебранда и ее регуляторные состояния были последовательно снижены. Генерация гипотез о взаимодействии транскрипционных факторов с регуляторными элементами (TF-cCRE-gene) в эндотелии и фибробластах открывает новые возможности для понимания молекулярных механизмов сердечной недостаточности без необходимости дорогостоящего и трудоемкого эпигеномного профилирования каждого образца. Данный подход демонстрирует высокую значимость для персонализированной медицины и фундаментальных исследований, позволяя извлекать многомерную эпигеномную информацию из уже существующих транскриптомных баз данных.

В статье представлена новая фундаментальная модель ДНК под названием MicroGlot, разработанная специально для анализа микробной геномики. Модель обучена на обширном корпусе из 3,7 миллиона последовательностей, содержащих 378,3 миллиарда нуклеотидов и охватывающих 99 700 видов микроорганизмов. Ключевой особенностью архитектуры является использование гиперболических вложений для кодирования иерархических таксономических связей в сочетании со структурой разреженного смесителя экспертов (sparse mixture-of-experts), что позволяет эффективно интегрировать биологические знания в процесс обучения. Исследователи провели нулевую оценку (zero-shot) встраиваний слоев модели, доказав, что полученные репрезентации не только отражают таксономическую принадлежность, но и кодируют фенотипические признаки организмов. Сравнение с вариантом модели, обученным без учета таксономии, показало, что включение таксономических знаний последовательно улучшает качество репрезентаций на всех слоях нейросети. В тестировании на наборе из 1000 видов, охватывающем основные клеточные домены и вирусные царства, маршрутизирующие отпечатки MicroGlot продемонстрировали более высокую согласованность с таксономическими группами по сравнению с традиционным методом анализа тетра-нуклеотидного состава. Модель демонстрирует лидирующие результаты в задачах нулевого обучения и конкурентоспособные показатели при дообучении (fine-tuning) при низких вычислительных затратах. Разработанная архитектура представляет собой эффективный инструмент для микробной геномики, открывая новые возможности для исследований в области биотехнологий, сельского хозяйства и понимания роли микробиома в здоровье человека.

Обзорная статья, опубликованная в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026), посвящена систематическому обзору эволюции методов искусственного интеллекта в анализе изображений сетчатки глаза — от классических свёрточных нейронных сетей (CNN) до современных фундаментальных моделей (foundation models). Авторы рассматривают ключевые этапы развития: переход от специализированных моделей глубокого обучения, обучаемых на конкретных наборах данных (например, для диагностики диабетической ретинопатии, глаукомы, возрастной макулярной дегенерации), к крупным предобученным моделям, способным решать множество задач офтальмологии с минимальной донастройкой. Особое внимание уделяется проблемам клинической трансляции: обобщаемости моделей между различными популяциями пациентов и типами оборудования, интерпретируемости предсказаний, калибровке уверенности и обеспечению надёжности (trustworthiness) при развёртывании в реальной клинической практике. Статья охватывает вопросы валидации, регуляторных требований и барьеров, препятствующих внедрению ИИ-систем в офтальмологические клиники. Работа представляет интерес для исследователей и клиницистов, занимающихся автоматизированной диагностикой заболеваний сетчатки.

В статье представлен метод Cell-Lens, который решает проблему потери биологической информации при применении больших языковых моделей (LLM) к данным одиночных клеток (single-cell). Традиционные подходы передают в модель лишь короткий отранжированный список генов, что лишает ИИ контекста, так как значимые маркеры могут выпадать из выборки. Cell-Lens использует обучаемое без дообучения (training-free) структурированное представление клетки в виде типизированных блоков, включающих парные измерения и маркер-подтвержденные программы. Метод был протестирован на четырех бенчмарках (CellVerse, SOAR, CellPuzzles, SC-Arena) с использованием пяти семейств моделей и показал улучшение производительности до 27.1 балла. Особый прирост эффективности наблюдается в случаях, когда ключевой РНК-маркер отсутствует в исходном списке, так как парные белковые данные сохраняют необходимый сигнал. Исследователи также создали и опубликовали бенчмарк CellSpectrum, охватывающий восемь источников и семь задач с парными модальностями, где результаты подтвердили устойчивость улучшений. Работа демонстрирует, что оптимизация входного представления данных позволяет значительно повысить качество рассуждений ИИ в биологии без необходимости переобучения самих моделей.

Обзор систематизирует исследования по применению глубокого обучения в диагностике лейкемии, охватывая анализ изображений крови и костного мозга, геномные данные, проточную цитометрию и мультимодальные подходы. Критически оцениваются проблемы обобщаемости моделей, интерпретируемости и клинической применимости, предлагаются направления для будущих исследований включая fusion-подходы и валидацию на внешних датасетах.

Статья исследует проблему смещения (bias) в медицинских визуально-языковых моделях, используемых в радиологии и офтальмологии, где диагностическая производительность приближается к уровню специалистов. Авторы предлагают трёхуровневую таксономию смещений (на уровне данных, выравнивания модальностей и вывода) и показывают, что существующие методы смягчения фрагментированы, а тонкая настройка не устраняет смещения на этапе выравнивания.

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.