4 статей
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.
Исследователи разработали новый неинвазивный диагностический инструмент — шкалу Fontan EV Score (FES) — для оценки тяжести ассоциированной с Fontan болезни печени (FALD), универсального осложнения после паллиативной операции Fontan. Методология включала использование овечьей модели Fontan (n=19) с лонгитудинальным сбором образцов сыворотки и эластографией печени. Применялось мультиомиксное профилирование циркулирующих внеклеточных везикул (sEVs), включая секвенирование малых РНК и протеомику. С помощью регуляризованной регрессии были идентифицированы транскриптомные предикторы, интегрированные с временем после операции в рамках ординальной логистической регрессии. Шкала FES, включающая 11 биомаркеров малых РНК, продемонстрировала высокую точность предсказания: AUC 0,876 для умеренного и 0,963 для тяжёлого фиброза, значительно превосходя традиционные индексы APRI (AUC=0,618) и FIB-4 (AUC=0,731). Биологическая валидация на человеческих печёночных органоидах подтвердила реакцию ключевых миРНК (miR-125a-5p, miR-193b-5p) на профибротическую стимуляцию. Результаты открывают новые возможности для раннего выявления и стратификации риска FALD без инвазивной биопсии.
В статье рассматривается инновационный подход к поиску новых методов лечения хронических заболеваний и фиброза печени с использованием платформы Co-Scientist. Генетик из Стэнфордского университета применяет специализированные инструменты искусственного интеллекта для процесса репозиционирования лекарственных средств (drug repurposing). Методология заключается в использовании ИИ для анализа существующих препаратов с целью выявления их потенциальной эффективности против специфических патологий печени. Данный подход позволяет значительно сократить время и стоимость разработки новых терапевтических стратегий. Использование Co-Scientist помогает ученым находить скрытые связи между молекулярными мишенями и лекарственными соединениями, что критически важно для борьбы с прогрессирующим фиброзом. Результаты исследования открывают новые возможности для персонализированной медицины и ускоренного внедрения эффективных протоколов лечения в клиническую практику.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель машинного обучения, разработанная для прогнозирования риска декомпенсации печени у пациентов с гепатоцеллюлярной карциномой (ГЦК), проходящих системную терапию. Авторы разработали специализированный показатель — hepatic safety score, который позволяет с высокой точностью оценить вероятность ухудшения состояния печени на ранних этапах лечения. Методология исследования опирается на анализ клинических данных и биомаркеров с использованием алгоритмов машинного обучения для выявления скрытых закономерностей. Ключевым результатом является способность модели предсказывать критические изменения в функции печени, что позволяет врачам своевременно корректировать терапевтическую стратегию. Внедрение данного скоринга в клиническую практику может значительно снизить уровень осложнений и повысить выживаемость пациентов с ГЦК. Данная разработка представляет собой важный шаг в персонализированной онкологии и мониторинге безопасности лекарственных средств.
