глубокое обучение

Исследование посвящено проблеме переобучения при использовании автоматизированного поиска нейронных архитектур (NAS) в задачах анализа медицинских КТ-изображений. Установлено, что методы ансамблевого обучения и аугментации данных не всегда обеспечивают синергию в условиях дефицита данных, что ставит под сомнение текущие подходы к оптимизации архитектур.

В исследовании представлен инновационный метод классификации узлов щитовидной железы, основанный на архитектуре мультиэкспертного консенсусного слияния с использованием априорных знаний (prior-guided multi-expert consensus fusion). Авторы разработали модель, которая способна эффективно объединять результаты различных экспертных нейросетевых модулей для повышения точности диагностики в условиях многоцентровых данных. Основная методология заключается в интеграции медицинских априорных знаний в процесс обучения, что позволяет минимизировать ошибки, возникающие из-за вариативности оборудования и протоколов в разных медицинских центрах. Исследование демонстрирует значительное улучшение показателей точности и устойчивости модели при работе с гетерогенными наборами данных. Данная разработка имеет высокую практическую значимость для радиологии и эндокринологии, предлагая инструмент для автоматизированного и стандартизированного скрининга патологий щитовидной железы. Внедрение такого подхода позволит снизить нагрузку на врачей и уменьшить субъективность при интерпретации ультразвуковых или КТ-изображений.

В исследовании представлен метод глубокого ансамблевого обучения, сочетающий self-attention stacked bidirectional LSTM и алгоритм оптимизации Parallel-Whale для прогнозирования стадий колоректального рака. Использование техники DeepSurv позволяет проводить анализ выживаемости пациентов на основе геномных данных, что помогает в персонализированном подходе к лечению.

В исследовании представлена инновационная мультизадачная модель глубокого обучения, разработанная для высокоточного прогнозирования статуса мутации гена EGFR у пациентов с немелкоклеточным раком легкого (НМРЛ). Данная технология направлена на автоматизацию процесса идентификации ключевых генетических маркеров, что критически важно для подбора таргетной терапии. Методология исследования базируется на использовании нейросетевых архитектур, способных одновременно обрабатывать несколько биомедицинских задач, что повышает точность классификации по сравнению с традиционными методами. Применение ИИ позволяет сократить время на проведение сложных молекулярно-генетических тестов и снизить вероятность человеческой ошибки при интерпретации данных. Результаты демонстрируют значительный потенциал модели в клинической практике, обеспечивая персонализированный подход к лечению онкологических заболеваний. Внедрение подобных систем в радиологическую и патоморфологическую практику может существенно оптимизировать протоколы ведения пациентов с НМРЛ.

Разработан единый легковесный фреймворк на базе YOLOv26n и MobileNetV4 для автоматического распознавания лекарственных средств. Система объединяет детекцию таблеток, классификацию по форме/цвету и чтение надписей (OCR), что позволяет снизить риск ошибок при приеме медикаментов.

Разработана модель PLUTO на базе архитектуры YOLO11s для автоматического обнаружения полей легких на боковых рентгеновских снимках детей. Модель демонстрирует высокую точность и способность к обобщению (generalizability) при работе с рентгенограммами взрослых пациентов.

В статье представлено исследование новой системы на базе глубокого обучения, предназначенной для автоматизации анализа рентгеновских снимков пациентов со сколиозом. Разработанный алгоритм способен не только точно измерять параметры выравнивания позвоночного столба, но и автоматически идентифицировать наличие хирургических имплантатов на снимках. Методология исследования опирается на использование современных архитектур нейронных сетей, обученных на обширных наборах медицинских изображений для минимизации человеческого фактора при диагностике. Ключевым результатом является достижение высокой точности измерений, сопоставимой с экспертной оценкой врачей-рентгенологов, что позволяет значительно сократить время на рутинную обработку снимков. Внедрение данной технологии в клиническую практику может существенно повысить эффективность мониторинга состояния пациентов после операций и оптимизировать процесс планирования лечения. Использование ИИ в данном контексте решает критическую задачу стандартизации измерений, исключая субъективность при оценке степени деформации позвоночника.

Данный систематический обзор посвящен анализу современных методов использования искусственного интеллекта для прогнозирования эпилептических приступов на основе данных электроэнцефалографии (ЭЭГ) в режиме реального времени. Исследование фокусируется на оценке эффективности алгоритмов машинного и глубокого обучения, способных выявлять преиктальные состояния до наступления клинического приступа. В работе систематизированы различные архитектуры нейронных сетей, применяемые для обработки временных рядов ЭЭГ, и оцениваются их показатели точности, чувствительности и специфичности. Авторы анализируют переход от статических моделей к системам непрерывного мониторинга, которые критически важны для разработки носимых устройств. Ключевым аспектом является выявление существующих пробелов в методологии, таких как проблема обобщающей способности моделей на новых пациентах и вычислительная сложность алгоритмов. Результаты обзора подчеркивают потенциал ИИ в создании систем раннего предупреждения, способных значительно повысить безопасность и качество жизни пациентов с тяжелыми формами эпилепсии.

В статье представлен инновационный подход к автоматическому обнаружению апноэ во сне с использованием архитектуры глубокого обучения. Исследователи разработали фреймворк на основе самообучения (self-supervised learning), интегрированный с иерархической остаточной сетью перекрестного слияния (hierarchical residual cross fusion network). Данная методология позволяет эффективно извлекать и объединять признаки из различных временных масштабов сигналов полисомнографии, что критически важно для точной диагностики нарушений дыхания. Использование механизмов перекрестного слияния помогает минимизировать потерю информации при анализе сложных паттернов сна. Предложенная модель демонстрирует высокую точность в классификации эпизодов апноэ, превосходя существующие аналоги за счет более глубокого понимания контекстуальных зависимостей в данных. Результаты исследования имеют высокую практическую значимость для автоматизации скрининга расстройств дыхания во сне и снижения нагрузки на врачей-сомнологов.

В статье представлена инновационная архитектура глубокого обучения под названием CastNet, предназначенная для автоматизированного обнаружения депрессивных состояний на основе анализа сигналов электроэнцефалограммы (ЭЭГ). Основная особенность модели заключается в использовании трехканальной обработки данных, что позволяет более эффективно извлекать пространственно-временные признаки из нейронной активности. Исследование фокусируется на проблеме кросс-субъектного анализа, стремясь обеспечить высокую точность диагностики даже при работе с данными новых пациентов, не участвовавших в обучении модели. Методология включает в себя специализированные слои для обработки сигналов ЭЭГ, что позволяет минимизировать индивидуальные различия между испытуемыми. Результаты демонстрируют превосходство CastNet над существующими методами классификации, подтверждая потенциал технологии для интеграции в системы цифровой психиатрии. Данная разработка имеет высокую клиническую значимость, так как может стать инструментом объективного мониторинга ментального здоровья и ранней диагностики депрессии.

Предложен новый метод классификации заболеваний кожи и типов кожи, объединяющий сверточные нейронные сети (ResNet) с математическим моделированием текстур через клеточные автоматы и дробные производные. Гибридный подход позволил достичь точности классификации заболеваний на уровне 92,8%, улучшая чувствительность к деталям текстуры кожи.

Представлен новый метод EdgeFusion-U-Net, использующий диффузионные модели для удаления спекл-шума и улучшения выделения границ на ультразвуковых изображениях. Эксперименты показали значительный рост точности сегментации нервов (Dice score до 94.62%) по сравнению с существующими архитектурами.

Исследование посвящено разработке модели 3D-сверточной нейронной сети (архитектура X3D) для автоматического определения сердечного индекса по видео коронарной ангиографии. Модель показала высокую эффективность (AUC 0.83) в разделении пациентов на группы с нормальным и аномальным показателем, что может помочь врачам принимать решения в реальном времени без инвазивных процедур.

Разработана нейросетевая модель OMNIS, которая интегрирует мультиомные данные в геномные изображения с учетом пространственной организации хромосом. Модель демонстрирует высокую точность в прогнозировании рецидивов рака и разграничении первичных и метастатических опухолей, а также позволяет выявлять ключевые гены-маркеры.

Авторы представляют FLMMIF — фреймворк на базе федеративного обучения и низкоранговой адаптации (LoRA) для безопасного объединения мультимодальных медицинских изображений. Метод позволяет эффективно балансировать между глобальной обобщающей способностью модели и персонализацией под конкретные локальные данные, обеспечивая при этом защиту конфиденциальности пациентов.

В статье представлена новая архитектура нейронной сети TSFGDTDBN, предназначенная для автоматизированной диагностики остеопороза по рентгеновским снимкам коленного сустава. Метод использует фрактальное градиентное расхождение и алгоритм Crow Search для оптимизации гиперпараметров, что позволяет повысить точность классификации состояний (норма, остеопения, остеопороз) по сравнению с традиционными методами глубокого обучения.

Исследование проводит систематический обзор метрик оценки ИИ-моделей, используемых для распознавания фаз хирургических операций. Авторы выявляют проблему отсутствия стандартизации и рекомендуют использовать более гибкие подходы, такие как fβ-score и коэффициент корреляции Мэтьюса, для улучшения прозрачности и сопоставимости результатов.

Обзор демонстрирует, что использование ИИ для предоперационного планирования на основе КТ значительно повышает точность позиционирования компонентов эндопротеза и сокращает время планирования на 57-70%. Исследование подчеркивает превосходство глубокого обучения над ручным методом в минимизации угловых ошибок при установке чашки.

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.