глубокое обучение

Разработана нейросетевая модель (CEUS-CNN) для прогнозирования эффективности комбинированной терапии рака на основе данных контрастного ультразвукового исследования. Использование синтетических данных позволило значительно повысить точность классификации ответа опухоли, особенно для случаев со стабильной динамикой.

В статье представлен DLDN-Bench — новый специализированный фреймворк, предназначенный для стандартизированной оценки моделей глубокого обучения, применяемых в секвенировании пептидов de novo. Метод de novo критически важен для масс-спектрометрии, так как позволяет идентифицировать новые пептиды без привязки к существующим базам данных белков. Авторы разработали набор эталонных датасетов на основе данных масс-спектрометрии биопсии мышц человека, полученных из репозитория PRIDE и аннотированных методом консенсуса нескольких поисковых движков. В рамках исследования был проведен системный сравнительный анализ четырех современных моделей глубокого обучения и традиционных подходов, используя метрики точности (precision) и полноты покрытия (coverage). Разработанный бенчмарк решает проблему гетерогенности методов оценки и обеспечивает сопоставимость новых нейросетевых инструментов. Результаты тестирования и сам фреймворк опубликованы в открытом доступе, что создает базу для дальнейшего развития ИИ-инструментов в области протеомики.

Исследователи представили STERN — инновационную количественную платформу, использующую глубокое обучение для создания непрерывных пространственно-временных представлений морфогенеза на основе 4D-визуализации in vivo. Методология позволяет встраивать эмбрионы в единое общее пространство, что решает проблему вариативности формы, ориентации и темпов развития без необходимости явной регистрации или стадирования. При тестировании на эмбрионах мышей система выявила консервативные траектории развития при различных временных скоростях, позволив количественно измерить гетерохронию. Применение на изображениях нервной гребни эмбрионов зебрафиш подтвердило универсальность модели: порядок развития сохраняется даже при изменении ракурсов съемки. Особую значимость исследование имеет для изучения развивающегося сердца мыши, где STERN разрешает тончайшие структурные изменения с минутной временной точностью, превосходя возможности экспертов-людей и стандартных мультимодальных ИИ-моделей. Таким образом, STERN превращает качественное описание морфогенеза в измеримую количественную дисциплину.

Представлена инновационная мультиагентная платформа SpineAgent, предназначенная для автоматизированной генерации медицинских заключений по МРТ позвоночника. В основе системы лежит мультипоследовательная базовая модель, обученная на колоссальном массиве данных: 32 047 пациентах, 453 683 сериях МРТ и более 13,4 миллионах срезов. Методология включает предварительное обучение двух кодировщиков на базе DINOv3 для T1- и T2-взвешенных последовательностей с последующим использованием стратегии непрерывного обучения для синтеза единых эмбеддингов пациента. SpineAgent демонстрирует превосходство над существующими методами, показывая улучшение среднего показателя AUROC на 10,8% в 17 задачах прогнозирования патологий позвоночника. Система не только классифицирует заболевания, но и локализует патологические области, а также поддерживает мультимодальный поиск изображений и отчетов. Архитектура включает 37 специализированных агентов, чьи результаты интегрируются в медицинский агент для формирования структурированного и интерпретируемого отчета. Экспертная оценка пятью рентгенологами подтвердила лидирующую эффективность системы в задачах генерации клинически обоснованных описаний.

Данный обзорный труд посвящен анализу применения методов глубокого обучения (Deep Learning) для прогнозирования результатов различных кардиологических вмешательств. Исследование систематизирует последние достижения в области нейросетевых архитектур, которые используются для оценки рисков и исходов процедур, таких как ангиопластика, стентирование и другие операции на сердце. Авторы рассматривают методологические подходы, включая использование рекуррентных нейронных сетей и сверточных архитектур для анализа временных рядов и медицинских изображений. В работе подчеркивается, что использование ИИ позволяет значительно повысить точность прогнозирования по сравнению с традиционными клиническими шкалами риска. Ключевым аспектом является интеграция данных из электронных медицинских карт и физиологических мониторов для создания предиктивных моделей в реальном времени. Результаты обзора указывают на огромный потенциал автоматизации принятия клинических решений в кардиологии, несмотря на существующие вызовы в области интерпретируемости моделей.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено разработке и тестированию системы искусственного интеллекта для повышения точности эндоскопической диагностики поражений ампулы двенадцатиперстной кишки. Методология исследования основывалась на применении алгоритмов глубокого обучения для анализа видеопотока в режиме реального времени во время проведения эндоскопии. Основной целью было снижение частоты пропусков патологических образований, которые сложно визуализировать традиционными методами. Ключевые результаты демонстрируют, что использование ИИ-ассистента значительно повышает чувствительность обнаружения новообразований по сравнению с диагностикой, проводимой врачами без поддержки системы. Технология позволяет автоматизировать процесс идентификации подозрительных зон, что критически важно для раннего выявления онкологических заболеваний в области ампулы. Внедрение данного решения в клиническую практику способно существенно снизить риск диагностических ошибок и улучшить исходы лечения пациентов.

Данное исследование, опубликованное в журнале npj Artificial Intelligence, представляет инновационный метод оптимизации обучения в контексте (In-Context Learning, ICL) для биомедицинских задач. Авторы предлагают использовать субмодулярную оптимизацию для отбора наиболее информативных и разнообразных примеров из обучающего набора, что позволяет значительно снизить потребность в объеме данных без потери точности моделей. Методология фокусируется на максимизации разнообразия контекстных примеров, что критически важно для специфических медицинских доменов с ограниченными наборами данных. В работе демонстрируется, что предложенный подход позволяет достигать сопоставимых или превосходящих результатов по сравнению с полномасштабным обучением, используя лишь малую часть доступных биомедицинских данных. Это имеет высокую практическую значимость для разработки специализированных медицинских ИИ-систем, где сбор и разметка экспертных данных обходятся дорого. Результаты исследования открывают путь к созданию более эффективных и адаптивных моделей для диагностики и анализа медицинских текстов и изображений.

Исследователи представили TMO (Temporal Multi-Omics) — инновационную архитектуру глубокого обучения, предназначенную для анализа временной динамики между доступностью хроматина (ATAC) и экспрессией генов (RNA). В отличие от существующих симметричных моделей, TMO использует механизм асимметричного кросс-модального внимания, что позволяет учитывать направленную связь и специфические временные задержки (regulatory lags), зависящие от текущего состояния клетки. Методология включает проекцию данных в латентные компоненты и использование двухпроходного трансформера с априорным смещением задержки, полученным через скользящую кросс-корреляцию. Тестирование на четырех наборах данных 10x Multiome (мозг и почки мышей, мозг и PBMC человека) показало выдающиеся результаты: показатели согласованности задержек (LCS) достигли 0.988–0.999 против 0.048–0.108 у симметричных моделей. Модель успешно выявила смену режимов регуляции: от ATAC-ведущего прайминга на ранних этапах развития до RNA-ведущей регуляции на поздних стадиях. Валидация через ChIP-seq и Perturb-seq (включая нокауты SMARCB1 и SMARCE1) подтвердила биологическую значимость выявленных паттернов, что делает TMO мощным инструментом для изучения механизмов клеточной дифференцировки и развития.

В исследовании представлена архитектура ансамбля глубокого обучения (ResNet50V2, DenseNet121, InceptionV3) для автоматической классификации цитологических изображений на доброкачественные и злокачественные. Наилучшие результаты показал ансамбль ResNet + DenseNet с использованием аугментации данных, достигнув точности 96.2% на локальном наборе данных.

Разработан новый метод глубокого обучения (на базе ResU-Net) для точного совмещения изображений кожи, полученных в разных спектрах (видимом, NIR и тепловом). Исследование представляет первый в своем роде набор данных из 155 триплетов изображений поражений кожи, подтвержденных дерматологами.

Представлена новая архитектура нейросети CA2PNet, предназначенная для высокоточной сегментации медицинских изображений. Модель использует модули пространственного внимания и прогрессивные расширенные свертки, демонстрируя превосходные результаты на датасетах Kvasir-SEG и BUSI.

Систематический обзор методов глубокого обучения, применяемых для автоматического обнаружения, классификации и сегментации полипов при колоноскопии. В работе анализируются современные архитектуры нейросетей, доступные наборы данных и методы предобработки, а также обсуждаются пути перехода от экспериментальных моделей к клиническому внедрению.

Исследователи представили CREP (Cis-Regulatory Element Predictor) — специализированную модель глубокого обучения, созданную путем тонкой настройки архитектуры Enformer для идентификации цис-регуляторных элементов (CRE), таких как энхансеры, промоторы и изоляторы. В отличие от стандартных моделей, предсказывающих непрерывные эпигеномные сигналы, CREP напрямую классифицирует типы регуляторных элементов на основе последовательности ДНК, используя аннотации REgulamentary для различных типов клеток человека. В ходе экспериментов было доказано, что включение данных по множеству клеточных линий критически важно для точности: например, модель успешно обнаружила вариант SNP Vanuatu, создающий новый эритроидный регуляторный элемент, только при наличии эритроидных данных в обучающей выборке. Анализ ошибок показал, что размытые границы между энхансерами и промоторами отражают их функциональную непрерывность, а не просто ошибки классификации. Данная разработка предоставляет мощный инструмент для функциональной интерпретации некодирующих генетических вариаций, что имеет решающее значение для понимания механизмов развития заболеваний, связанных с мутациями в некодирующих областях генома.

В исследовании представлен CiliAI — веб-ориентированный рабочий процесс на базе глубокого обучения, предназначенный для автоматизации анализа первичных ресничек. Система решает проблему трудоемкости ручного анализа 3D-изображений конфокальной микроскопии, обеспечивая автоматическое обнаружение и сегментацию ключевых субструктур: базального тела, переходной зоны и аксонемы. В ходе тестирования на клетках линии NIH-3T3 автоматизированные измерения длины ресничек показали высокую точность, практически идентичную ручному методу (средняя разница составила всего -0,214 мкм при p = 0,213). Алгоритм успешно воспроизвел биологические эффекты, зафиксировав снижение интенсивности сигнала белка Cep290 в клетках с дефицитом Rpgrip1l, что подтверждает его валидность для изучения молекулярных механизмов. Использование CiliAI позволяет сократить время анализа с нескольких дней ручной работы до считанных минут. Данный инструмент представляет значительную ценность для клеточной биологии и биомедицинских исследований, ускоряя изучение механизмов клеточной пролиферации и дифференцировки.

В исследовании представлена CLASPP — инновационная унифицированная модель глубокого обучения, предназначенная для одновременного предсказания различных типов посттрансляционных модификаций (PTM) на основе первичной аминокислотной последовательности белка. Основная проблема существующих методов — фрагментация и дисбаланс данных между редкими и распространенными типами модификаций — решается с помощью стратегии контрастного обучения (contrastive learning) и метода недосэмплирования на основе обучения без учителя. Модель использует предобученную языковую модель белка для извлечения структурных и последовательных признаков, что позволяет ей эффективно работать с 12 основными типами PTM. Результаты тестирования подтверждают, что CLASPP превосходит существующие инструменты по точности предсказания во многих биологических организмах. В качестве проверки применимости модели авторы экспериментально подтвердили сайты убиквитинирования в малоизученной киназе DCLK3. Исследование также предлагает стандартизированный набор данных и иерархическую организацию данных, что значительно улучшает репрезентативность редких модификаций и открывает новые возможности для функциональной протеомики.

В данном исследовании представлена инновационная разработка в области нейровизуализации — модель глубокого обучения, предназначенная для интеграции топографических карт мозга и функциональных коннектомов. Авторы использовали архитектуру Surface Vision Transformer (ViT) для создания метода, который позволяет переводить карты пространственной организации сетей в индивидуализированные коннектомы на основе данных функциональной МРТ в состоянии покоя (rsfMRI). Результаты тестирования показали высокую точность реконструкции на уровне 0.73 (±0.09) и успешную трансляцию топографии в коннектом с коэффициентом 0.43 (±0.08). Важным достижением является то, что полученные синтетические коннектомы сохраняют способность к идентификации личности и корректно отражают связи между структурой мозга и когнитивными функциями. Данная методология позволяет объединить разрозненные подходы в изучении rsfMRI, обеспечивая более глубокое и целостное понимание человеческого коннектома. Практическая значимость работы заключается в создании инструмента для более точного моделирования индивидуальных особенностей работы мозга.

В статье представлена инновационная архитектура нейронной сети PDAFormer 3+, предназначенная для высокоточной сегментации трехмерных медицинских изображений. Основная особенность метода заключается в использовании модифицированного трансформера с механизмом параллельного двойного внимания (parallel dual attention), что позволяет эффективнее улавливать как локальные, так и глобальные пространственные зависимости в данных. Исследование направлено на решение проблемы вычислительной сложности при обработке объемных медицинских данных (КТ/МРТ) без потери детализации структур. Методология PDAFormer 3+ оптимизирует процесс извлечения признаков, обеспечивая более четкие границы сегментируемых органов или патологий. Результаты демонстрируют превосходство предложенного подхода над существующими архитектурами в задачах 3D-сегментации. Данная разработка имеет критическое значение для автоматизации радиологического анализа и повышения точности постановки диагнозов на основе визуализации.

Данная научная работа представляет собой комплексный обзор современных методов глубокого обучения, применяемых в анализе медицинских изображений в условиях ограниченного объема размеченных данных. Авторы исследуют переход от классического обучения с учителем (supervised learning) к более эффективным парадигмам, таким как обучение без учителя (unsupervised), самообучение (self-supervised) и полуавтоматическое обучение (semi-supervised). В статье подробно анализируется, как различные уровни супервизии влияют на точность сегментации и классификации патологий в радиологии, МРТ и КТ. Особое внимание уделяется методам обучения с малым количеством меток (few-shot learning) и переносу обучения (transfer learning), что критически важно для медицины из-за высокой стоимости экспертной разметки. Исследование демонстрирует, что использование самообучения позволяет достичь точности, сопоставимой с полностью размеченными датасетами, при снижении затрат на аннотирование на 40-60%. Работа служит важным руководством для разработчиков медицинских ИИ-систем, стремящихся оптимизировать использование данных.

В данной работе представлен инновационный подход к анализу микроструктуры биологических тканей с использованием гибридной архитектуры графовых трансформеров (Hybrid Graph Transformer). Исследование направлено на решение проблемы точной количественной оценки параметров ткани, что критически важно для патоморфологии и высокоточной диагностики. Авторы предлагают метод, который объединяет возможности трансформеров по захвату глобальных зависимостей и графовых нейронных сетей для моделирования локальных пространственных структур. Использование гибридной модели позволяет значительно повысить точность предсказаний микроструктурных характеристик по сравнению с традиционными методами глубокого обучения. Результаты демонстрируют превосходство предложенного алгоритма в обработке сложных геометрических паттернов, что открывает новые возможности для автоматизированного анализа гистологических изображений. Данная технология имеет высокую практическую значимость для интеграции ИИ в процессы цифровой патологии и персонализированной медицины.