3 статей
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.
Исследование представляет SPARK — инновационную вычислительную платформу системного уровня, предназначенную для преодоления проблемы молекулярной гетерогенности аденокарциномы легкого (LUAD). Используя данные секвенирования РНК (bulk RNA-seq) из когорты TCGA-LUAD, авторы применили оптимизированную по стабильности сетевую модель для реконструкции транскриптомной организации на уровне биологических путей. В ходе анализа было выявлено восемь ключевых транскриптомных модулей, представляющих скоординированные биологические процессы. На основе активности этих модулей была разработана комплексная оценка транскриптомного риска (Transcriptomic Risk Score) с помощью модели пропорциональных рисков Кокса (elastic-net). Результаты показали, что данный показатель риска значительно коррелирует с общей выживаемостью и обеспечивает лучшую прогностическую точность по сравнению со стандартными клиническими переменными. Валидация на независимой когорте CPTAC-LUAD подтвердила устойчивость прогностического сигнала и стратификацию рисков. Кроме того, анализ единичных клеток (single-cell analysis) доказал, что выявленные модули отражают скоординированную организацию экосистемы «опухоль-иммунитет-строма», что открывает новые возможности для персонализированной медицины в онкологии.
Исследователи разработали инновационную модель глубокого обучения под названием PLASMA (Predicting Lung Adenocarcinoma recurrence via Selective Multimodal Attention), предназначенную для прогнозирования раннего рецидива аденокарциномы легкого (LUAD). Модель использует мультимодальный подход, интегрируя клинические данные, профили экспрессии мРНК и данные о мутациях пациентов с первичными стадиями I-III. Обучение проводилось на масштабном наборе данных The Cancer Genome Atlas (TCGA), что позволило достичь высокой точности. В ходе тестирования PLASMA продемонстрировала превосходство над традиционными методами машинного обучения, показав показатель AUROC 85,0% на тестовой выборке TCGA и 76,5% на внешней валидационной выборке TRACERx Lung. Данная разработка имеет высокую клиническую значимость, так как позволяет проводить эффективную стратификацию рисков и более точно прогнозировать выживаемость пациентов после резекции опухоли. Использование мультимодальных нейросетей открывает новые возможности для персонализированной онкологии в диагностике рецидивов.
