генеративный ИИ

Исследование оценивает эффективность использования GPT-4o для анализа интервью с медицинскими работниками с целью определения требований к новому устройству для измерения частоты сердечных сокращений у новорожденных. Результаты показали, что генеративный ИИ может эффективно извлекать функциональные и дизайнерские требования, снижая административную нагрузку на разработчиков.

Исследователи представили mRNA-GPT — инновационную генеративную модель, предназначенную для сквозного проектирования полноразмерных последовательностей мРНК. В отличие от традиционных методов, оптимизирующих отдельные участки, mRNA-GPT осуществляет совместную оптимизацию трех ключевых регионов: 5' UTR, CDS (кодирующая последовательность) и 3' UTR, что позволяет учитывать долгосрочные зависимости и регуляторные взаимодействия между ними. Модель прошла предварительное обучение на колоссальном массиве данных из 30 миллионов естественных последовательностей мРНК различных организмов. Для достижения целевых показателей, таких как период полураспада и эффективность трансляции, авторы применили обучение с подкреплением (Reinforcement Learning) с использованием алгоритма Proximal Policy Optimization (PPO). mRNA-GPT поддерживает гибкие режимы генерации, позволяя создавать как отдельные регионы, так и полноценные последовательности с заданными свойствами. Результаты тестирования показали превосходство модели над современными аналогами (SOTA) в задачах оптимизации стабильности 3' UTR и повышения скорости трансляции CDS, обеспечивая достижение Парето-оптимальных решений при многокритериальной оптимизации.

Статья рассматривает проблему технологического «трения» в организациях, которое препятствует эффективному внедрению новых инструментов. Автор подчеркивает, что даже переход от устаревших технологий, таких как пейджеры, к современным решениям вроде генеративного искусственного интеллекта, не гарантирует автоматического улучшения рабочих процессов. В контексте здравоохранения отмечается, что внедрение мощных ИИ-возможностей требует осознанного лидерского подхода, а не простого технического обновления. Без целенаправленной стратегии по интеграции технологий в повседневную деятельность медицинских команд, новые цифровые инструменты могут создавать дополнительные барьеры вместо их устранения. Основной вывод заключается в том, что успех цифровой трансформации зависит от управления изменениями и устранения организационных препятствий, а не только от качества самого программного обеспечения.

Совместное исследование компании «Архитех ИИ» и «Ассоциации школьного кластера» выявило масштабное внедрение технологий искусственного интеллекта в образовательный процесс. Согласно полученным данным, более 70% учащихся используют инструменты на базе ИИ для помощи в изучении математики. Основными сценариями использования являются автоматическое решение задач, получение пошаговых объяснений алгоритмов и генерация дополнительных тренировочных упражнений. Исследование подчеркивает, что ИИ становится важным вспомогательным инструментом, меняющим привычные методы подготовки к урокам. Однако эксперты отмечают необходимость контроля за тем, чтобы использование нейросетей способствовало глубокому пониманию предмета, а не просто механическому списыванию ответов. Данный отчет важен для понимания того, как генеративный ИИ проникает в повседневную деятельность молодежи и какие образовательные риски это несет.

Исследователи представили IDiom — новую авторегрессионную языковую модель белка, специально разработанную для генеративного дизайна внутренне неупорядоченных областей белков (IDR). В отличие от традиционных методов, ориентированных на стабильные структуры, IDiom обучалась на массиве из 37 миллионов последовательностей неупорядоченных регионов, отобранных из базы данных AlphaFold. Использование метода аугментации данных 'fill-in-the-middle' позволяет модели генерировать последовательности как в контексте окружающих структурированных доменов, так и в виде полностью неупорядоченных белков. Ключевым достижением стало применение обучения с подкреплением (RL) с использованием модели вознаграждения за субклеточную локализацию, что позволило создавать последовательности с заданными свойствами распределения по клеточным компартментам. Модель успешно воспроизводит биологически релевантные эволюционные статистические характеристики природных IDR. Данная разработка открывает новые возможности для рационального дизайна белков, которые ранее считались недоступными для классических методов моделирования.

В исследовании представлен метод SimpleFold-Turbo (SFT), который значительно ускоряет процесс предсказания структуры белков, используя технику адаптивного кэширования TeaCache, заимствованную из видеодиффузионных моделей. Авторы обнаружили, что генеративные траектории Flow-Matching обладают высокой избыточностью, что позволяет пропускать до 93% прямых проходов нейронной сети без существенной потери точности. В ходе тестирования на 300 структурно разнообразных доменах CATH и моделях размером от 100 млн до 3 млрд параметров, метод обеспечил ускорение в 9–14 раз при сохранении базовых показателей TM-score. Важным преимуществом является то, что SFT не требует переобучения моделей, модификации весов или использования внешних серверов множественного выравнивания последовательностей (MSA). Масштабируемость метода растет вместе с размером модели, так как накладные расходы на кэширование остаются постоянными. Решение позиционируется как полностью открытое программное обеспечение, позволяющее выполнять тысячи предсказаний структур в час на стандартном потребительском оборудовании.

Данное исследование представляет собой комплексный систематический обзор и создание экспериментального бенчмарка для оценки качества медицинских записей, генерируемых моделями искусственного интеллекта. Авторы анализируют существующие методологии оценки, разделяя их на автоматизированные метрики и экспертную оценку врачами. В работе исследуется проблема несоответствия между стандартными NLP-метриками (такими как ROUGE или METEOR) и реальной клинической точностью, необходимой для безопасного ведения документации. Исследователи предлагают новый бенчмарк, который позволяет более объективно тестировать LLM на предмет галлюцинаций и полноты передачи медицинских фактов. Результаты подчеркивают, что текущие автоматизированные методы часто не способны уловить критические медицинские нюансы, что делает необходимым внедрение специализированных клинических оценочных фреймворков. Работа имеет высокую практическую значимость для разработчиков медицинских ИИ-систем, стремящихся к стандартизации качества генеративного контента.

Исследование опубликовано в журнале npj Digital Medicine издательства Nature, посвящённом цифровым технологиям в медицине. Работа посвящена оценке клинических сценариев (вигнеток), созданных с помощью искусственного интеллекта, которые демонстрируют взаимодействие пациентов с чат-ботами в психиатрической практике. Исследование имеет критическое значение для понимания того, как ИИ может моделировать реальные клинические ситуации и использовать их для обучения медицинских специалистов или тестирования цифровых терапевтических инструментов. Применение ИИ-генерации сценариев позволяет создавать разнообразные клинические кейсы без необходимости сбора реальных данных пациентов, что решает вопросы конфиденциальности. Психиатрический контекст особенно важен, так как психическое здоровье является одной из областей, где чат-боты и цифровые инструменты уже активно внедряются. Результаты такого исследования помогают оценить качество и реалистичность ИИ-генерируемого контента для медицинского образования и клинического применения. Публикация в авторитетном журнале npj Digital Medicine указывает на высокую научную ценность работы и её соответствие современным стандартам доказательной медицины.

Компания Eli Lilly объявила о сотрудничестве с китайской биотех-компанией Insilico Medicine в области открытия новых лекарственных препаратов с использованием искусственного интеллекта. Индийский фармацевтический гигант выплатит $115 миллионов в качестве первоначального платежа за доступ к платформе Insilico, которая применяет генеративные нейросети для предсказания структуры молекул и ускорения доклинических исследований. Сделка демонстрирует растущий тренд крупных фармацевтических компаний на интеграцию ИИ-технологий в процесс разработки лекарств, что позволяет сократить сроки и стоимость вывода новых препаратов на рынок. Insilico Medicine специализируется на использовании deep learning для идентификации новых биомаркеров и разработки терапевтических мишеней. Партнёрство предполагает совместную работу над несколькими проектами по созданию новых лекарств, хотя конкретные терапевтические области не раскрываются в доступной информации. Эта сделка является частью более широкого движения фармацевтической индустрии к цифровизации и автоматизации процессов открытия препаратов.

Статья посвящена применению фреймворка управления рисками искусственного интеллекта от Национального института стандартов и технологий США (NIST AI RMF) в медицинских организациях. Введение упоминает, что к началу 2026 года крупные игроки генеративного ИИ — OpenAI (ChatGPT) и Anthropic (Claude) — расширили свои сервисы для здравоохранения и науки о жизни. Отмечается, что более 40% врачей в США ежедневно используют платформу OpenEvidence для поиска рецензируемых исследований и поддержки принятия решений на основе доказательств. Статья исследует, как медицинские организации могут адаптировать принципы управления рисками ИИ для безопасного внедрения генеративных моделей в клинические рабочие процессы. Особое внимание уделяется вопросам валидации, прозрачности алгоритмов и защиты данных пациентов при использовании ИИ-систем. Материал рассматривает регуляторные аспекты внедрения ИИ в медицину и предлагает практические рекомендации для медицинских учреждений.

UnitedHealthcare запустила генеративного ИИ-компаньона Avery для помощи членам с вопросами о покрытии, записи на прием, стоимости услуг и других аспектах медицинского страхования. Инструмент обучен на чатах и звонках с адвокатами, планирует охватить 20.5 млн членов к концу года.

Статья рассматривает проблему «теневой ИИ» (Shadow AI) в медицинских организациях — использование сотрудниками генеративных ИИ-инструментов без согласования с IT-отделом и без контроля со стороны служб безопасности. Понятие «теневой ИТ» описывает любые технологические решения, внедряемые в корпоративную сеть без предварительного одобрения ИТ-департамента. В условиях быстрого распространения генеративного искусственного интеллекта регистрация новых сервисов стала проще, чем когда-либо, что одновременно увеличило риски. Сотрудники, для которых взаимодействие с ИТ-отделом кажется слишком обременительным, могут использовать личные аккаунты для работы, не осознавая проблем с соответствием требованиям и безопасностью данных. Статья посвящена стратегиям управления этими рисками и внедрению политик контроля использования ИИ-инструментов в медицинских организациях. Проблема особенно актуальна для здравоохранения, где защита конфиденциальных данных пациентов является критически важной. Решение требует баланса между удобством использования технологий и необходимостью соблюдения регуляторных требований, таких как HIPAA.

Maven Clinic запускает закрытую языковую модель (LLM) для генерации ответов на вопросы пациентов и предоставления аналитики медицинским провайдерам. Система использует интегрированные данные о членстве: историю обращений, цели здоровья, покрытие страховымиbenefits и другую информацию из электронной медицинской карты. Технология построена на базе больших языковых моделей OpenAI и Google, адаптированных для медицинского контекста. Генеративный агент работает в режиме реального времени, обрабатывая запросы пользователей и извлекая релевантные insights из структурированных медицинских данных. Решение позволяет автоматизировать ответы на частые вопросы пациентов, снижая нагрузку на медицинский персонал и улучшая доступность информации. Внедрение направлено на повышение качества обслуживания пациентов и поддержку клинических решений через предоставление провайдерам структурированных insights. Технология представляет собой пример практического применения генеративного ИИ в телемедицине и управлении здоровьем.

Исследование посвящено разработке и валидации шкалы для измерения осведомленности медицинских работников о галлюцинациях генеративного ИИ и их влиянию на уверенность в диагностике. Результаты показали значительное влияние осведомленности об экстернальных галлюцинациях на диагностическую уверенность, но не обнаружено влияния интернальных галлюцинаций.

Статья представляет систему, использующую диффузионные модели для визуализации когнитивной переоценки эмоций у пациентов с травмой, депрессией или диссоциативными симптомами. Эксперимент с 20 участниками показал, что ИИ-ассистированная переоценка значительно снижает негативное аффективное состояние по сравнению с традиционными методами.