Поиск

В данной систематическом обзоре, опубликованном в журнале Artificial Intelligence in Medicine в декабре 2026 года, рассматривается эволюция методов глубокого обучения, применяемых в традиционной китайской медицине для диагностики по состоянию языка. Авторы анализируют переход от классических архитектур, таких как сверточные нейронные сети (CNN), к современным большим базовым моделям (foundation models), способным обрабатывать сложные мультимодальные данные. Исследование охватывает ключевые этапы развития алгоритмов, их применение для классификации паттернов языка, извлечения признаков и повышения точности диагностики. Особое внимание уделяется преимуществам больших моделей в контексте обобщения знаний и работы с ограниченными наборами медицинских данных. Обсуждаются технические вызовы, связанные с интерпретируемостью нейросетевых решений и необходимостью валидации в клинических условиях. Результаты обзора демонстрируют значительный потенциал интеграции передовых ИИ-технологий в практику восточной медицины для создания более объективных и автоматизированных систем поддержки врачебных решений. Статья служит важным ориентиром для исследователей, работающих на стыке искусственного интеллекта и традиционной медицины.

В данном исследовании представлена новая архитектура для автоматической сегментации опухолей печени на медицинских изображениях, основанная на адаптации фундаментальной модели Segment Anything Model (SAM). Авторы интегрировали в базовую модель методы контрастной многообразной регуляризованной самообучающейся разметки (SSL), что позволяет эффективно использовать большие объемы неразмеченных данных для улучшения обобщающей способности нейросети. Дополнительно внедрен механизм промптов на базе архитектуры YOLO, который значительно повышает точность локализации интересующих областей, устраняя типичные для SAM проблемы с детекцией мелких или атипичных структур. Методология сочетает преимущества предобученных фундаментальных моделей с доменно-специфической оптимизацией, что критически важно для задач медицинской визуализации, где качество данных часто ограничено. Исследование демонстрирует высокую эффективность предложенного подхода в условиях нехватки размеченных клинических данных, обеспечивая надежную сегментацию патологий печени. Результаты работы подтверждают значительный потенциал гибридных ИИ-систем для поддержки радиологов в диагностике онкологических заболеваний. Разработка направлена на снижение субъективности оценки и ускорение обработки медицинских изображений в клинической практике.

В статье представлен новый алгоритм управления для медицинских роботизированных систем, объединяющий методы обучения с подражанием (Imitation Learning) и глубокого обучения с подкреплением (Deep Reinforcement Learning). Целью разработки является повышение точности и безопасности МРТ-направляемой трансуретральной ультразвуковой аблации, процедуры, используемой для лечения заболеваний предстательной железы и других органов малого таза. Авторы предлагают архитектуру, где ИИ-контроллер обучается на данных экспертных действий (подражание), а затем оптимизирует свои действия в симулированной среде с учетом ограничений безопасности и эффективности. Валидация проводилась на компьютерных симуляциях и физических фантомах, имитирующих анатомические структуры пациента. Результаты демонстрируют высокую точность позиционирования ультразвукового излучателя и способность системы адаптироваться к изменениям в реальном времени, что критически важно для минимизации повреждения здоровых тканей. Исследование подтверждает жизнеспособность применения сложных ИИ-методов в хирургических робототехнических системах, работающих в условиях жестких ограничений визуализации (МРТ). Работа закладывает основу для будущих клинических испытаний, потенциально улучшая исходы малоинвазивных вмешательств.

В статье представлена новая генеративная ИИ-система DentalGEN, предназначенная для автоматизации процесса восстановления зубных коронок в стоматологии. Методология исследования включает разработку крупномасштабной контролируемой генеративной модели, способной создавать точные цифровые модели реставраций на основе входных данных. Ключевые результаты демонстрируют высокую эффективность системы в генерации анатомически корректных и функциональных коронок, что существенно сокращает время, необходимое стоматологам-техникам. Значимость для практики заключается в потенциальном снижении затрат на производство реставраций и повышении доступности качественной стоматологической помощи за счет автоматизации рутинных этапов. Исследование подчеркивает возможности применения генеративного искусственного интеллекта в узкоспециализированных медицинских областях, выходящих за рамки традиционной диагностики. Система способна обрабатывать сложные случаи, обеспечивая при этом стабильно высокое качество результатов, сопоставимое с работой опытных специалистов. Это открывает новые перспективы для интеграции ИИ в клиническую практику и цифровое производство в стоматологии.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена и валидирована модель машинного обучения, предназначенная для предоперационного прогнозирования риска развития некупируемой гипоксемии у пациентов, подвергающихся повторным хирургическим вмешательствам на легких. Некупируемая гипоксемия является тяжелым послеоперационным осложнением, значительно повышающим смертность и продолжительность госпитализации, поэтому раннее выявление групп высокого риска критически важно для планирования тактики ведения пациента. Модель обучалась на основе клинических данных, включающих демографические показатели, результаты визуализации, лабораторные тесты и историю предыдущих операций, с целью выявления сложных нелинейных зависимостей, которые трудно уловить традиционными статистическими методами. В ходе валидации алгоритм продемонстрировал высокую прогностическую способность, превосходя стандартные клинические шкалы по чувствительности и специфичности, что позволяет анестезиологам и хирургам заранее адаптировать стратегии вентиляции легких и подготовки к операции. Внедрение данного инструмента в клиническую практику может способствовать снижению частоты тяжелых осложнений, оптимизации использования ресурсов отделений интенсивной терапии и улучшению общих исходов лечения для пациентов с патологией легких, требующих повторных вмешательств. Исследование подчеркивает значимость применения методов искусственного интеллекта для персонализации предоперационной оценки и принятия клинических решений в торакальной хирургии.

В статье представлена новая полуобучаемая нейросетевая архитектура, предназначенная для улучшения качества визуализации вентиляции легких на основе 4D компьютерной томографии (КТ). Методология основана на двойном механизме внимания, который одновременно учитывает динамические изменения анатомии органов дыхания и движения тканей во время дыхательного цикла. Использование полуобучаемого подхода позволяет эффективно использовать как размеченные, так и большие объемы неразмеченных данных, что критически важно в медицинской визуализации, где получение точных экспертных меток затруднено. Исследование демонстрирует, что интеграция информации о движении и анатомической структуре в единую сеть повышает точность регистрации изображений и снижает артефакты, возникающие при деформации тканей. Ключевые результаты показывают значительное улучшение метрик сходства изображений и согласованности векторов смещения по сравнению с существующими методами, что напрямую влияет на надежность клинических выводов. Данный подход имеет высокую значимость для практики, так как позволяет более точно оценивать региональную функцию легких, что необходимо для планирования лучевой терапии при онкологии легких и мониторинга прогрессирования заболеваний. Разработка решает одну из ключевых проблем медицинской физики — необходимость точного сопоставления анатомических структур в разные фазы дыхания без избыточных вычислительных затрат.

В исследовании оценивалась диагностическая эффективность офлайн-системы на базе искусственного интеллекта, интегрированной в смартфон-офтальмоскоп Remidio Fundus on Phone, для выявления диабетической ретинопатии (ДР) в условиях ограниченных ресурсов. Проспективное исследование проведено в амбулаторном отделении Медицинского центра имени Джона Ф. Кеннеди в Монровии, Либерия, с участием 1612 взрослых пациентов. Золотым стандартом служила оценка изображений двумя офтальмологами согласно классификации ICDR, при этом ИИ-алгоритм работал автономно без подключения к интернету. Среди 1198 участников с качественными снимками ИИ выявил 10 из 11 случаев реферальной ДР, что обеспечило чувствительность 90,9% (95% ДИ: 58,7%–100%). Специфичность алгоритма составила 99,7% (95% ДИ: 99,1%–99,9%) при классификации пациентов без реферальной патологии. Положительная прогностическая ценность составила 71,4%, а отрицательная — 99,9%, что подтверждает высокую надежность исключения заболевания. Результаты демонстрируют высокую жизнеспособность использования портативных ИИ-решений для скрининга ДР в странах с низким уровнем дохода, где доступ к специалистам ограничен. Данное исследование вносит важный вклад в развитие телемедицины и доступности офтальмологической помощи в глобальном масштабе.

В данном ретроспективном исследовании разработана и валидирована модель машинного обучения VARM-7 (Valencia At-Risk MASH) для неинвазивного выявления лиц с риском метаболического дисфункционного стеатогепатита (MASH). Модель обучалась на выборке из 2267 пациентов с использованием алгоритмов Random Forest и XGBoost, применяя 10-кратную перекрестную проверку. В качестве целевых показателей использовались данные вибрационной контролируемой трансэластографии (VCTE): параметр затухания (CAP) ≥ 275 дБ/м, жесткость печени (LSM) > 8 кПа и/или индекс FAST > 0.35. Итоговая модель VARM-7 включает возраст и шесть стандартных лабораторных показателей. При независимой валидации VARM-7 продемонстрировала значительное превосходство над традиционным индексом FIB-4: площадь под ROC-кривой (AUROC) составила 0.84 против 0.64 (p < 0.001). Применение модели к базе данных общественного здравоохранения Валенсии (более 3.4 млн человек) показало, что 11.7% общей популяции имеют риск MASH, а среди пациентов с ожирением и сахарным диабетом 2 типа этот показатель достигает 29.4% и 44.0% соответственно. Результаты подтверждают высокую эффективность ИИ-подхода для скрининга и оптимизации маршрутизации пациентов, хотя требуется внешняя валидация перед внедрением в клиническую практику.

В статье представлена новая модель SMCL-DTA, предназначенная для предсказания аффинности взаимодействия между лекарственными препаратами и их белковыми мишенями, что является критически важным этапом в процессе открытия новых лекарств. Методология основана на применении поверхностно-ориентированного многовидового контрастного обучения (surface-aware multi-view contrastive learning), которое позволяет эффективно извлекать признаки как из структурных данных лекарств, так и из поверхностных характеристик белков-мишеней. Ключевой инновацией подхода является использование контрастного обучения для улучшения представлений, что способствует более точному моделированию сложных биомолекулярных взаимодействий по сравнению с традиционными методами. Исследование демонстрирует высокую эффективность предложенной архитектуры в задачах регрессии и классификации аффинности, предлагая надежный инструмент для виртуального скрининга и раннего этапа разработки фармакологических агентов. Применение данного ИИ-подхода позволяет существенно сократить время и затраты на предварительный анализ потенциальных лекарственных соединений, автоматизируя процесс оценки их связывающей способности. Результаты работы подчеркивают значимость интеграции геометрических и структурных данных в нейросетевые модели для повышения точности предсказаний в биоинформатике и вычислительной химии. Данная технология может быть интегрирована в платформы компьютерного дизайна лекарств для ускорения идентификации перспективных кандидатов в препараты.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена новая архитектура зрительно-языкового моделирования (vision-language modeling) для анализа компьютерной томографии (КТ). Авторы разработали метод, способный обобщать знания на популяционном уровне, позволяя не только диагностировать конкретные патологии, но и прогнозировать риски развития различных заболеваний на основе визуальных данных КТ. Методология включает обучение нейросетей на больших наборах данных, объединяющих медицинские изображения и текстовые описания, что позволяет модели понимать сложные клинические контексты и выявлять скрытые корреляции между анатомическими изменениями и системными рисками. Ключевые результаты демонстрируют высокую точность предсказаний в задачах стратификации пациентов по группам риска, превосходя традиционные подходы, основанные только на визуальной диагностике. Значимость работы заключается в возможности интеграции таких моделей в клиническую практику для превентивной медицины и персонализированного подхода к лечению, что особенно важно для управления здоровьем больших популяций. Исследование закладывает основу для создания универсальных ИИ-систем, способных адаптироваться к различным клиническим сценариям без необходимости переобучения для каждой отдельной задачи.

Исследование оценивает качество и доступность клинических рекомендаций о вывихе надколенника, сгенерированных языковыми моделями DeepSeek-R1 и ChatGPT-4o. Показано, что оба ИИ-инструмента выдают умеренно качественные ответы, но их уровень читаемости превышает рекомендованный для пациентов, что требует осторожного использования в качестве вспомогательного источника информации.

Исследование посвящено разработке архитектуры глубокого обучения для оценки риска падений у пациентов с болезнью Паркинсона (БП) путем мультимодального анализа данных. В работе использовались данные 147 пациентов, для которых собирались показатели мимики, голоса, динамики походки и движений верхней конечности. Авторы систематически применяли прунинг (обрезку) моделей для снижения их размера и задержки вывода без потери точности, что важно для потенциального внедрения в клиническую практику. Были протестированы различные стратегии слияния модальностей: позднее, промежуточное, на основе внимания, трансформерное и с использованием больших языковых моделей (LLM). Наилучшие результаты показала слияние на основе внимания для мимики и походки, достигнув макро-F1 91,67%. Эксплораторный анализ с LLM для пары «мимика-верхняя конечность» показал F1 93,75%, однако авторы предупреждают о необходимости проверки воспроизводимости. Трансформерное слияние всех четырех модальностей дало F1 85,02%. Результаты подтверждают, что речь и мимика предоставляют дополнительные сигналы, дополняющие традиционные моторные маркеры, что открывает перспективы для создания цифровых биомаркеров уязвимости к падениям при БП.

В данном масштабном обзоре (scoping review) систематизированы данные о применении больших языковых моделей (LLM) в медицинской сфере, охватывающий период с 2019 по апрель 2026 года. Исследование включало анализ 78 релевантных работ, из которых 68% были опубликованы в период с 2023 по 2025 год, что указывает на стремительный рост интереса к теме. Выделено пять ключевых областей применения: клиническая документация и суммаризация, поддержка принятия врачебных решений, коммуникация с пациентами, биомедицинские исследования и административные процессы. Анализ показал, что подавляющее большинство исследований (89%) носят характер бенчмарков или симуляций, тогда как реальные проспективные оценки в рабочих процессах составляют лишь 11%. Среди выявленных преимуществ отмечены повышение эффективности документооборота и качества текстов, однако зафиксированы серьезные риски: галлюцинации моделей, упущение критически важной клинической информации, демографические предубеждения, уязвимости конфиденциальности и автоматизированная предвзятость. Авторы предлагают многомерную структуру оценки и управления, включающую пять измерений: техническую производительность, клиническую валидность, справедливость (equity), интеграцию в рабочий процесс и управление (governance), а также трехуровневую модель риска. Работа подчеркивает необходимость проспективной оценки, стандартизированной отчетности и непрерывного мониторинга для безопасного внедрения LLM в здравоохранение.

В исследовании представлена новая методология машинного обучения для предсказания чувствительности патогенов к антибиотикам у детей с респираторными инфекциями, что критически важно для борьбы с антимикробной резистентностью. Авторы разработали консенсусно-взвешенный фреймворк отбора признаков, объединяющий шесть различных агентов (Random Forest, Gradient Boosting, ANOVA F-test, Mutual Information, RFE) для выявления наиболее информативных и не избыточных клинических и микробиологических параметров. Для построения финальной предиктивной модели был применен генетический алгоритм, который отобрал три лучших классификатора (Decision Tree, XGBoost, LightGBM) для создания ансамбля с мягким голосованием. Результаты показали высокую эффективность предложенного подхода: ансамблевая модель достигла точности 0.8799, показателя F1 0.8811 и ROC-AUC 0.9490, превзойдя отдельные модели, такие как LightGBM (точность 0.8718, ROC-AUC 0.9498). Анализ интерпретируемости с помощью SHAP выявил, что ключевыми факторами являются тип антибиотика и вид бактерии, а также значимую роль играют клинические, воспалительные и средовые показатели. Методология включает строгий контроль утечки данных, балансировку выборок и кросс-валидацию, что обеспечивает статистическую надежность результатов. Разработанная система представляет собой мощный инструмент поддержки принятия врачебных решений, позволяющий персонализировать антибиотикотерапию и снижать риски неэффективного лечения. Подход демонстрирует, как сложные ансамблевые методы и многоагентный отбор признаков могут повысить как предсказательную способность, так и клиническую интерпретируемость ИИ-моделей в педиатрии.

В статье представлен новый метод глубокого обучения AGMNet (Adaptive Gated Multimodal Network), предназначенный для классификации болезни Паркинсона. Модель интегрирует данные структурной магнитно-резонансной томографии (МРТ), визуализации транспортера дофамина (DaT), а также признаки асимметрии и биомаркеры. Для обеспечения интерпретируемости решений нейросети используется метод Grad-CAM, позволяющий визуализировать области на снимках, наиболее влияющие на классификацию. Оценка производительности проводилась с помощью пятикратной перекрестной проверки и сравнения с базовыми архитектурами, такими как VGG16, VGG19, InceptionV3 и Xception. Результаты показали точность 0.8318, сбалансированную точность 0.8278, чувствительность 0.8556 и специфичность 0.8000. Площадь под ROC-кривой (AUC) составила 0.711, а коэффициент корреляции Мэтьюса (MCC) — 0.6458. Исследование демонстрирует, что адаптивное мультимодальное слияние данных улучшает интеграцию структурной, функциональной и асимметричной информации по сравнению с использованием только МРТ. Модель AGMNet показала конкурентоспособные результаты относительно существующих архитектур глубокого обучения. Веса затворов подтвердили высокую значимость функциональных данных и признаков асимметрии для точной диагностики. Предложенный подход предлагает перспективный и интерпретируемый инструмент для помощи в диагностике болезни Паркинсона на основе мультимодальных медицинских изображений.

В исследовании, опубликованном в журнале npj Digital Medicine 28 сентября 2026 года, представлена методика автоматизации извлечения структурированных клинических данных из неструктурированных текстов финских электронных медицинских карт (ЭМК) с применением больших языковых моделей (LLM). Авторы разработали и валидировали промпт-инжиниринговые подходы и, возможно, методы дообучения для точного распознавания ключевых медицинских сущностей, таких как диагнозы, медикаментозная терапия, результаты лабораторных исследований и анамнез. Исследование фокусируется на преодолении специфических лингвистических особенностей финского языка и особенностей локальных систем ЭМК, что делает результаты применимыми для других скандинавских стран. Ключевые результаты демонстрируют высокую точность (F1-меру) извлечения информации по сравнению с традиционными методами обработки естественного языка (NLP) и ручным кураторством данных. Значимость работы заключается в возможности масштабирования анализа реальных клинических данных для поддержки клинических решений, проведения популяционных исследований и улучшения качества медицинской помощи за счет снижения административной нагрузки на врачей. Технология позволяет эффективно трансформировать массивы неструктурированных текстовых записей в машиночитаемые форматы, необходимые для интеграции в системы поддержки врачебных решений.

Компания Tempus AI объявила о получении разрешения 510(k) от Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) на использование своего алгоритма искусственного интеллекта ECG-MR. Данный продукт предназначен для выявления недиагностированной митральной регургитации — состояния, при котором клапан сердца не закрывается плотно, что приводит к обратному току крови. ECG-MR стал четвертым продуктом Tempus, получившим одобрение FDA в области кардиологии, расширяя портфель решений компании, которые охватывают аритмии, функцию сердца, легочную гипертензию и заболевания клапанов. Использование электрокардиограммы (ЭКГ) в сочетании с глубоким обучением позволяет выявлять патологические изменения, которые могут оставаться незамеченными при стандартном анализе, что открывает новые возможности для ранней диагностики и профилактики сердечной недостаточности. Получение одобрения FDA подтверждает клиническую валидность и безопасность алгоритма, что является важным шагом для внедрения ИИ-решений в рутинную клиническую практику. Этот продукт демонстрирует растущий тренд на интеграцию машинного обучения в кардиологию для повышения точности диагностики на основе широко доступных данных ЭКГ. Внедрение таких технологий может значительно сократить время до постановки диагноза и улучшить исходы лечения пациентов с заболеваниями клапанов сердца.

В статье представлен VMamba-QAG-net — новая архитектура глубокого обучения на основе модели VMamba с квантовыми вентильными внимательными механизмами (Quantum Attention Gate), предназначенная для автоматизированного вычисления индекса SYNTAX по изображениям рентгеновской коронарной ангиографии (XCA). Индекс SYNTAX является критически важным инструментом для оценки тяжести ишемической болезни сердца и выбора стратегии реваскуляризации, однако его ручной подсчет трудоемок и подвержен межэкспертной вариабельности. Разработанный пятиэтапный конвейер включает бинарную сегментацию сосудов с применением фильтров и блоков EfficientSS2D, многоклассовую анатомическую маркировку 27 сегментов коронарных артерий с использованием банка прототипов сосудов и метрического обучения, а также извлечение центральных линий сосудов и оценку степени стеноза с помощью оптимизатора Aquila. Модель была протестирована на наборе данных ARCADE, показав коэффициент Dice 0,9070 и точность 0,9841 для бинарной сегментации, а также Dice 0,7512 и точность 0,9514 для 27-классовой сегментации. Результаты демонстрируют высокую эффективность системы в сохранении дальних сосудистых связей и точном выявлении тонких дистальных структур, что позволяет значительно снизить время анализа и повысить объективность клинических решений. Данный подход решает проблему дисбаланса классов и сложной топологии коронарного русла, предлагая надежное решение для поддержки кардиологов в рутинной практике.

В статье представлен систематический обзор современных методов диагностики пневмонии с использованием многомодального глубокого обучения, выходящий за рамки традиционных одномерных подходов на основе рентгенограмм. Авторы анализируют стратегии слияния данных, методы объяснимости ИИ (XAI) и выявляют ключевые проблемы клинической трансляции, такие как нехватка крупных наборов данных и отсутствие внешней валидации.