Поиск

В статье представлен обзор состояния клинического ИИ в 2026 году, основанный на отчете ARISE. Анализируются прогресс в области больших языковых моделей, методов оценки, интеграции в рабочие процессы и приложений для пациентов, а также выявляются ключевые проблемы, такие как нехватка проспективных испытаний и риски автоматизации.

В статье представлен систематический обзор исследований 2020–2026 годов, посвященных применению ИИ, глубокого обучения и генеративных моделей для диагностики остеопороза и прогнозирования переломов. Авторы анализируют эффективность методов, включая объяснимый ИИ (XAI) и мультимодальное обучение, и выявляют ключевые пробелы в валидации и регуляторной готовности. На основе анализа предлагается новая архитектура MXGNet для создания клинически применимых и интерпретируемых инструментов.

В статье предлагается метод PEAT для точной сегментации почек и почечных опухолей на КТ-снимках, объединяющий фундаментальные модели (MedSAM) с задачами конкретного домена. Метод достигает высоких показателей Dice (97.69% для почек и 91.83% для опухолей на датасете KiTS21), превосходя существующие подходы за счет использования предварительных знаний и эффективного механизма внимания.

В статье предложен новый гибридный метод LCCSE-IPCNN-ViT, объединяющий улучшенную параллельную сверточную нейронную сеть (IPCNN) и Vision Transformer (ViT) для классификации рака легкого и оценки его стадии. Модель демонстрирует высокую точность (97,3%) и чувствительность (97,8%), превосходя существующие методы по скорости и снижению ложноположительных срабатываний, что делает её перспективной для ранней диагностики.

Статья предлагает новую модель EMSSTGAN на основе графовых сетей внимания для автоматического измерения толщины воротникового пространства (NT) на УЗИ. Метод включает предварительную обработку изображений, сегментацию области NT и точное измерение толщины для оценки риска хромосомных аномалий, достигая точности 98,15%. Это решение устраняет субъективность ручного измерения и повышает надежность ранней диагностики.

В исследовании, опубликованном в журнале npj Digital Medicine 3 октября 2026 года, представлена новая интерпретируемая система диагностики на основе УЗИ молочных желез, использующая мультимодальный подход с поиском с дополнением (Retrieval Augmented Generation, RAG). Методология включает интеграцию визуальных данных УЗИ с текстовыми клиническими контекстами для повышения точности и прозрачности решений искусственного интеллекта. Система прошла многонациональную клиническую валидацию, что подтверждает её надежность в различных демографических и технических условиях. Ключевым элементом является проведение исследования с участием врачей-радиологов, где ИИ-ассистент сравнивался с экспертной оценкой, демонстрируя значительное улучшение чувствительности и специфичности диагностики. Результаты показывают, что внедрение интерпретируемых ИИ-моделей позволяет не только повысить точность выявления патологий, но и обеспечить доверие со стороны медицинского персонала за счет объяснимости выводов. Это исследование закладывает основу для клинического внедрения мультимодальных ИИ-систем в рутинную практику маммологии и УЗИ-диагностики.

Leica Biosystems интегрировала два ИИ-продукта от Tempus (Paige PanCancer Detect и Paige Prostate) в свою платформу Aperio AI Store для цифровой патологии. Эти инструменты предназначены для исследований, помогая выявлять подозрительные области при более чем 40 типах рака и оценивать особенности рака простаты на основе гистологических изображений.

Компания DreaMed Diabetes получила одобрение FDA для приложения MODI, которое использует алгоритмы для автоматической оптимизации дозировок инсулина у пациентов с диабетом 2 типа, сочетающих базальную терапию и множественные инъекции. Система анализирует данные непрерывного мониторинга глюкозы (CGM) и предоставляет персонализированные рекомендации по дозам, что позволяет чаще корректировать терапию без необходимости ручного одобрения каждого изменения врачом.

В исследовании, опубликованном в Nature Machine Intelligence, авторы Ли и Лай представляют инновационный подход к решению фундаментальной проблемы вычислительного дизайна лекарств: генерируемые алгоритмами молекулы часто оказываются химически несинтезируемыми. Для решения этой задачи они применили большие языковые модели (LLM), обученные предсказывать точные структурные правки, необходимые для превращения гипотетической молекулы в реально существующую. Методология основана на использовании LLM не для генерации с нуля, а для итеративного редактирования существующих структур, что позволяет сохранять ключевые фармакологические свойства исходного соединения. Результаты показывают, что предложенный подход превосходит традиционные методы оптимизации синтезируемости по эффективности и точности. Исследование демонстрирует высокую значимость ИИ-подходов для ускорения доклинических этапов разработки препаратов, сокращая время и затраты на синтез перспективных кандидатов. Данный метод открывает новые возможности для интеграции ИИ в рутинные рабочие процессы фармацевтических компаний.

В исследовании, опубликованном в журнале npj Digital Medicine 24 сентября 2026 года, представлен новый подход к лечению легкого когнитивного нарушения (ЛКН) с использованием каузального обучения с подкреплением (Causal Reinforcement Learning). Авторы предлагают метод, который не только предсказывает эффективность вмешательств, но и учитывает причинно-следственные связи между состоянием пациента и результатами терапии, что позволяет динамически адаптировать план лечения. В отличие от стандартных алгоритмов машинного обучения, данный подход минимизирует смещение, возникающее из-за непостоянства стратегий назначения лечения в реальных клинических данных. Исследование демонстрирует, как ИИ-система может персонализировать дозировки и частоту когнитивных тренировок для каждого пациента, максимизируя долгосрочные улучшения когнитивных функций. Ключевые результаты показывают значительное превосходство предложенного метода над традиционными алгоритмами обучения с подкреплением и статическими протоколами лечения в стабилизации когнитивных показателей. Это открытие имеет высокую значимость для практики, так как предлагает инструмент для создания истинно персонализированной медицины в неврологии и геронтологии. Методология включает анализ больших массивов клинических данных с применением структурных каузальных моделей, интегрированных в цикл обучения с подкреплением. Работа открывает путь к созданию автономных систем поддержки принятия врачебных решений для хронических нейродегенеративных состояний.

В статье, опубликованной в журнале npj Digital Medicine 24 сентября 2026 года, рассматривается применение технологий защиты конфиденциальности (Privacy-Enhancing Technologies, PETs) для создания этичного и справедливого искусственного интеллекта в глобальном здравоохранении. Авторы подчеркивают, что традиционные подходы к обучению моделей ИИ часто усугубляют неравенство из-за фрагментации данных и рисков нарушения конфиденциальности пациентов. В работе подробно анализируются такие методы, как федеративное обучение, гомоморфное шифрование и дифференциальная приватность, которые позволяют обучать алгоритмы на распределенных наборах данных без их централизации и раскрытия исходной информации. Исследование демонстрирует, что интеграция PETs снижает барьеры для международного сотрудничества в области медицинских данных, обеспечивая соблюдение строгих нормативных требований, таких как GDPR и HIPAA. Ключевые результаты показывают, что использование этих технологий сохраняет высокую точность диагностических моделей ИИ, сопоставимую с традиционными методами, одновременно гарантируя безопасность персональных данных. Статья также предлагает дорожную карту для внедрения PETs в клиническую практику, акцентируя внимание на необходимости стандартизации протоколов и межведомственного взаимодействия. Значимость работы заключается в том, что она предлагает техническое и этическое решение для преодоления «цифрового разрыва» в здравоохранении, позволяя странам с разным уровнем развития IT-инфраструктуры участвовать в глобальных исследованиях на основе ИИ. Это открывает путь к созданию более инклюзивных и репрезентативных медицинских алгоритмов, способных эффективно работать в разнообразных демографических и географических условиях.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методика автоматизированной количественной оценки и трехмерной визуализации острой травмы спинного мозга шейного отдела позвоночника с использованием данных магнитно-резонансной томографии (МРТ). Авторы разработали алгоритмы искусственного интеллекта и машинного обучения для обработки многопоследовательных МРТ-сканов, что позволяет не только точно определять локализацию и степень повреждения, но и создавать детализированные 3D-модели пораженных участков. Методология включает автоматическое сегментирование тканей спинного мозга и выделение патологических изменений на различных последовательностях сканирования, что значительно превосходит традиционные ручные методы оценки по скорости и воспроизводимости. Ключевые результаты демонстрируют высокую точность алгоритмов в дифференциации типов травм и оценке объема повреждения, что критически важно для прогнозирования исходов лечения и планирования хирургических вмешательств. Внедрение данной технологии в клиническую практику способно сократить время диагностики, минимизировать субъективность оценки радиологов и улучшить коммуникацию между специалистами благодаря наглядной 3D-визуализации. Исследование подчеркивает значимость применения ИИ в нейрорадиологии для повышения качества помощи пациентам с острыми травмами спинного мозга.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, проводится комплексная многоплатформенная оценка эффективности современных систем искусственного интеллекта при поиске клинических доказательств. Авторы анализируют наличие «слепых зон» — пробелов в результатах поиска, которые могут привести к неполному или искаженному пониманию медицинской проблемы. Особое внимание уделяется оценке риска предвзятости (risk-of-bias) в данных, возвращаемых различными ИИ-платформами, что критически важно для принятия обоснованных клинических решений. Исследование выявляет систематические ошибки в алгоритмах ретrieveval, которые могут упускать ключевые исследования или включать материалы низкого качества. Результаты подчеркивают необходимость строгой валидации ИИ-инструментов перед их внедрением в клиническую практику и доказательную медицину. Работа служит важным руководством для разработчиков медицинских ИИ-систем и клиницистов, использующих автоматизированный поиск литературы. Авторы предлагают рекомендации по минимизации рисков предвзятости и улучшению полноты поиска в будущих версиях программного обеспечения.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена инновационная мобильная платформа Strabismus-Net, предназначенная для автоматизированной диагностики косоглазия на основе стандартных фотографий глаз. Архитектура приложения базируется на передовой нейросетевой модели, использующей механизм двухпоточного кросс-внимания (dual-stream cross-attention) для глубокого анализа микровыражений и выравнивания зрачков, а также метод адаптивного агрегирования признаков для повышения точности классификации типов косоглазия. Система обрабатывает изображения, сделанные в девяти различных направлениях взгляда, что позволяет учитывать сложные паттерны отклонения глазных яблок и снижает вероятность ложноположительных результатов, характерных для однокадровых систем. Ключевым преимуществом разработки является интеграция мощных алгоритмов компьютерного зрения непосредственно в мобильное приложение, что делает инструмент доступным для использования в условиях амбулаторного приема или даже в домашних условиях без необходимости в дорогостоящем специализированном оборудовании. Результаты тестирования демонстрируют высокую чувствительность и специфичность модели, сопоставимые с оценками опытных офтальмологов, что подтверждает клиническую значимость предложенного подхода. Внедрение такого решения способно существенно ускорить первичный скрининг пациентов, особенно в регионах с нехваткой узких специалистов, и способствовать раннему выявлению нарушений зрительной функции у детей и взрослых.

В статье представлена новая архитектура искусственного интеллекта FairEnc, предназначенная для диагностики глаукомы на основе анализа медицинских изображений. Модель базируется на парадигме vision-language (визуальный язык), где ключевой инновацией является внедрение специализированных кодировщиков для визуальных и текстовых данных, обеспечивающих справедливость (fairness) предсказаний. Исследователи акцентируют внимание на устранении смещений (bias) в алгоритмах, которые часто возникают из-за неравномерного распределения данных по демографическим группам. Методология включает совместное обучение кодировщиков для достижения высокой точности при одновременном обеспечении эгалитарного отношения к разным подгруппам пациентов. Результаты демонстрируют значительное улучшение метрик справедливости по сравнению с существующими базовыми моделями, сохраняя при этом высокую диагностическую точность. Это исследование имеет критическое значение для клинической практики, так как позволяет создавать более надежные и этичные системы поддержки врачебных решений. Внедрение таких моделей может снизить риск ошибочных диагнозов для уязвимых групп населения и повысить доверие к ИИ-технологиям в офтальмологии.

В статье представлен новый фреймворк BenSParX, разработанный для автоматизированного выявления болезни Паркинсона на основе анализа акустических характеристик разговорной речи на бенгальском языке. Исследование решает важную проблему нехватки данных и моделей для немаргинализированных языков, применяя передовые методы машинного обучения к лингвистическим особенностям бенгальской диаспоры. Авторы использовали набор данных, включающий записи речи пациентов с подтвержденным диагнозом и здоровых контрольных групп, извлекая такие признаки, как мел-кепстральные коэффициенты, интонационные паттерны и темп речи. Ключевой особенностью системы является интеграция методов объяснимого ИИ (XAI), что позволяет врачам понимать, какие именно акустические параметры повлияли на решение алгоритма, повышая доверие к диагностике. Модель продемонстрировала высокую точность классификации, превосходя традиционные методы анализа речи, и показала устойчивость к шуму и вариациям в произношении. Результаты исследования подтверждают потенциал использования доступных технологий анализа речи для скрининга нейродегенеративных заболеваний в регионах с ограниченным доступом к специализированной медицинской помощи. Работа вносит вклад в развитие персонализированной медицины и цифровых биомаркеров для неврологии.

В статье представлена новая архитектура глубокого обучения DMNet-E, специально разработанная для задачи автоматической сегментации атеросклеротических бляшек на изображениях внутрисосудистой оптической когерентной томографии (IVOCT). IVOCT является высокодетализированным методом визуализации, позволяющим оценивать морфологию бляшек, однако ручная разметка таких данных требует значительных временных затрат и подвержена субъективности. Авторы предлагают двухэтапную стратегию сегментации, использующую множественные декодеры для одновременного выделения ключевых структур: липидных кил, фиброзной ткани и кальцификации. Методология включает предварительную обработку изображений для снижения шума и улучшения контрастности, за которой следует многопоточная нейросетевая обработка, оптимизированная для учета гетерогенности тканей сосудов. Исследование демонстрирует высокую точность алгоритма, превосходящую существующие методы сегментации по метрикам Dice Similarity Coefficient (DSC) и Hausdorff Distance. Результаты показывают, что DMNet-E способен надежно идентифицировать сложные структуры бляшек, что критически важно для оценки риска разрыва и планирования интервенционных процедур. Внедрение данной системы может существенно ускорить клинический анализ IVOCT-данных, обеспечивая стандартизированную и объективную оценку риска сердечно-сосудистых событий. Работа опубликована в ведущем журнале по медицинскому ИИ, что подтверждает ее научную значимость и потенциал для интеграции в клиническую практику.

В статье представлен новый метод глубокого обучения для классификации сигналов электроэнцефалографии (ЭЭГ), основанный на концепции переноса знаний между различными пользователями (cross-subject). Основная проблема, решаемая исследователями, заключается в высокой индивидуальной вариабельности ЭЭГ-сигналов, что требует длительной калибровки системы для каждого нового пользователя. Авторы предлагают архитектуру, использующую дискриминатор домена Вассерштейна для выравнивания распределений данных от разных субъектов в общем пространстве признаков. Методология включает извлечение глубоких представлений из сырых сигналов ЭЭГ с последующим применением оптимального транспорта для минимизации расстояния Вассерштейна между источниками и целевыми доменами. Это позволяет модели обобщать знания, полученные на данных одного пользователя, на данные другого без необходимости повторной калибровки. Исследование демонстрирует высокую точность классификации моторной воображаемой деятельности (motor imagery), что критически важно для разработки надежных интерфейсов «мозг-компьютер» (BCI). Результаты показывают, что предложенный подход превосходит существующие методы доменного выравнивания по стабильности и производительности на различных наборах данных ЭЭГ. Работа имеет значительный потенциал для применения в реабилитации и управлении протезами, где быстрая настройка системы является ключевым фактором.

В исследовании, опубликованном в декабре 2026 года в журнале Artificial Intelligence in Medicine, представлена новая методология предсказания биологического возраста мозга на основе концепции свободных прототипов (free-prototype modeling). Авторы, включая исследователей из инициативы Alzheimer’s Disease Neuroimaging Initiative (ADNI) и австралийского исследования Australian Imaging Biomarkers and Lifestyle, предлагают подход, который позволяет создавать динамические возрастные атласы мозга, адаптируясь к индивидуальным вариациям старения. Методология использует нейросетевые архитектуры для обучения представлений, которые не жестко привязаны к фиксированным возрастным группам, что повышает точность оценки отклонений от нормы. Ключевая значимость работы заключается в улучшении ранней диагностики нейродегенеративных заболеваний, таких как болезнь Альцгеймера, путем более точного выявления аномального старения мозга на ранних стадиях. Исследование демонстрирует, что использование свободных прототипов позволяет лучше улавливать нелинейные паттерны старения по сравнению с традиционными регрессионными моделями. Результаты показывают высокую корреляцию между предсказанным возрастом мозга и клиническими маркерами когнитивного снижения, что делает метод перспективным инструментом для клинической практики. Работа вносит вклад в развитие персонализированной медицины, предлагая более чувствительные инструменты мониторинга здоровья нервной системы. Это исследование подчеркивает важность применения передовых методов глубокого обучения в нейровизуализации для улучшения прогностической ценности биомаркеров старения.