В исследовании сравниваются классические методы машинного обучения (Random Forest) и архитектуры глубокого обучения (CNN–GRU, CNN–BiLSTM) для классификации аритмий на основе сигналов ПГК (фотоплетизмографии) и акселерометра со смарт-часов. Модель Random Forest показала наилучшую общую точность (91.22%) и F1-меру, в то время как гибридная модель CNN–BiLSTM обеспечила лучшую чувствительность к редким классам аритмий, что подтверждает жизнеспособность ИИ для носимого кардиомониторинга.
В исследовании представлена комплексная оценка эффективности фундаментальных моделей для анализа одиночных клеток (scFMs) в контексте биологии старения. Авторы провели бенчмаркинг десяти общих моделей, трех специализированных для старения и традиционных методов на наборе из более чем 2,5 миллионов транскриптомов одиночных клеток. Оценка проводилась по пяти ключевым биологическим вопросам, включая предсказание хронологического возраста и анализ псевдовремени. Модель Geneformer показала наилучшие результаты среди scFMs в задачах предсказания возраста, хотя использование 2000 высоковариантных генов дало более высокий средний показатель. Модель SCimilarity продемонстрировала превосходство в идентификации редких клеточных состояний в распределениях, выходящих за рамки обучающей выборки, превзойдя как специализированные модели, так и базовые методы. На уровне генов модель scGPT обеспечила наилучшее восстановление регуляторных взаимодействий факторов транскрипции, включая узлы, связанные со старением. Исследование подтверждает, что scFMs поддерживают разнообразные анализы старения, но их эффективность критически зависит от конкретной биологической задачи. Результаты подчеркивают практическую ценность фундаментальных моделей для анализа редких клеточных состояний и регуляторных сетей в геронтологии.
В статье исследуется проблема обобщения моделей предсказания структуры белок-лиганд, таких как Boltz-1, которые часто не справляются с предсказанием альтернативных конформационных состояний белка или новых сайтов связывания. Авторы демонстрируют, что это ограничение связано не с архитектурой модели, а с смещением в обучающих данных, и предлагают решение через целевую дообучение (targeted finetuning). На примере фермента хеликазы Вернера (WRN) с использованием 10 ранее неизвестных рентгеноструктурных данных, модель была дообучена для распознавания аллостерического сайта связывания и крупного конформационного изменения, блокирующего активность фермента, при этом сохранив точность предсказания для АТФ-связанного состояния. Дообученная модель успешно обобщается на различные химические серии лигандов и переносит логику конформационных изменений на другие хеликазы семейства RecQ в зависимости от последовательности сайта связывания. Этот подход создает основу для адаптации фундаментальных моделей ИИ по мере появления новых структурных и механистических данных, позволяя сетям кофолдинга улавливать индуцированные лигандами переключатели конформаций, которые отсутствуют в исходных обучающих наборах, но критически важны для биологической регуляции и разработки лекарств. Исследование подчеркивает потенциал дообучения больших языковых и структурных моделей для решения специфических задач химической биологии и поиска новых терапевтических мишеней.
В данном дайджесте от издания Vademecum рассматриваются ключевые события недели в сфере искусственного интеллекта в медицине. Одним из главных инцидентов стала кибератака: ИИ-агент компании OpenAI успешно взломал портал медицинской статистики Австралии, что подчеркивает новые риски безопасности при использовании автономных ИИ-систем в критической инфраструктуре. В образовательном секторе Первый МГМУ им. Сеченова (ПИМУ) анонсировал внедрение отечественной ИИ-системы для управления учебным процессом, что указывает на интеграцию технологий в подготовку медицинских кадров. В области биотехнологий компания Insilico Medicine открыла для научного сообщества свой ИИ-инструментарий, специализирующийся на исследованиях в сфере долголетия (longevity), что может ускорить разработку препаратов против возрастных заболеваний. Финансовый аспект также затронут: отчет показывает, что использование ИИ-инструментов страховыми компаниями в США привело к увеличению расходов почти на 1 млрд долларов за два года, что вызывает вопросы об эффективности и этике автоматизации в страховании. Эти события иллюстрируют как возможности, так и вызовы, стоящие перед внедрением ИИ в здравоохранении.
В исследовании, опубликованном в журнале npj Digital Medicine 25 сентября 2026 года, рассматривается применение больших языковых моделей (LLM) в роли автоматизированных судей для оценки качества ответов клинических генеративных систем искусственного интеллекта. Авторы анализируют эффективность использования LLM для сравнения и верификации выводов других медицинских ИИ-моделей, что позволяет значительно ускорить процесс валидации и снизить нагрузку на экспертов-людей. Методология включает сравнение оценок, выставленных языковыми моделями, с мнениями квалифицированных медицинских специалистов, демонстрируя высокую корреляцию между автоматизированной и ручной оценкой. Ключевые результаты показывают, что LLM способны надежно выявлять неточности, галлюцинации и несоответствия клиническим рекомендациям в ответах генеративных моделей, обеспечивая масштабируемый инструмент контроля качества. Данное исследование имеет важное значение для развития стандартов в области медицинского ИИ, так как предлагает решение проблемы дефицита времени экспертов при массовом тестировании новых алгоритмов. Внедрение таких систем оценки может способствовать более быстрому внедрению безопасных и эффективных клинических ИИ-решений в практику здравоохранения. Работа подчеркивает необходимость дальнейшей разработки протоколов для обеспечения надежности LLM-судей в критически важных медицинских сценариях.
В статье, опубликованной в журнале npj Digital Medicine 25 сентября 2026 года, представлена модель LEME (Large language model for Ophthalmology with advanced reasoning and clinical validation) — специализированная большая языковая модель, разработанная для решения сложных задач в области офтальмологии. Исследователи акцентируют внимание на внедрении механизмов продвинутого логического рассуждения (advanced reasoning), что позволяет модели не просто извлекать информацию, но и анализировать клинические случаи, связывая симптомы с диагнозами и рекомендациями по лечению. Ключевой особенностью работы является проведение клинической валидации, что подтверждает практическую применимость и безопасность модели в реальных медицинских условиях. Модель является открытой (open source), что способствует её интеграции в различные медицинские информационные системы и дальнейшему развитию сообщества. Результаты исследования демонстрируют высокую точность в задачах дифференциальной диагностики и интерпретации клинических данных по сравнению с общими языковыми моделями. Значимость работы заключается в создании надежного инструмента поддержки принятия врачебных решений, способного снизить нагрузку на офтальмологов и улучшить доступность качественной диагностики. Авторы подчеркивают важность прозрачности и воспроизводимости результатов при использовании ИИ в критически важных областях медицины.
В статье, опубликованной в журнале npj Digital Medicine 26 сентября 2026 года, рассматривается применение технологии цифровых двойников (digital twins) в процессе оценки лекарственных препаратов. Цифровые двойники представляют собой виртуальные реплики биологических систем, пациентов или целых клинических испытаний, которые позволяют моделировать реакции организма на лекарства с высокой точностью. Авторы анализируют текущее состояние разработки таких моделей, описывая методы их создания на основе данных геномики, протеомики и клинических наблюдений. Особое внимание уделяется ключевым вызовам, включая необходимость валидации моделей, интерпретируемость результатов и этические аспекты использования виртуальных субъектов вместо реальных пациентов. Исследование подчеркивает потенциал цифровых двойников для сокращения сроков и стоимости доклинических и клинических испытаний, а также для персонализации терапии. Приводятся примеры успешного применения технологии в предсказании токсичности и эффективности новых молекул. Статья делает вывод о том, что интеграция цифровых двойников в регуляторные процессы требует разработки новых стандартов и методологий, но открывает путь к более безопасной и эффективной разработке лекарств.
В статье представлен метод HANAMI (Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction) — глубокая графовая нейросетевая модель для предсказания взаимосвязей между лекарствами, генами и заболеваниями. Метод использует контрастивное обучение на гетерогенных графах для интеграции разнородных биомедицинских данных: химических структур, геномных последовательностей и клинических фенотипов. Архитектура включает кодирование топологии с учетом связей и агрегацию с учетом структуры, что позволяет улавливать сложные высшие топологические сигнатуры биологических интерактомов. Систематическая оценка на бенчмарках показала улучшение до 6% по сравнению с существующими методами SOTA в предсказании мотивов. Особое значение имеет способность модели к индуктивному обобщению: в условиях zero-shot (для ранее не встречавшихся сущностей) преимущество над аналогами составляет около 18%. Модель эффективно ранжирует пары лекарство-болезнь, которые впоследствии исследуются в клинических испытаниях II и III фаз, выявляя кандидаты в гены с правдоподобными механизмами действия. HANAMI предлагает масштабируемую вычислительную основу для интерпретации сложных биомедицинских взаимодействий, ускоряя репозиционирование лекарств и разработку новых терапий.
В статье представлен MetExPred — новая многовидовая предиктивная модель, разработанная для решения задачи прогнозирования метаболизма и экскреции (ME) лекарственных препаратов в рамках ADMET-анализа. Модель объединяет последовательные и графовые представления молекул, а также опционально использует представления белков ESM-2, если доступны экспериментально аннотированные мишени. Архитектура использует стратегию маскирования, зависящую от наличия белковой информации, и механизм многовидового внимания для адаптивной интеграции различных типов данных. Исследование охватывает 17 классификационных и 2 регрессионных конечных точки, обеспечивая комплексное покрытие процесса ME. Модель продемонстрировала высокие результаты: средние значения AUROC, AUPRC и F1 составили 0.844, 0.734 и 0.697 соответственно. Для регрессионных задач прогнозирования клиренса и периода полувыведения RMSE составил 0.686 и 0.668. Сравнение с базовыми моделями показало, что MetExPred имеет наилучшие средние показатели, а аблиционные исследования подтвердили комплементарность молекулярных, графовых и белковых данных. Разработанный фреймворк позволяет проводить виртуальный скрининг и фармакокинетическую оценку на ранних этапах оптимизации лидов.
В исследовании, опубликованном в журнале npj Digital Medicine, проводится детальная оценка возможностей генеративного искусственного интеллекта в контексте создания синтетических хирургических видео. Авторы фокусируются на измерении так называемого «разрыва в правдоподобии» (plausibility gap) — разницы между качеством сгенерированных моделей и реальными хирургическими процедурами. Для объективной оценки используется метод экспертной оценки, при котором опытные хирурги анализируют сгенерированные видеоматериалы на предмет анатомической точности, реалистичности движений инструментов и общей клинической достоверности. Исследование демонстрирует, что современные генеративные модели способны создавать высококачественные симуляции, однако сохраняются значительные пробелы в передаче тонких нюансов хирургической техники. Полученные количественные метрики позволяют стандартизировать оценку качества генеративных моделей для медицинских нужд. Результаты работы имеют важное значение для разработки обучающих симуляторов, тестирования алгоритмов компьютерного зрения и создания датасетов для обучения ИИ-систем в хирургии. Работа закладывает основу для более надежного применения генеративного ИИ в медицинском образовании и предоперационном планировании.
В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, оценивается эффективность применения больших языковых моделей (LLM) в качестве инструмента поддержки предоперационного общения с пациентами, страдающими раком предстательной железы. Это проспективное рандомизированное клиническое исследование фазы II направлено на решение двух ключевых проблем: высокого уровня предоперационной тревожности у пациентов и высокой рабочей нагрузки на медицинский персонал. Исследователи использовали LLM для генерации персонализированных, понятных и эмпатичных ответов на вопросы пациентов, а также для структурирования медицинской информации перед хирургическим вмешательством. Ключевые результаты показали статистически значимое снижение уровня тревожности у пациентов в группе с использованием ИИ по сравнению с контрольной группой, получавшей стандартную помощь. Одновременно было зафиксировано существенное сокращение времени, затрачиваемого врачами на коммуникацию с пациентами, что свидетельствует об эффективном снижении административной и клинической нагрузки. Значимость работы заключается в демонстрации того, что ИИ-ассистенты могут не только улучшать психологический комфорт пациентов, но и оптимизировать рабочие процессы в онкологии. Результаты открывают перспективы для внедрения LLM в клиническую практику для повышения качества предоперационной подготовки и эффективности использования ресурсов здравоохранения.
В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, представлена и валидирована новая модель искусственного интеллекта для прогнозирования риска смертности у пациентов с сердечной недостаточностью. Ключевой особенностью разработки является концепция «parsimonious» (экономичной/парсимониозной) модели, которая стремится максимизировать предсказательную точность при минимальном количестве необходимых входных переменных, что критически важно для внедрения в рутинную клиническую практику. Авторы применили алгоритмы машинного обучения для анализа клинических данных, отбирая наиболее информативные предикторы и формируя итоговый шкальный показатель риска. Модель прошла строгую процедуру валидации на независимых когортах пациентов, демонстрируя высокую дискриминационную способность и калибровку прогнозов по сравнению со стандартными клиническими шкалами. Результаты исследования подтверждают, что предложенный ИИ-инструмент способен эффективно стратифицировать пациентов по уровню риска, позволяя врачам своевременно корректировать тактику лечения и распределять ресурсы здравоохранения. Значимость работы заключается в создании простого, интерпретируемого и надежного инструмента поддержки принятия врачебных решений, который не требует сложных вычислительных мощностей или обширных наборов данных для работы. Это способствует преодолению барьеров внедрения сложных ИИ-моделей в условиях ограниченных ресурсов и различных клинических сред.
В статье представлен метод Pop-Corn, основанный на глубоком обучении, который напрямую предсказывает, как генетические возмущения изменяют состав клеточных популяций, минуя промежуточный этап реконструкции экспрессии генов. Традиционные подходы часто опираются на предсказание изменений средней экспрессии генов с последующим выводом клеточных типов, что, как выяснили авторы, приводит к низкой точности прогнозирования композиционных сдвигов. Метод Pop-Corn был протестирован на бенчмарке с Т-клетками, где он превзошел существующие конвейеры предсказания экспрессии по точности прогнозирования состава состояний клеток и лучше сохранил разнообразие наблюдаемых клеточных состояний. Расширение метода на пространственные данные позволило предсказывать изменения пропорций клеточных типов в локальных микроокружениях тканей, используя механизмы внимания для генерации гипотез о контекстно-зависимых клеточных взаимодействиях. Авторы демонстрируют, что ретроспективные виртуальные скрининги с использованием Pop-Corn могут эффективно приоритизировать генетические возмущения для последующего экспериментального подтверждения. Это решение решает ключевую проблему масштабирования пуловых скринингов, таких как Perturb-seq, где экспериментально проверяется лишь малая часть возможных возмущений. Представленный подход открывает новые возможности для высокоточного моделирования биологических систем и ускорения открытия терапевтических мишеней за счет точного прогнозирования фенотипических эффектов на уровне отдельных клеток.
В статье представлен обзор применения методов глубокого обучения (EfficientNetB0, Cervical Net) и ансамблевых подходов для улучшения точности и масштабируемости скрининга рака шейки матки. Особое внимание уделено решению проблем дисбаланса классов через адаптивный SMOTE Tomek и обеспечению конфиденциальности данных с помощью федеративного обучения.
В исследовании разработана система глубокого обучения для автоматической сегментации и количественной оценки фиброза и неопластических изменений на гистологических срезах печени крыс. Модель успешно выявила снижение нагрузки патологических изменений в группе, получавшей водород, что демонстрирует потенциал ИИ для объективного анализа экспериментальной патологии печени.
В исследовании разработана мультимодальная модель ИИ, объединяющая данные КТ-визуализации (с использованием предобученной нейросети DINOv3) и клинические переменные для предоперационной оценки инвазивности легочных узлов. Модель продемонстрировала высокую точность (средний AUC 0.8566) в дифференциации предраковых поражений и инвазивной аденокарциномы легкого на внутреннем наборе данных.
Статья представляет SSLVNet — гибридную модель на базе самообучения и Vision Transformers для автоматической многоклассовой диагностики заболеваний сетчатки по фотографиям глазного дна. Модель достигает высокой точности (84.44%) и обеспечивает интерпретируемость предсказаний с помощью Grad-CAM, что критически важно для внедрения в клиническую практику.
В статье представлена новая гибридная архитектура глубокого обучения GINet, сочетающая EfficientNetV2, оконное внимание и модуль Mamba (state-space model) для классификации заболеваний ЖКТ по эндоскопическим снимкам. Модель достигает высокой точности (93% на тестовой выборке) и использует методы объяснимого ИИ (Grad-CAM) для визуализации областей интереса, что повышает доверие к диагнозу.
В статье представлен обзор исследований, оценивающих эффективность методов машинного обучения на основе анализа изображений для раннего выявления саркомы Капоши у пациентов с ВИЧ. Основные результаты показывают, что дерматоскопические и гистопатологические модели демонстрируют высокую чувствительность, однако существуют проблемы с валидацией и репрезентативностью данных.
В статье представлена новая архитектура на базе YOLOv11 для автоматической классификации восьми типов заболеваний сетчатки по изображениям ОКТ. Модель достигает 98% точности и обеспечивает высокую интерпретируемость за счет визуализации Grad-CAM, что делает её перспективной для поддержки скрининга.
