Поиск

В статье исследуется проблема систематической ошибки (bias) в моделях компьютерного зрения, оценивающих индекс массы тела (ИМТ) по фотографиям лиц. Такие модели предлагают неинвазивную и недорогую альтернативу физическим измерениям, что полезно для телемедицины, неотложной помощи, автоматического самоконтроля и крупномасштабных эпидемиологических исследований. Однако большинство существующих моделей обучаются на правительственных записях, изображениях из социальных сетей и фотографиях знаменитостей, что приводит к смещению выборки и неспособности представлять широкую общественность. Авторы обучили и оценили модели Vision Transformer (ViT-H/14) на парных данных ИМТ и фотографий лиц из четырех коренных популяций: оранг-асли (Малайзия), джу/'хоанси (Южная Африка), сама (Филиппины) и цимане (Боливия). Были сравнены четыре стратегии обучения: от моделей, обученных на одной популяции (фокальные модели), до моделей, обученных на полном объединенном глобальном наборе данных (глобальные модели). Результаты показали, что обучение на данных целевой популяции всегда дает наилучшую точность. Однако когда целевая популяция отличается от обучающей выборки, добавление большего разнообразия в обучение улучшает предсказания для невидимых популяций. Таким образом, обучение на собственных данных популяции оптимально, если такие данные существуют, а обучение на данных, охватывающих широкий спектр морфологии человека, является лучшей альтернативой в противном случае. Эти выводы подчеркивают важность разнообразия обучающих данных для разработки надежных инструментов машинного обучения в здравоохранении, которые могут обобщаться на разные человеческие популяции.

Статья посвящена проблеме оценки надежности предсказаний фундаментальных моделей для анализа одноклеточных данных (single-cell foundation models), которые все чаще применяются для предсказания типов клеток. Авторы отмечают, что на практике такие предсказания часто используются без оценки их достоверности или с применением простого порога к максимальной softmax-вероятности (MSP), что ставит вопрос: можно ли доверять сырым MSP-оценкам на новых (целевых) данных, отличающихся техническими и биологическими вариациями. Для ответа на этот вопрос предлагается система аудита, которая систематически сравнивает доверительные оценки, полученные на обучающем наборе (источнике), с реальностью целевого тестового набора. Исследование демонстрирует, что сырые MSP-оценки принципиально не отражают истинную уверенность при применении к целевым данным. Разлагая разрыв в доверии между источником и целью, авторы показывают, что расхождения возникают из-за комбинации ошибок ранжирования и систематического дрейфа вероятностей. Далее показано, что дрейф может быть успешно откалиброван с использованием небольшого подмножества размеченных целевых данных. Хотя такая перекалибровка повышает надежность автоматического принятия решений, она неизбежно вводит компромисс, увеличивая объем клеток, требующих ручной проверки. В итоге авторы утверждают, что безопасное развертывание этих моделей требует целевой корректировки доверительных оценок с использованием репрезентативных локальных меток.

Статья, опубликованная в npj Digital Medicine 1 сентября 2026 года, рассматривает перспективы и барьеры на пути клинического внедрения пространственной омики и вычислительной патологии в онкологии. Авторы анализируют, как интеграция высокопроизводительных методов пространственного профилирования тканей (таких как пространственная транскриптомика и протеомика) с алгоритмами машинного обучения и глубокого обучения на гистопатологических изображениях открывает новые возможности для точной диагностики, прогнозирования ответа на терапию и выявления новых биомаркеров. В работе обсуждаются ключевые технологические достижения, включая мультимодальные модели, способные объединять морфологическую информацию с молекулярными данными, что повышает точность предсказательных моделей. Особое внимание уделяется проблемам стандартизации протоколов, воспроизводимости результатов, регуляторным требованиям и необходимости валидации на крупных многоцентровых когортах. Авторы подчеркивают, что, несмотря на впечатляющие результаты в исследовательских условиях, для реального клинического применения необходимы совместные усилия патологов, онкологов, специалистов по данным и регуляторных органов. Статья также затрагивает вопросы интерпретируемости моделей ИИ и доверия со стороны врачей, а также экономической эффективности внедрения таких технологий в рутинную практику. В заключение предлагаются конкретные дорожные карты и рекомендации по ускорению перехода от лабораторных разработок к клиническому использованию, что может существенно изменить подходы к лечению рака и персонализированной медицине.

Статья в npj Digital Medicine (опубликована онлайн 1 сентября 2026 года) представляет перспективный анализ применения федеративных фундаментальных моделей (federated foundation models) в биомедицинских сенсорах и медицинской визуализации. Авторы рассматривают, как объединение двух передовых направлений — федеративного обучения (FL) и фундаментальных моделей (FM) — может преодолеть ключевые ограничения современной медицинской ИИ-разработки: дефицит размеченных данных, проблемы конфиденциальности пациентов и фрагментацию данных между учреждениями. В работе обсуждаются архитектурные подходы, включая разделение моделей на глобальные и локальные компоненты, а также стратегии эффективной коммуникации между клиентскими узлами. Особое внимание уделяется вызовам гетерогенности данных с разных устройств (носимые сенсоры, МРТ, КТ, патология) и необходимости стандартизации протоколов. Авторы подчеркивают, что федеративные фундаментальные модели могут обеспечить персонализированную медицину без централизации чувствительных данных, однако отмечают нерешенные вопросы: вычислительные затраты, риск катастрофического забывания и необходимость новых метрик оценки качества. Статья завершается призывом к созданию открытых бенчмарков и междисциплинарному сотрудничеству для ускорения клинического внедрения этой технологии.

С ростом объема медицинских исследований ученым становится все сложнее отслеживать новые открытия. Например, число публикаций, связанных с раком, в базе данных PubMed Национальной медицинской библиотеки более чем удвоилось с 2005 года, согласно данным платформы OncoDaily. Чтобы помочь исследователям ориентироваться в этом огромном массиве данных, некоторые федеральные агентства США внедряют функциональность больших языковых моделей (LLM). В частности, Национальный институт рака (NCI) использовал чат-бот, добавленный в приложение Fellows and Young Investigators (FYI), для онбординга новых сотрудников. Чат-бот помогает им быстрее адаптироваться и находить нужную информацию в исследовательской среде. Статья подчеркивает, что LLM становятся важным инструментом для повышения эффективности научной работы, позволяя автоматизировать рутинные задачи поиска и анализа литературы. Это пример практического применения генеративного ИИ в государственных медицинских учреждениях, который может быть масштабирован на другие области здравоохранения. Использование LLM в качестве «со-пилотов» исследователей открывает новые возможности для ускорения научных открытий и улучшения качества медицинских исследований.

В статье представлена модель CIGMA (Causal-inspired Invariant Graph Matching with multi-view contrastive distillation) для прогнозирования ассоциаций между травами и симптомами в традиционной китайской медицине (ТКМ). Авторы решают проблему ограниченности существующих методов, которые не учитывают причинно-следственные связи и страдают от шума в данных. CIGMA использует инвариантное сопоставление графов, вдохновленное причинностью, чтобы выявлять устойчивые закономерности между травами и симптомами, а также многовзглядную контрастивную дистилляцию для улучшения представлений. Модель интегрирует знания из нескольких графовых перспектив (например, структура симптомов, свойства трав) и применяет контрастивное обучение для дистилляции инвариантных признаков. Эксперименты на реальных наборах данных ТКМ показали, что CIGMA превосходит современные базовые методы по точности прогнозирования (например, AUC и F1-score) и демонстрирует лучшую устойчивость к шуму. Работа имеет практическую значимость для персонализированной медицины и открытия новых лекарственных комбинаций, а также предлагает новый взгляд на применение причинного машинного обучения в медицинских графовых задачах.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из группы Хуана А.Г. Ранеа представляют новый подход к прогнозированию генной компенсации — явления, при котором потеря функции одного гена частично или полностью восполняется другими генами, что критически важно для понимания тяжести наследственных заболеваний и разработки таргетной терапии. Авторы (Федерико Гарсия-Криадо, Хесус Перес-Гарсия, Елена Рохано, Педро Сеоане-Зонхик) применили методы графовых эмбеддингов (graph embedding) для анализа биологических сетей взаимодействий белков и генетических данных. Методология включала построение гетерогенных графов, объединяющих данные о белково-белковых взаимодействиях, экспрессии генов и фенотипических ассоциациях, с последующим обучением моделей машинного обучения (включая node2vec и вариационные графовые автоэнкодеры) для предсказания компенсаторного потенциала генов. Ключевые результаты показали, что предложенный подход достигает AUC 0.87 на валидационных наборах данных, что значительно превосходит традиционные методы на основе гомологии (AUC 0.71) и случайного леса с ручными признаками (AUC 0.78). Модель успешно идентифицировала известные компенсаторные пары генов при таких заболеваниях, как муковисцидоз и мышечная дистрофия, а также предсказала новые кандидатные гены-компенсаторы, требующие экспериментальной проверки. Практическая значимость работы заключается в возможности более точной оценки патогенности генетических вариантов, улучшения генетического консультирования и выявления новых терапевтических мишеней для редких наследственных болезней. Исследование демонстрирует, что графовые методы глубокого обучения способны улавливать сложные топологические закономерности в биологических сетях, недоступные классическим статистическим подходам.

Данный обзор оценивает доказательства систематических обзоров и мета-анализов по применению чат-ботов для лечения психических состояний. Результаты показывают потенциальные краткосрочные преимущества, однако эффективность остается неубедительной из-за неясного риска смещения, отсутствия долгосрочных исследований и сравнений с традиционной терапией. Авторы подчеркивают необходимость дальнейших исследований для улучшения качества коммуникации и безопасности.

В статье представлено смешанное исследование готовности системы здравоохранения Египта к внедрению ИИ. Опрос 387 администраторов и интервью с 18 политиками выявили ключевые барьеры: фрагментированное управление, слабую инфраструктуру, недостаток цифровых навыков и неопределенность регулирования. Авторы подчеркивают необходимость укрепления управления, инфраструктуры и нормативной базы для успешного внедрения ИИ.

Исследование оценивает интерес пациентов к использованию чат-ботов для навигации в системе здравоохранения. Опрос 276 участников показал умеренный общий интерес, при этом наибольший интерес вызывали функции координации ухода, связи с ресурсами и общего образования, а не оценка потребностей или поддержка лечения. Результаты помогут в разработке и маркетинге таких чат-ботов для улучшения доступности навигационных услуг.

В обзоре проанализированы цифровые вмешательства (цифровая терапия, мобильные приложения, телемониторинг) для профилактики сердечно-сосудистых заболеваний. Наиболее сильные доказательства эффективности получены для цифрового управления артериальным давлением с интеграцией домашнего мониторинга, телемониторинга и поддержки приверженности лечению, тогда как цифровые инструменты для дислипидемии пока находятся на стадии вспомогательных mHealth-решений. Успешное внедрение требует интеграции в клинические рабочие процессы, регулирования, возмещения затрат и оценки клинической и экономической ценности.

В статье представлен мини-обзор гибридных архитектур, объединяющих большие языковые модели и vision-трансформеры для медицинской диагностики, с акцентом на радиологию и визуальные вопросы-ответы. Авторы анализируют проблемы внедрения таких систем в условиях низкоресурсного здравоохранения, включая нехватку данных, ограничения памяти и вычислительных мощностей, и предлагают пути решения через параметрически эффективную адаптацию, квантизацию, федеративное обучение и мультиязычную поддержку. Ключевой вывод — необходимость перехода от масштабирования моделей к легковесным, интерпретируемым и аппаратно-ориентированным решениям.

Статья анализирует неравномерное внедрение цифровой патологии (DP) между богатыми и бедными ресурсами, подчеркивая роль ИИ в диагностике и образовании. Авторы предлагают модель взаимных инноваций для ускорения принятия DP, используя сильные стороны обеих сторон. Приводятся примеры из практики, барьеры и политические механизмы для устойчивого масштабирования.

В статье сравниваются 15 архитектур глубокого обучения (сверточные, гибридные и др.) для трехклассовой классификации закодированных последовательностей сайтов сплайсинга. Лучшая точность на тестовой выборке (96,87%) достигнута с помощью Custom CNN, однако авторы подчеркивают, что результаты не являются статистически значимыми и не демонстрируют клиническую применимость.

Статья предлагает основанную на наставничестве структуру для использования ИИ в медицинских диссертациях и ранних научных публикациях, подчеркивая формирование профессиональных навыков, а не только соблюдение требований. Автор вводит три операционных принципа: ось карьерного этапа, правило последовательности (запрет ИИ до первого самостоятельного черновика) и трассировку правок, а также типологию задач для адаптации политики. Основной вывод: раскрытие использования ИИ недостаточно для обучения, необходим надзор супервизора для сохранения когнитивной работы письма.

Представлена структура NEUROCOG-DysNet, которая использует многоуровневое извлечение когнитивных признаков и ансамблевый стеккинг для скрининга дислексии на основе данных геймифицированной платформы Dytective (N=3644). Модель достигает AUC-ROC 0.8924, чувствительности 0.8077 и специфичности 0.8187, демонстрируя потенциал в качестве инструмента первичного скрининга, хотя для клинического применения требуются внешняя валидация и проспективные исследования.

В статье представлен агент DK-LLM, построенный на основе LangChain и встроенной базы медицинских знаний, для решения специализированных вопросов торакальной хирургии. Модель показала улучшение результатов на 11,8 балла по сравнению с версией без локальной базы знаний, но уступила опытным хирургам. Авторы подчеркивают, что оценка на 56 вопросах не подтверждает клиническую эквивалентность или готовность к реальному применению.

Статья представляет TurboQuant-Bio — открытый инструментарий для сжатия весов и кэша внимания геномной фундаментальной модели Evo 2 до 4 бит без калибровочных данных. Это позволяет запускать конфигурацию Evo 2 с 40 миллиардами параметров на одном GPU с 80 ГБ памяти, а версию с 7 миллиардами параметров — с полным контекстом в миллион токенов в пределах 40 ГБ, что дает восьмикратное увеличение достижимого контекста. Сжатие почти без потерь по таким задачам, как перплексия на всем дереве жизни, классификация геномов, предсказание сайтов сплайсинга, завершение генов и клинически значимое предсказание эффектов вариантов. Авторы также обнаружили, что опубликованный путь chunked-prefill в Evo 2 молчаливо некорректен, возвращая правдоподобные, но некоррелированные вероятности, и предложили блочное продолжение, исправляющее эту проблему. Благодаря этому полный геном бактерии размером 580 килобаз теперь оценивается в одном контексте за 22 минуты вместо 13,7 часов. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области геномной диагностики и анализа вариантов.

Статья представляет BloClaw — рабочую станцию для научных исследований с искусственным интеллектом (AI4S), предназначенную для аудируемой вычислительной биологии. Основной принцип системы: научный агент должен знать, что он может делать, показывать, как он это сделал, и указывать, что осталось непроверенным. Каждая функциональная возможность описывает состояние выполнения, ограничения входных данных, зависимости, ожидаемые результаты и научные ограничения. Запросы на естественном языке преобразуются в структурированные задачи, проверяются на соответствие реестру возможностей, выполняются с помощью научных инструментов и записываются в журнал Living Lab Notebook с отслеживанием происхождения данных. Система обнаруживает недопустимые входные данные, сбои вызовов инструментов, отсутствующие зависимости и тайм-ауты, направляя их на исправление, повторную попытку или эскалацию. Реализованный и протестированный функционал включает скрининг молекулярных свойств и правил на основе RDKit, анализ структуры белков, проверку поз докинга, 3D-визуализацию и структурированную отчетность. Демонстрация на структуре осимертиниба из PubChem и артефакте докинга 6LU7 показала детерминированные дескрипторы (молекулярная масса 499.619 Да, cLogP 4.5098, TPSA 87.55 Ų) и 2387 записей атомов белка, 309 остатков и девять записей поз. Авторы подчеркивают, что это демонстрация рабочего процесса, а не исследование эффективности или сродства. Также описана предлагаемая конструктивная модель с минимизацией априорных предположений, где целевая функция компилируется в физические, химические и системные ограничения, а наблюдения используются для калибровки и фальсификации. Описан протокол оценки, сравнивающий BloClaw со стандартным однопроцессным агентом и фиксированными скриптами по полноте задач, научной корректности, успешности восстановления, полноте происхождения, воспроизводимости, времени рецензирования, задержке и стоимости. Система позиционируется как уровень исполнения и подотчетности для ИИ-ассистированных исследований, дополняющий экспертный анализ и экспериментальную валидацию.