глубокое обучение

В статье представлена новая модель глубокого обучения Kidzoi, предназначенная для предсказания клеточно-специфичной регуляторной активности генома и эффектов генетических вариантов в почечной ткани. Исследователи разработали эту модель типа «последовательность-функция» (S2F) с использованием метода трансферного обучения на базе предварительно обученной модели Borzoi, дообучив её на данных хроматиновой доступности из одиночных ядер (single-nucleus) тканей человека. Модель демонстрирует высокую точность в предсказании хроматиновой доступности, специфичной для типов клеток почек, и улучшает предсказание эффектов регуляторных вариантов на 10–23% по сравнению с существующими аналогами. Особое значение имеет способность Kidzoi эффективно ранжировать каузальные варианты, выявленные в полногеномных поисках ассоциаций (GWAS), связанные с функцией почек (оцениваемой по уровню эГФР с креатинином и цистатином С), и определять их клеточную специфичность. Систематический анализ показал, что для точного предсказания эффектов вариантов достаточно локального контекста длиной 32–64 кбп, что составляет всего 6–12% от полного входного сигнала модели, что указывает на высокую эффективность локальных признаков. Дополнительно продемонстрировано, что многозадачная архитектура модели достигает производительности, сопоставимой с однозадачными моделями, но при существенно меньших вычислительных затратах. Результаты исследования открывают новые возможности для понимания молекулярных механизмов заболеваний почек и идентификации терапевтических мишеней на основе геномных данных.

В исследовании представлен G4SCOPE — многозадачная глубокая нейросетевая архитектура, предназначенная для моделирования occupancy (заселенности) хроматиновых G-квадруплексов (G4) и реконструкции высокодетализированных профилей CUT&Tag исключительно на основе первичной последовательности ДНК. Модель объединяет сверточные слои для обучения мотивам и трансформерные механизмы самовнимания для анализа длиннодействующих последовательных контекстов, что позволяет отличать эндогенно свернутые G4 в хроматине от локусов с потенциалом сворачивания in vitro. Обучение проводилось на генотип-стратифицированных данных из изогенной серии клеток молочной железы человека (WT, TP53-/-, TP53-/-;BRCA1-/-, TP53-/-;BRCA2-/-), демонстрируя высокую обобщающую способность и успешный перенос на независимый контекст клеток K562. Результаты анализа выявили фундаментальные различия в состояниях поддержания генома: дефицит BRCA1 привел к глобальному увеличению плотности хроматиновых G4, тогда как потеря BRCA2 вызвала системное структурное истощение по хромосомам. Несамообучающаяся кластеризация латентных представлений модели позволила выделить различные биологические подклассы G4, занимающие уникальные регуляторные среды с характерными ландшафтами 5-метилцитозина и 5-гидроксиметилцитозина. Разработанный фреймворк дешифрует грамматическую структуру первичной последовательности, управляющую заселенностью G4, и доказывает, что топологии G4 несут в себе встроенные эпигенетические особенности, что открывает новые возможности для понимания эпигенетического ремоделирования при раке.

Исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай и других институтов разработали модель глубокого обучения для анализа Т1-взвешенных МРТ-снимков головного мозга. Модель способна не только оценивать индекс массы тела (ИМТ), но и извлекать специфические мозговые сигнатуры, связанные с кардиометаболическими рисками. Обучение алгоритма проводилось на обширном наборе данных, включавшем 45 702 участника из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD. Ключевым результатом работы стало демонстрация того, что ИИ-анализ структуры мозга может предсказывать кардиометаболические заболевания с большей точностью, чем традиционный ИМТ. Это открывает новые возможности для ранней диагностики метаболических нарушений через нейровизуализацию. Методология использует мощь глубокого обучения для выявления скрытых паттернов в мозге, которые коррелируют с системным здоровьем. Результаты публикации в журнале npj Digital Medicine подчеркивают потенциал ИИ в интеграции неврологических и кардиологических данных для улучшения превентивной медицины.

В исследовании анализируется эффективность использования гистологических изображений (окраска H&E) в качестве обучающего сигнала для улучшения представлений генов в транскриптомных фундаментальных моделях (foundation models). Авторы проверяют гипотезу о том, что сопоставление морфологии ткани с пространственно разрешенной экспрессией генов может помочь моделям лучше переносить аннотации между разными донорами, при этом гистологический сигнал используется только на этапе обучения и отбрасывается при инференсе. Эксперименты проводились на трех различных транскриптомных моделях, и результаты показали отсутствие согласованного улучшения качества переноса знаний между донорами при использовании гистологического руководства. Более того, хотя гистология сама по себе демонстрирует сильный потенциал для переноса признаков, интеграция с экспрессией генов не дала ожидаемого синергетического эффекта. Исследователи выявили, что эмбеддинги экспрессии генов из пространственной транскриптомики имеют низкую размерность и сильно структурированы по идентификатору слайда, что маскирует биологически значимые сигналы. Это ограничение ограничивает объем общей информации, доступной для кросс-модального переноса между морфологией и генетикой. Хотя руководство на основе гистологии помогло в некоторых морфологически отличимых классах, оно привело к снижению предсказательной способности по генам в целом. Выводы подчеркивают важность диагностики слайд-специфичной структуры данных перед применением подобных методов обучения, так как кросс-модальное руководство может лишь реорганизовать уже закодированную информацию, но не восстановить утраченную.

Исследование оценивает влияние количества временных фаз и размера обучающей выборки на точность глубокого обучения для сегментации структур сердца в кинематографической КТ-ангиографии. Показано, что обучение на полном цикле (cine) дает более высокую точность и стабильность по сравнению с однофазным подходом, а использование двух фаз может быть эффективным компромиссом для снижения затрат на аннотирование.

В статье, опубликованной в Nature Machine Intelligence 1 октября 2026 года, представлена концепция нового глубокого исследовательского агента DeepEvidence, который меняет парадигму биомедицинских открытий. Авторы подчеркивают, что современным ограничивающим фактором в науке является не нехватка данных, а сложность их интеграции и интерпретации. В отличие от традиционных систем, которые просто извлекают факты, DeepEvidence строит явные репрезентации научных доказательств, обеспечивая более глубокое понимание контекста. Этот подход позволяет агенту не просто искать информацию, а проводить активное исследование и синтез данных, выявляя скрытые связи между различными источниками. Использование глубокого обучения для моделирования доказательной базы открывает новые возможности для ускорения биомедицинских исследований и принятия клинических решений. Технология демонстрирует высокий потенциал для автоматизации сложных аналитических задач, требующих критического осмысления огромных массивов научной литературы. Внедрение таких систем может существенно сократить время от открытия до внедрения новых методов лечения в практику.

В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология многокритериальной оценки неопределенности (uncertainty estimation) для систем искусственного интеллекта, применяемых в дерматологии. Основной целью работы является повышение надежности алгоритмов глубокого обучения при обнаружении сдвигов распределения данных (distribution shift detection), что критически важно для безопасного внедрения ИИ в клиническую практику. Авторы разработали подход, который позволяет модели не только классифицировать кожные новообразования на злокачественные и доброкачественные, но и точно оценивать степень своей уверенности в каждом предсказании. Использование нескольких критериев неопределенности помогает системе выявлять случаи, выходящие за рамки обучающей выборки, предотвращая ошибочные диагнозы на атипичных или редких примерах. Результаты показывают значительное улучшение показателей чувствительности и специфичности по сравнению с традиционными методами, что напрямую влияет на безопасность пациентов. Данный подход решает одну из главных проблем ИИ в медицине — проблему «черного ящика» и доверия к предсказаниям модели в условиях изменчивости реальных клинических данных. Исследование демонстрирует, что интеграция оценки неопределенности является необходимым шагом для создания надежных систем поддержки принятия врачебных решений в онкодерматологии.

В статье представлена новая архитектура глубокого обучения DMNet-E, специально разработанная для задачи автоматической сегментации атеросклеротических бляшек на изображениях внутрисосудистой оптической когерентной томографии (IVOCT). IVOCT является высокодетализированным методом визуализации, позволяющим оценивать морфологию бляшек, однако ручная разметка таких данных требует значительных временных затрат и подвержена субъективности. Авторы предлагают двухэтапную стратегию сегментации, использующую множественные декодеры для одновременного выделения ключевых структур: липидных кил, фиброзной ткани и кальцификации. Методология включает предварительную обработку изображений для снижения шума и улучшения контрастности, за которой следует многопоточная нейросетевая обработка, оптимизированная для учета гетерогенности тканей сосудов. Исследование демонстрирует высокую точность алгоритма, превосходящую существующие методы сегментации по метрикам Dice Similarity Coefficient (DSC) и Hausdorff Distance. Результаты показывают, что DMNet-E способен надежно идентифицировать сложные структуры бляшек, что критически важно для оценки риска разрыва и планирования интервенционных процедур. Внедрение данной системы может существенно ускорить клинический анализ IVOCT-данных, обеспечивая стандартизированную и объективную оценку риска сердечно-сосудистых событий. Работа опубликована в ведущем журнале по медицинскому ИИ, что подтверждает ее научную значимость и потенциал для интеграции в клиническую практику.

В исследовании, опубликованном в декабре 2026 года в журнале Artificial Intelligence in Medicine, представлена новая методология предсказания биологического возраста мозга на основе концепции свободных прототипов (free-prototype modeling). Авторы, включая исследователей из инициативы Alzheimer’s Disease Neuroimaging Initiative (ADNI) и австралийского исследования Australian Imaging Biomarkers and Lifestyle, предлагают подход, который позволяет создавать динамические возрастные атласы мозга, адаптируясь к индивидуальным вариациям старения. Методология использует нейросетевые архитектуры для обучения представлений, которые не жестко привязаны к фиксированным возрастным группам, что повышает точность оценки отклонений от нормы. Ключевая значимость работы заключается в улучшении ранней диагностики нейродегенеративных заболеваний, таких как болезнь Альцгеймера, путем более точного выявления аномального старения мозга на ранних стадиях. Исследование демонстрирует, что использование свободных прототипов позволяет лучше улавливать нелинейные паттерны старения по сравнению с традиционными регрессионными моделями. Результаты показывают высокую корреляцию между предсказанным возрастом мозга и клиническими маркерами когнитивного снижения, что делает метод перспективным инструментом для клинической практики. Работа вносит вклад в развитие персонализированной медицины, предлагая более чувствительные инструменты мониторинга здоровья нервной системы. Это исследование подчеркивает важность применения передовых методов глубокого обучения в нейровизуализации для улучшения прогностической ценности биомаркеров старения.

В данной обзорной статье, опубликованной в журнале 'Artificial Intelligence in Medicine' в декабре 2026 года, рассматривается передовой подход к использованию радиомники и методов искусственного интеллекта для выявления системных заболеваний на основе исключительно локализованных медицинских изображений. Авторы, включая Лиси Ван, Юя Ши и других экспертов, демонстрируют, как алгоритмы глубокого обучения способны извлекать скрытые биомаркеры из снимков, не охватывающих весь орган или тело, что позволяет прогнозировать такие состояния, как сердечно-сосудистые патологии, диабет или онкологические метастазы, по данным, полученным, например, только из КТ грудной клетки или МРТ мозга. Исследование подчеркивает методологическую значимость радиомники — количественного анализа характеристик изображений на уровне пикселей, который в сочетании с нейросетями выявляет паттерны, невидимые человеческому глазу. Ключевые результаты обзора показывают высокую точность (AUC до 0.90-0.95 в ряде исследований) предсказания системных рисков, что открывает новые возможности для ранней диагностики и персонализированной медицины. Статья подробно анализирует архитектуру моделей, методы валидации и проблемы обобщаемости алгоритмов на различных популяциях. Значимость работы заключается в потенциале снижения необходимости в инвазивных или дорогостоящих全身ных обследованиях, используя уже имеющиеся локальные снимки. Это направление считается одним из самых перспективных в медицинской ИИ-диагностике, так как оно максимизирует ценность уже собранных данных визуализации.

В данной систематическом обзоре, опубликованном в журнале Artificial Intelligence in Medicine в декабре 2026 года, рассматривается эволюция методов глубокого обучения, применяемых в традиционной китайской медицине для диагностики по состоянию языка. Авторы анализируют переход от классических архитектур, таких как сверточные нейронные сети (CNN), к современным большим базовым моделям (foundation models), способным обрабатывать сложные мультимодальные данные. Исследование охватывает ключевые этапы развития алгоритмов, их применение для классификации паттернов языка, извлечения признаков и повышения точности диагностики. Особое внимание уделяется преимуществам больших моделей в контексте обобщения знаний и работы с ограниченными наборами медицинских данных. Обсуждаются технические вызовы, связанные с интерпретируемостью нейросетевых решений и необходимостью валидации в клинических условиях. Результаты обзора демонстрируют значительный потенциал интеграции передовых ИИ-технологий в практику восточной медицины для создания более объективных и автоматизированных систем поддержки врачебных решений. Статья служит важным ориентиром для исследователей, работающих на стыке искусственного интеллекта и традиционной медицины.

Исследование посвящено разработке архитектуры глубокого обучения для оценки риска падений у пациентов с болезнью Паркинсона (БП) путем мультимодального анализа данных. В работе использовались данные 147 пациентов, для которых собирались показатели мимики, голоса, динамики походки и движений верхней конечности. Авторы систематически применяли прунинг (обрезку) моделей для снижения их размера и задержки вывода без потери точности, что важно для потенциального внедрения в клиническую практику. Были протестированы различные стратегии слияния модальностей: позднее, промежуточное, на основе внимания, трансформерное и с использованием больших языковых моделей (LLM). Наилучшие результаты показала слияние на основе внимания для мимики и походки, достигнув макро-F1 91,67%. Эксплораторный анализ с LLM для пары «мимика-верхняя конечность» показал F1 93,75%, однако авторы предупреждают о необходимости проверки воспроизводимости. Трансформерное слияние всех четырех модальностей дало F1 85,02%. Результаты подтверждают, что речь и мимика предоставляют дополнительные сигналы, дополняющие традиционные моторные маркеры, что открывает перспективы для создания цифровых биомаркеров уязвимости к падениям при БП.

В статье представлен VMamba-QAG-net — новая архитектура глубокого обучения на основе модели VMamba с квантовыми вентильными внимательными механизмами (Quantum Attention Gate), предназначенная для автоматизированного вычисления индекса SYNTAX по изображениям рентгеновской коронарной ангиографии (XCA). Индекс SYNTAX является критически важным инструментом для оценки тяжести ишемической болезни сердца и выбора стратегии реваскуляризации, однако его ручной подсчет трудоемок и подвержен межэкспертной вариабельности. Разработанный пятиэтапный конвейер включает бинарную сегментацию сосудов с применением фильтров и блоков EfficientSS2D, многоклассовую анатомическую маркировку 27 сегментов коронарных артерий с использованием банка прототипов сосудов и метрического обучения, а также извлечение центральных линий сосудов и оценку степени стеноза с помощью оптимизатора Aquila. Модель была протестирована на наборе данных ARCADE, показав коэффициент Dice 0,9070 и точность 0,9841 для бинарной сегментации, а также Dice 0,7512 и точность 0,9514 для 27-классовой сегментации. Результаты демонстрируют высокую эффективность системы в сохранении дальних сосудистых связей и точном выявлении тонких дистальных структур, что позволяет значительно снизить время анализа и повысить объективность клинических решений. Данный подход решает проблему дисбаланса классов и сложной топологии коронарного русла, предлагая надежное решение для поддержки кардиологов в рутинной практике.

В исследовании сравниваются классические методы машинного обучения (Random Forest) и архитектуры глубокого обучения (CNN–GRU, CNN–BiLSTM) для классификации аритмий на основе сигналов ПГК (фотоплетизмографии) и акселерометра со смарт-часов. Модель Random Forest показала наилучшую общую точность (91.22%) и F1-меру, в то время как гибридная модель CNN–BiLSTM обеспечила лучшую чувствительность к редким классам аритмий, что подтверждает жизнеспособность ИИ для носимого кардиомониторинга.

В статье представлен новый фреймворк UniWave-2 для анализа последовательностей нуклеиновых кислот, который решает проблемы информационной разреженности и разрыва непрерывности последовательностей, характерные для традиционных методов глубокого обучения, использующих дискретное кодирование. Авторы предлагают преобразовывать биологические последовательности в сигналы волновых форм, интегрируя в схему кодирования физико-химические свойства, такие как гидрофобность, для более полного отражения структуры молекул. Для повышения разрешения волновых форм применяются преобразование Фурье и вейвлет-преобразование, что позволяет точно захватывать как локальные детали, так и глобальные периодические паттерны в данных. В основе архитектуры лежит легковесная многомасштабная модель GRU (Gated Recurrent Unit), способная взаимодействовать с функциями в разных измерениях, улавливать двунаправленные временные зависимости и учитывать пространственную позиционную информацию. Исследование демонстрирует конкурентоспособные результаты модели на множестве задач геномного анализа, подчеркивая её эффективность по сравнению с существующими подходами. Особое внимание уделено интерпретируемости: анализ важности последовательностей (ISM) показал, что волновое кодирование позволяет получать объяснимые атрибуты без необходимости использования градиентной информации, что критически важно для доверия к ИИ в медицине. Результаты работы позиционируют UniWave-2 как легкий и интерпретируемый инструмент для анализа геномных данных, что может быть применено в персонализированной медицине и диагностике генетических заболеваний.

В исследовании представлена методология классификации колоректального рака (КРР) с использованием глубокого обучения на базе архитектуры VGG16 для морфологического анализа 63 образцов органоидов от 22 пациентов. Метод позволяет с точностью 98,5% (64 из 65 образцов) разделять опухоли на два фенотипа: компактный железистый тип, ассоциированный с доминированием промотора P1 гена MDM2, и кистозный муцинозный тип, связанный с промотором P2. Полученные результаты были валидированы на внешних наборах данных TCGA-COAD/READ и GSE39582, охватывающих 1160 случаев, что подтвердило связь использования промоторов с консенсусными молекулярными подтипами (CMS) и статусом микросателлитной нестабильности (MSI). Исследование также выявило, что опухоли с диким типом гена TP53 демонстрируют более высокий индекс P2, так как этот промотор индуцируется p53, и являются более чувствительными к ингибитору MDM3 Nutlin-3a по сравнению с мутантными линиями. Анализ зависимости от генов в скрининге DepMap CRISPR и корреляция с 198 препаратами из GDSC2 показали, что чувствительность к Nutlin-3a наиболее сильно коррелирует с высоким баллом P2. Авторы заключают, что соотношение промоторов MDM2 P1/P2, измеряемое методами ПЦР в реальном времени или таргетного НGS, может служить надежным биомаркером для стратификации терапии и классификации подтипов рака, напрямую зависящим от статуса TP53 и MSI.

В статье представлен обзор применения методов глубокого обучения (EfficientNetB0, Cervical Net) и ансамблевых подходов для улучшения точности и масштабируемости скрининга рака шейки матки. Особое внимание уделено решению проблем дисбаланса классов через адаптивный SMOTE Tomek и обеспечению конфиденциальности данных с помощью федеративного обучения.

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.