Поиск

В статье проводится критический анализ методов машинного обучения для предсказания антидиабетических пептидов (ADP), выявляя существенную проблему «разрыва между происхождением и функцией» (provenance-to-function gap). Авторы демонстрируют, что стандартные бенчмарки часто содержат утечку данных из-за случайного разбиения гомологичных последовательностей, что искусственно завышает точность моделей. При переоценке датасета Basith et al. с учетом гомологии (группировка пептидов по предшественникам) корреляция Мэтьюса (MCC) для моделей падала с 0.92-0.96 до 0.39-0.43 при идентичности последовательностей менее 50%, что указывает на сильную зависимость точности от сходства с обучающей выборкой, а не от реального понимания биологической функции. Исследование охватывает 16 других пептидных бенчмарков, показывая, что проблема утечки гомологии является распространенной: в 11 из 14 тестируемых наборов данные фрагментов одного семейства чаще имеют одинаковую метку, чем случайно. Для решения этой проблемы предложен новый базовый уровень ADP-Hybrid, основанный на ансамбле деревьев решений для каждого слоя классификации. Модель ADP-Hybrid достигла MCC 0.843 на первом слое при скорости вывода в 21-38 раз выше, чем у опубликованных ранее архитектур, и 0.801 на втором слое против 0.858 у конкурентов. Работа подчеркивает необходимость строгого контроля гомологии при оценке ИИ-моделей в биоинформатике и предоставляет открытый протокол и наборы данных для воспроизводимых исследований. Результаты имеют критическое значение для разработчиков алгоритмов предсказания биологических активных молекул, так как показывают, что многие заявленные достижения ИИ могут быть артефактом некорректного разделения данных.

В статье представлен новый метод AmyloCore-ML, основанный на машинном обучении и моделях языков белков (Protein Language Models, PLM), для точного предсказания участков, формирующих структурное ядро амилоидных фибрилл. В отличие от предыдущих предикторов, ориентированных на общую склонность к агрегации, данный инструмент фокусируется на резидуальном уровне, идентифицируя конкретные аминокислотные остатки, включенные в экспериментально подтвержденную структуру фибриллы. Для обучения модели использовались данные из базы Amyloid Atlas, где упорядоченные остатки в экспериментальных структурах классифицировались как «ядро», а неопределенные участки тех же белков — как «не-ядро». В качестве признаков применялись физико-химические дескрипторы и эмбеддинги современных PLM (ESM-2, ANKH, ProtT5), причем языковые модели продемонстрировали значительное превосходство над традиционными дескрипторами. Лучшие модели достигли значений AUROC около 0.88 и AUPRC около 0.85, а при полном сканировании белков модель ESM-2/ExtraTrees показала AUROC 0.833 и среднее расстояние до пика в 12.4 аминокислотных остатка. В сравнительном бенчмарке AmyloCore-ML превзошел существующие инструменты CrossBeta и AggrescanAI, обеспечив более высокую точность локализации ядер. Разработанный фреймворк доступен через интерактивный ноутбук Google Colab, что позволяет исследователям проводить предсказания без необходимости локальной установки программного обеспечения или наличия мощных вычислительных ресурсов. Этот инструмент представляет собой значительный шаг вперед в понимании механизмов нейродегенеративных заболеваний, связанных с образованием амилоидов.

Представлен метод SFUMATO (Segmentation-Free Uncertainty Mapping and Analysis of Transcriptomic Organisation) — фреймворк для анализа пространственной транскриптомики, использующий GPU-ускоренную байесовскую вероятностную кластеризацию. В отличие от традиционных методов, присваивающих жесткие метки кластеров, SFUMATO применяет байесовскую гауссову смешанную модель для вычисления апостериорных вероятностей принадлежности каждой пространственной локации к транскрипционным компонентам. Это позволяет визуализировать плавные переходы, смешанные сигналы и неопределенность в границах тканей, что особенно важно для сложных биологических структур. Метод был протестирован на публичных наборах данных 10x Genomics Xenium для мозга мыши и рака молочной железы человека. В исследовании мозга мыши SFUMATO успешно восстановил клеточно-ассоциированную пространственную организацию без предварительной сегментации клеток, сохранив иерархическую согласованность визуализации. В случае рака молочной железы вероятностные карты позволили выявить большую гетерогенность тканей, ассоциированных с DCIS (дуктальной карциномой in situ), и создать семантические маски, согласованные с патологическими областями инвазивного рака. SFUMATO предоставляет компактное и непрерывное представление мультиплексной транскриптомной информации, служа гибким входом для будущих мультимодальных интеграций и последующего анализа.

В статье исследуются фундаментальные проблемы использования теста Вилкоксона для идентификации маркеров типов клеток в данных одноядерной РНК-секвенирования (scRNA-seq). Авторы демонстрируют, что статистика Вилкоксона искусственно зависит от размера кластера: при фиксированном эффекте ранг гена растет с увеличением числа клеток, что делает сравнение результатов между кластерами разного размера некорректным. Анализ трех атласов (легкое, почка, мозг) показал высокую корреляцию (r = 0.90-0.95) между средним баллом Вилкоксона и логарифмом размера кластера. В качестве альтернативы предлагается метод NS-Forest, основанный на классификации, который демонстрирует низкую зависимость от размера кластера (r = 0.10-0.28) и значительно лучшую специфичность маркеров. Медианные доли целевых генов для Вилкоксона составили 0.204 (легкое), 0.166 (почка) и 0.083 (мозг), тогда как для NS-Forest эти показатели были существенно выше: 0.580, 0.687 и 0.364 соответственно. Исследование показывает, что нормализация статистики Вилкоксона не решает проблему низкой специфичности, и рекомендует пересмотреть стандартные подходы к анализу scRNA-seq в биоинформатике.

Компания Prenuvo запустила Исследовательскую сеть для изучения ранних признаков заболеваний с использованием базы данных из более чем 200 000 снимков МРТ всего тела и собственных ИИ-инструментов. Инициатива направлена на создание доказательной базы для превентивной медицины в сотрудничестве с ведущими академическими институтами.

Больница SMRMC установила первую в США КТ-систему Philips Rembra, предназначенную для работы в условиях высокой нагрузки и экстренной помощи. Устройство использует ИИ-оптимизированные рабочие процессы и быструю реконструкцию изображений для сокращения времени сканирования и ускорения клинических решений в неотложных состояниях.

Статья анализирует проблему неструктурированных данных в программе NIH All of Us, указывая, что техническая совместимость (interoperability) решена, но данные остаются нечитаемыми для исследований из-за формата. Подчеркивается, что современные инструменты на основе ИИ и машинного обучения за последние два года значительно улучшили конвертациюmessy-документов в структурированные наборы данных, готовые для анализа.

Компания Parakeet Health привлекла $10 млн в рамках раунда Series A для масштабирования своей ИИ-платформы, которая автоматизирует обработку входящих звонков, факсов и запись пациентов на прием. Платформа использует агентный ИИ для интеграции с электронными медицинскими картами (EHR) и оптимизации рабочих процессов в дерматологии и других медицинских специальностях, что позволяет снижать затраты и улучшать доступность помощи.

Стартап Heidi, специализирующийся на автоматизации медицинской документации, привлек раунд финансирования объемом 340 миллионов долларов. Эти средства будут направлены на расширение функционала платформы за пределы простой транскрипции и структурирования данных в сторону создания полноценного ИИ-помощника (AI care partner) для врачей. Ключевым направлением развития станет внедрение агентных возможностей (agentic capabilities), что подразумевает способность искусственного интеллекта не только анализировать информацию, но и самостоятельно выполнять сложные рабочие задачи в клинической среде. Компания планирует трансформировать свой продукт из инструмента для снижения административной нагрузки в комплексную систему автоматизации рабочих процессов клиницистов. Использование технологий машинного обучения и больших языковых моделей позволит ИИ-ассистенту интегрироваться в рутинные операции, такие как назначение лечения, координация с пациентами и управление медицинскими записями. Это решение направлено на существенное сокращение времени, которое врачи тратят на бумажную работу, позволяя им сосредоточиться на непосредственном уходе за пациентами. Привлечение столь крупного финансирования свидетельствует о высоком доверии инвесторов к потенциалу ИИ-агентов в здравоохранении и их способности решать проблему выгорания медицинских работников. Проект позиционируется как следующий эволюционный шаг в цифровизации клинической практики, переходя от пассивной помощи в документировании к активному участию в принятии медицинских решений.

Компания August AI, ранее работавшая в режиме скрытности (stealth mode) и развивавшая глобальный чат-бот, официально запустила платформу телемедицинских услуг August Care на рынке США. Основной миссией проекта является устранение разрывов в доступе к медицинской информации и качественной помощи, что особенно актуально для регионов с нехваткой специалистов. Платформа August AI, которая уже используется более чем 9 миллионами пользователей по всему миру, остается бесплатной на глобальном уровне, в то время как расширенные телемедицинские услуги доступны в Соединенных Штатах. Использование искусственного интеллекта в чат-боте позволяет автоматизировать первичную консультацию, сбор анамнеза и маршрутизацию пациентов, что существенно снижает нагрузку на медицинский персонал и ускоряет процесс получения помощи. Запуск в США знаменует собой переход от информационного сервиса к полноценному медицинскому продукту, интегрирующему ИИ-диагностику с возможностью связи с врачами. Это решение направлено на демократизацию здравоохранения, предоставляя пользователям доступ к профессиональной медицинской поддержке через удобные цифровые интерфейсы. Успешный опыт работы с 9-миллионной аудиторией служит доказательством востребованности ИИ-решений в сфере первичной медико-санитарной помощи и профилактики заболеваний.

В статье представлен концептуальный анализ самоконтроля диабета в контексте развития цифрового здравоохранения, выполненный с применением методов обработки естественного языка (NLP). Исследователи использовали алгоритмы NLP для систематизации и анализа обширного массива литературных данных, посвященных цифровым инструментам управления диабетом. Методология позволила выявить ключевые концептуальные блоки, такие как мониторинг глюкозы, удаленные консультации и персонализированные вмешательства. Результаты анализа структурировали понимание того, как цифровые технологии трансформируют взаимодействие пациентов с заболеванием. Выделены основные барьеры и возможности внедрения NLP-решений в клиническую практику для улучшения приверженности лечению. Работа демонстрирует потенциал автоматизированного анализа текстов для ускорения синтеза знаний в области телемедицины и цифровых терапевтических решений. Полученные выводы могут быть использованы разработчиками медицинских приложений и исследователями для оптимизации интерфейсов и функционала систем самоконтроля. Статья подчеркивает важность интеграции методов ИИ в мета-анализы для создания более эффективных стратегий лечения хронических заболеваний.

Компания EliseAI, специализирующаяся на решениях в области искусственного интеллекта для здравоохранения, успешно закрыла раунд финансирования объемом $350 миллионов. По итогам раунда оценка компании достигла отметки в $4 миллиарда, что свидетельствует о высоком доверии инвесторов к ее бизнес-модели и технологиям. Финансирование будет направлено на ускорение разработки новых продуктов и расширение возможностей платформы. В июне компания продемонстрировала впечатляющие финансовые результаты, превысив показатель годовой регулярной выручки (ARR) в $200 миллионов. Этот показатель означает удвоение выручки по сравнению с аналогичным периодом прошлого года, что является пятым последовательным годом такого роста. Успешное привлечение значительных инвестиций позволяет EliseAI масштабировать свои ИИ-решения, направленные на оптимизацию клинических процессов и улучшение качества медицинской помощи. Рост выручки подчеркивает высокую востребованность автоматизированных решений в медицинской сфере, где ИИ помогает врачам в принятии решений и административной работе.

В статье рассматривается потенциал применения ИИ для преодоления нехватки кадров и инфраструктуры в сфере психического здоровья в Сомали. Авторы предлагают дорожную карту внедрения, включающую скрининг, телепсихиатрию и аналитику, с акцентом на этические аспекты и необходимость локальной адаптации.

В статье описывается внедрение системы на базе ИИ для автоматической генерации ответов и напоминаний пациентам после трансплантации почки в рамках телемедицинского мониторинга. Система анализирует данные электронных медицинских карт и сообщения пациентов, предлагая варианты ответов, которые врачи могут корректировать или отклонять, что позволило снизить нагрузку на медицинский персонал и повысить эффективность коммуникации.

В статье представлено исследование с использованием моделирования, посвященное применению федеративного обучения (FL) в системах Интернета медицинских вещей (IoMT) для классификации физиологических сигналов и непрерывного мониторинга. Авторы разрабатывают прототип, объединяющий федеративное усреднение, гауссово возмущение обновлений клиентов для обеспечения дифференциальной приватности (DP), а также механизм оценки доверия на уровне устройств и фильтрацию аномальных обновлений по величине градиента. В рамках экспериментальной части рассматривается конвейер классификации электрокардиограмм (ЭКГ), где сравниваются четыре подхода: централизованное обучение, традиционное федеративное обучение, федеративное обучение с дифференциальной приватностью и предложенная конфигурация ZT-FL (Zero-Trust Federated Learning). Результаты показывают, что предложенная конфигурация ZT-FL достигает точности (accuracy) 0.928, показателя F1 0.920 и площади под ROC-кривой (AUC) 0.968. Исследование подтверждает жизнеспособность предложенного подхода в рамках симуляции, однако авторы четко оговаривают, что результаты не устанавливают клиническую валидность, полный учет дифференциальной приватности, всестороннюю устойчивость к состязательным атакам или соответствие регуляторным требованиям. Криптографические и аппаратные компоненты моделируются как накладные расходы, а не реализуются на уровне протоколов.

В данной статье проводится критическая оценка метода GRAPHOS — графово-теоретической框架, использующей машинное обучение для построения сетей корреляций когнитивных задач с целью скрининга дислексии. Исследователи применили этот подход к набору данных Dytective, включающему 3 644 участника (392 с дислексией), и сравнили его производительность с сильными базовыми моделями одиночных классификаторов. Результаты показали, что GRAPHOS не превосходит базовую модель: площадь под ROC-кривой (AUC) составила 0.8881 против 0.8883 у контрольной группы, при этом статистически значимых различий не выявлено (p = 0.989). Более того, анализ выявил серьезное демографическое смещение в данных: prevalence дислексии различался в 4,7 раза в зависимости от родного языка, а использование всего четырех демографических столбцов достигало AUC 0.724, что близко к результату всех 192 метрик задач (0.744). Авторы обнаружили двенадцатикратную разницу в уровне ложноположительных срабатываний между языковыми группами, что указывает на то, что модель учитывает демографические признаки, а не когнитивные паттерны дислексии. Психометрический анализ показал низкую общую дисперсию в выборке (KMO 0.497, альфа Кронбаха 0.171), объясняя, почему графовое представление не добавляет информативности. Статья подчеркивает важность использования согласованных по размеру нулевых моделей и аудита подгрупп при обучении классификаторов на выборках с неравномерным распределением признаков.

В данной статье представлен повествовательный обзор, посвященный применению машинного обучения и искусственного интеллекта для стратификации рисков, скрининга и ведения пациентов с расстройствами, связанными с употреблением алкоголя, опиоидов и каннабиса. Авторы анализируют разрыв между разработкой моделей и их устойчивой клинической реализацией, используя гибридную рамку FAIIR-H и теорию UTAUT для оценки факторов на уровнях данных, клиницистов, пациентов и регуляторики. Обзор выявляет существенные различия в зрелости доказательной базы: для опиоидной зависимости существует более методологически выверенная литература с аудитами на справедливость, тогда как данные по алкоголю гетерогенны, а по каннабису ограничены. Приводятся конкретные примеры внедрения: больничный скринер опиоидов, связанный со снижением вероятности повторной госпитализации на 47% в когорте более 51 000 госпитализаций, и платформа управления рецидивами алкоголизма, продемонстрировавшая снижение риска рецидива до 18% на основе 500 000 пациенто-дней наблюдений. Исследование подчеркивает, что ни для одного вещества пока не доказана успешная реализация как скрининга, так и лечения одновременно, и указывает на влияние стигмы, конфиденциальности (42 CFR Part 2) и цифрового неравенства. Авторы предлагают трехуровневую типологию приложений, показывающую, что нагрузка на доверие пациентов растет с прямотой взаимодействия ИИ с пациентом, и формулируют повестку для внешних валидаций и аудитов справедливости в условиях безопасности.

Представлена обновленная версия платформы BiomiX 3.0, предназначенная для упрощения интеграции мультиомиксных данных неопытными пользователями. В новую версию включены четыре метода интеграции: Similarity Network Fusion (SNF), NEighborhood-based Multi-Omics clustering (NEMO), DIABLO и новый метод PRAMIGO, основанный на гетерогенных графовых трансформерах (HGT). Исследователи провели бенчмаркинг всех пяти методов (включая MOFA) на двух независимых наборах данных: когорта хронического лимфоцитарного лейкоза (CLL) и коорта туберкулеза легких (PTB). Результаты показали, что контролируемые методы (DIABLO, PRAMIGO) обеспечивают лучшую дискриминацию состояний, тогда как неконтролируемые (SNF, NEMO) выявляют альтернативные стратификации пациентов. Анализ выявил 154 общих биологических признака (116 генов, 38 метаболитов) и множество уникальных для каждого метода сигналов, что доказывает необходимость использования нескольких стратегий интеграции. PRAMIGO продемонстрировал уникальную способность моделировать кросс-модальные молекулярные взаимодействия, выявляя специфические пути, такие как регуляция ncRNA и разнообразие иммуноглобулинового репертуара. Платформа решает проблему сложности выбора методов и интерпретации результатов в мультиомиксных исследованиях.

Исследователи из Сеченовского Университета провели клиническое исследование, посвященное оценке эффективности применения голосового искусственного интеллекта для ежедневного дистанционного мониторинга пациентов с сахарным диабетом. В рамках работы был разработан и протестирован ИИ-помощник, способный взаимодействовать с больными на естественном языке, собирать данные о самочувствии, уровне глюкозы и соблюдении рекомендаций, а также предоставлять персонализированные консультации в режиме реального времени. Методология исследования включала сравнительный анализ группы пациентов, использующих ИИ-систему, с контрольной группой, получающей стандартную медицинскую поддержку. Ключевые результаты продемонстрировали статистически значимое улучшение показателей гликемического контроля в экспериментальной группе, а также повышение приверженности пациентов лечению и снижение частоты гипогликемических эпизодов. Искусственный интеллект показал высокую способность выявлять ранние признаки декомпенсации диабета, что позволяет врачам своевременно корректировать терапию. Значимость работы заключается в возможности масштабирования дистанционного мониторинга, снижении нагрузки на медицинский персонал и улучшении качества жизни хронических больных за счет непрерывного цифрового сопровождения. Полученные данные подтверждают перспективность интеграции голосовых AI-ассистентов в рутинную клиническую практику при ведении эндокринных заболеваний.