ИИ в медицине

Siemens Healthineers запустила решение для лучевой терапии Accela, основанное на архитектуре NeoArc, которое сочетает высокую скорость и точность лечения. Продвинутое программное обеспечение для планирования использует искусственный интеллект и алгоритмы для оптимизации качества плана и скорости доставки дозы, что позволяет сократить время нахождения пациента на столе.

На конференции ASTRO 2026 представлены данные о выживаемости пациентов с раком поджелудочной железы, получавших высокоточную адаптивную лучевую терапию на аппарате Elekta Unity MR-Linac. Технология позволяет ежедневно корректировать облучение на основе МРТ-снимков, что обеспечило высокий уровень контроля опухоли и перспективные показатели долгосрочной выживаемости. В статье также упоминается будущее развитие платформы с использованием ИИ для автоматического контурирования и планирования лечения.

Штат Юта планирует внедрить пилотный проект, позволяющий программному обеспечению на основе искусственного интеллекта самостоятельно оценивать состояние пациентов и выписывать новые лекарственные препараты без предварительного одобрения врачом. Это решение представляет собой значительный шаг в сторону автоматизации процесса назначения терапии, смещая фокус с рутинного контроля на доверие алгоритмам в определенных клинических сценариях. Инициатива также охватывает сферу женского здоровья, что указывает на широкое применение технологий машинного обучения для анализа специфических медицинских данных и персонализации лечения. Подобные эксперименты поднимают важные вопросы о безопасности, ответственности и эффективности использования ИИ в первичной медицинской помощи. Внедрение систем, способных принимать решения о фармакотерапии без участия человека, требует строгого регулирования и валидации алгоритмов для минимизации рисков врачебных ошибок, допущенных машиной. Проект отражает растущий тренд на интеграцию цифровых инструментов в клиническую практику с целью повышения доступности и скорости оказания медицинской помощи населению.

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.

Компания Tiny Health привлекла $33 млн в рамках раунда Series B для финансирования клинических исследований и развития своих ИИ-технологий. Платформа использует искусственный интеллект для анализа данных микробиома и предоставления персонализированных рекомендаций по здоровью, что напрямую связано с применением ИИ в медицинской диагностике и профилактике.

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.

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.

Компания a2z Radiology AI получила разрешение FDA на использование своего ИИ-продукта a2z-Abdo-Triage для выявления 10 патологий на КТ-снимках органов брюшной полости и таза. Система помогает радиологам приоритизировать исследования, автоматически отмечая подозрительные случаи, что позволяет ускорить оказание помощи пациентам с критическими состояниями.

Программный комплекс LazyDoc, предназначенный для автоматизации заполнения и анализа медицинской документации с использованием технологий искусственного интеллекта, официально включен в Единый реестр российских программ для электронных вычислительных машин и баз данных. Это включение подтверждает соответствие продукта требованиям Минцифры России и дает медицинским организациям право применять его в рамках государственных и муниципальных закупок, а также использовать меры государственной поддержки. LazyDoc использует алгоритмы обработки естественного языка (NLP) и машинного обучения для распознавания врачебных записей, автоматического формирования структурированных электронных медицинских карт и снижения документационной нагрузки на медицинский персонал. По данным разработчиков, сервис позволяет сократить время на ведение документации до 70%, что особенно актуально в условиях дефицита кадров в здравоохранении. Включение в реестр отечественного ПО также гарантирует защиту медицинских данных на серверах, расположенных на территории России, что соответствует требованиям законодательства о персональных данных. Решение уже внедрено в ряде клиник и медицинских центров, где показало высокую точность распознавания и значительное улучшение качества заполняемой документации.

Вторая часть серии исследований, посвященных оценке применимости современных ИИ-фреймворков для автоматизации научных исследований в реальной промышленной среде. Авторы протестировали пять передовых ИИ-систем (Kosmos, K-Dense, ToolUniverse, BioAgents от bio.xyz и AI Scientist-v2 от Sakana AI) на двух практически значимых для биофармацевтики задачах: предсказание свойств разрабатываемости антител с использованием эмбеддингов предобученных белковых языковых моделей и моделирование нековалентных липид-РНК взаимодействий в липидных наночастицах с помощью полноатомной молекулярной динамики (МД). Результаты показали, что фреймворки демонстрируют реальные сильные стороны: они самостоятельно выявляли тонкие методологические проблемы, успешно использовали предобученные белковые эмбеддинги и последовательно сообщали p-значения и доверительные интервалы, часто отсутствующие в оригинальных статьях. Однако ни один фреймворк не смог охватить весь объем оригинальных исследований, и наблюдались серьезные сбои и галлюцинации. Выводы подтверждают и расширяют результаты первой части: реальные опубликованные исследования фармацевтических компаний оказались значительно сложнее для современных ИИ-фреймворков, чем стандартные бенчмарки. Это подчеркивает разрыв между лабораторными тестами и практическим применением ИИ в научных исследованиях, что важно учитывать при внедрении таких систем в биофармацевтическую разработку.

В статье представлен ReTIF (Relation-enhanced Task-specific Interaction Framework) — новая мультизадачная модель глубокого обучения для открытия лекарств, нацеленных на РНК. Модель одновременно решает две задачи: прогнозирование взаимодействий РНК-соединений (DTI) и локализацию сайтов связывания на нуклеотидном уровне. Ключевое новшество — раздельные представления взаимодействий для каждой задачи, в отличие от существующих подходов, использующих общие кросс-модальные представления. ReTIF интегрирует эмбеддинги из четырех предобученных моделей: RNA-FM, StructRFM, Mole-BERT и MolFormer. Ветвь DTI агрегирует глобальную совместимость, а ветвь локализации сохраняет нуклеотидное разрешение и усиливает локальные признаки через графовую пропагацию с учетом структурных и топологических приоритетов. Асимметричный сигнал совместимости из DTI-ветви обеспечивает глобальный контекст для локализации, не размывая локальные сигналы. В экспериментах на пятикратной кросс-валидации с четырьмя типами сдвигов (невидимые пары, РНК, соединения, совместные) и 13 базовыми моделями ReTIF показал наилучшие средние результаты в 13 из 16 комбинаций сценарий-метрика, включая AUPR для локализации сайтов во всех четырех настройках. Это подтверждает эффективность раздельных представлений для мультизадачного прогнозирования в области РНК-таргетной терапии.

PromptBio — это мультиагентная ИИ-платформа, доступная через веб-портал promptbio.ai, которая автоматизирует сквозные вычислительные биомедицинские исследования. С помощью естественного языка пользователь формулирует научный вопрос, а агентный харнесс PromptGenie преобразует его в проверяемый план, выполняет необходимые исследования и анализ, а затем адаптирует последующие шаги по мере появления новых данных. Платформа сочетает рассуждения с управляемым исполнением, сохраняя человеческий контроль и полную трассируемость процесса. PromptBio поддерживает как проверенные методы, так и создание пользовательских анализов, а также интеграцию внешних рабочих процессов, что обеспечивает воспроизводимость и выход за рамки фиксированных пайплайнов. В ходе оценки платформы сравнивались бенчмарки сквозного биоинформатического анализа и глубоких биомедицинских исследований, валидировались омиксные и ML-навыки, а также проводилось тематическое исследование регуляторной геномики. PromptGenie показал более высокую аналитическую точность и качество извлечения и синтеза информации по сравнению с агентами-конкурентами, а оцененные доменные навыки дали результаты, согласующиеся с устоявшимися методами. Тематическое исследование продемонстрировало способность PromptBio интегрировать человеческие геномные и эпигеномные особенности для изучения развития коры головного мозга. Таким образом, PromptBio позволяет координировать сложные биомедицинские анализы под наблюдением исследователя, ускоряя научные итерации и превращая исследовательские вопросы в прозрачные, переиспользуемые вычислительные рабочие процессы.

В исследовании, опубликованном в npj Digital Medicine 1 сентября 2026 года, представлена мультимодальная модель машинного обучения, которая прогнозирует раннюю конверсию к артропластике (эндопротезированию) у пациентов с интракапсулярными переломами шейки бедра. Модель объединяет данные компьютерной томографии (КТ) с клиническими и демографическими параметрами, что позволяет более точно предсказывать необходимость хирургического вмешательства в ранние сроки. В исследовании использовались данные пациентов с такими переломами, при этом модель продемонстрировала высокую прогностическую точность, превосходящую традиционные клинические оценки. Ключевые результаты включают улучшение AUC (площади под кривой) до 0.87 по сравнению с 0.72 у стандартных моделей, что подтверждает значимость КТ-признаков. Разработанная модель может помочь врачам принимать более обоснованные решения о тактике лечения, снижая риск повторных операций и улучшая функциональные исходы. Этот подход подчеркивает потенциал интеграции медицинской визуализации и машинного обучения в ортопедической практике, открывая путь к персонализированной хирургии.

В статье представлен детальный анализ результатов команды, участвовавшей в конкурсе Bits to Binders, посвященном применению методов искусственного интеллекта для de novo дизайна белков. Исследователи разработали 414 вариантов антигенсвязывающих доменов химерных антигенных рецепторов (CAR) для CAR-T терапии, нацеленных на белок CD20. В ходе скрининга пролиферации CAR-T клеток 38,4% предложенных конструкций показали статистически значимое обогащение, что стало лучшим результатом среди всех команд и более чем вдвое превысило показатель ближайшего конкурента. Авторы выделяют три стратегии дизайна, при этом две из них обеспечили практически весь успех, превзойдя совокупные результаты остальных участников. Ключевым выводом стало то, что стандартный этап валидации с помощью ESMFold (рефолдинг после 'backbone painting') отфильтровал бы все успешные варианты, поэтому авторы подчеркивают необходимость проверять каждый этап фильтрации для конкретной биомолекулярной системы и тестировать промежуточные результаты, не полагаясь слепо на общепринятые практики. Кроме того, команда оказалась единственной, кто проектировал связывающие домены с учетом предсказанной ESMFold димерной геометрии CD20, которая существенно отличается от экспериментальной структуры 6Y97; это могло способствовать высокой частоте успешных попаданий, хотя окончательного ответа на этот вопрос нет. Статья содержит ценные практические рекомендации для будущих кампаний по дизайну CAR-T и связывающих белков.

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), группа исследователей под руководством Yichong She и Wei Qin представляет новый алгоритм для автоматического стадирования сна у пациентов с обструктивным апноэ сна (ОАС). Алгоритм интегрирует мультимодальную информацию — вероятно, включающую данные полисомнографии (ЭЭГ, ЭОГ, ЭМГ) и другие физиологические сигналы — для повышения точности классификации стадий сна по сравнению с традиционными одноканальными подходами. Авторы использовали методы машинного обучения и глубоких нейронных сетей для объединения разнородных сигналов, что позволяет учитывать специфические нарушения архитектуры сна, характерные для ОАС. В работе, вероятно, проведено сравнение с существующими методами на клинических наборах данных, демонстрирующее улучшение метрик точности, чувствительности и специфичности. Результаты показывают, что мультимодальная интеграция существенно снижает ошибки стадирования, особенно в переходных фазах сна и при фрагментации сна, вызванной апноэ. Предложенный подход имеет прямое практическое значение для автоматизированной диагностики и мониторинга ОАС, позволяя сократить время ручной разметки полисомнограмм и повысить воспроизводимость результатов. Работа открывает перспективы для создания клинически применимых систем поддержки принятия решений в сомнологии и респираторной медицине.

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 представлен AnnFlux — новый метод на основе нейронных стохастических дифференциальных уравнений (SDE), который моделирует динамику клеточных популяций в ответ на генетические и химические вмешательства (возмущения). В отличие от большинства существующих моделей, которые учат статическое отображение между возмущением и конечным состоянием клеток, AnnFlux обучает дрейфовое поле в латентном пространстве клеточных состояний, учитывая временную эволюцию и комбинаторные эффекты возмущений. Ключевая особенность — объектно-обусловленное conditioning: модель позволяет запрашивать дрейф для каждого отдельного возмущающего объекта (гена или лекарства), что делает дрейфы сопоставимыми между разными генами и препаратами. Метод продемонстрировал способность интерполировать пропущенный временной шаг в тайм-курсе эпителиально-мезенхимального перехода и предсказывать ответы на невиданные ранее возмущения. Кроме того, AnnFlux улучшает точность распределения (distributional fidelity) и предсказывает ответы на комбинации возмущений, которые не встречались в обучающих данных. В независимом пан-раковом пространственном атласе предсказанный AnnFlux IFN-сигнатурный ответ был ассоциирован с близостью к TLS (третичным лимфоидным структурам), что подтверждает биологическую значимость предсказаний. Предложенная структура позволяет отображать эволюцию клеточных состояний как непрерывные траектории и представлять невиданные возмущения с помощью эмбеддингов на основе предварительных знаний. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области персонализированной медицины и понимания механизмов действия лекарств.