В исследовании представлена инновационная модель глубокого обучения под названием GMAP, предназначенная для точного и быстрого прогнозирования молекулярных изменений в глиомах. Методология исследования основывается на многоцентровом ретроспективном анализе, что подтверждает надежность и масштабируемость предложенного подхода. Ключевым преимуществом GMAP является высокая интерпретируемость: анализ внимания модели (interpretability analysis) позволяет выявить конкретные признаки, на которые опирается ИИ при принятии решений. Это критически важно для повышения доверия врачей и успешного внедрения технологии в клиническую практику. Разработка представляет собой технически осуществимый и потенциально экономически эффективный метод диагностики, особенно актуальный для медицинских учреждений с ограниченными ресурсами. Использование модели позволяет автоматизировать сложный процесс идентификации биомаркеров, сокращая время постановки диагноза.