глубокое обучение

Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.

Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.

В статье представлен систематический обзор применения глубокого обучения для диагностики болезни Альцгеймера с использованием МРТ и мультимодальных данных. Авторы анализируют архитектуры нейросетей, эффективность классификации стадий заболевания и подчеркивают важность интеграции различных типов данных для повышения точности диагностики.

В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.

В статье представлен DeSpotX — инновационная глубокая генеративная модель, разработанная для решения критической проблемы пространственной транскриптомики (ST): загрязнения сигналов экспрессии генов между соседними клетками. Авторы предлагают использовать так называемые «якорные гены» (гены, которые не экспрессируются в конкретном кластере клеток), чтобы сделать процесс разделения нативного сигнала и загрязнения математически однозначным (identifiable). Методология DeSpotX включает использование пространственной информации через взвешенное по расстоянию усреднение соседей и применение обучаемого диффузионного априорного распределения для предотвращения чрезмерной коррекции низкоуровневых сигналов. В ходе симуляций на пяти наборах данных и четырех платформах ST модель показала превосходные результаты с показателем AUROC >0.94, превзойдя лучшие существующие методы на 0.02–0.12 пункта. При тестировании на реальных тканях (мозг мыши и рак молочной железы) метод продемонстрировал повышение специфичности маркерных генов и более точную реконструкцию сетей межклеточной коммуникации. Исследование подтверждает, что итеративное использование DeSpotX позволяет значительно точнее определять источники лиганд-рецепторных сигналов, что критически важно для точной биологической интерпретации данных.

В исследовании представлена инновационная двухэтапная архитектура для автоматической сегментации восьми сегментов печени по системе Куино на основе КТ и МРТ-изображений. Авторы решают критическую проблему: традиционные алгоритмы, обученные на здоровых органах, теряют точность при работе с гепатоцеллюлярной карциномой (ГЦК) из-за патологических деформаций структуры. Предложенный метод объединяет легкую нейросеть 3D UNet для изоляции объема печени и 3D графовую сверточную сеть (3D GCN) для анализа сложных анатомических связей. Для обеспечения топологической согласованности применяется стандартизированный пайплайн предобработки, нормализующий объем печени до 50 кадров по оси Z. В ходе слепого тестирования на новых клинических наборах данных модель показала высокую точность с коэффициентом Dice (mean Dice score) на уровне 0,828. Разработка имеет высокую практическую значимость, так как позволяет врачам быстро локализовать подозрительные узлы и опухоли в конкретных сегментах, а авторы предоставляют открытый доступ к коду и предобученным весам.

Исследователи представили крупнейший на сегодняшний день мультиомный датасет нейроэндокринных опухолей легкого (lung NETs), охватывающий 201 участника и 294 опухоли. В состав набора данных включены результаты секвенирования РНК, метилирования (EPIC 850K) и полногеномного секвенирования, что позволяет детально изучать молекулярные группы новообразований. Особую ценность представляет мультирегиональное полногеномное секвенирование 41 пациента для оценки внутриопухолевой гетерогенности, а также пространственная протеомика (64 участника) и пространственная транскриптомика (4 участника). Набор также содержит гистопатологические изображения (WSI) для 212 случаев, что открывает возможности для использования алгоритмов глубокого обучения (deep learning) для идентификации морфологических признаков конкретных молекулярных групп. Данный ресурс предназначен для комплексной характеристики опухолей и интеграции данных на различных масштабах, обеспечивая воспроизводимость исследований благодаря предоставлению всех скриптов и обработанных данных.

Разработана модель глубокого обучения для быстрой классификации органов по гистологическим препаратам (H&E) с использованием низкоразрешенных миниатюр. Метод позволяет проводить автоматизированный контроль качества цифровых архивов, выявляя ошибки маркировки образцов менее чем за секунду.

В статье представлен оптимизированный вариант сетей Omni-Dimensional Dynamic Convolution (ODConv) для анализа гистопатологических изображений. Метод позволяет более гибко извлекать признаки из тканей с высокой морфологической гетерогенностью, демонстрируя высокую эффективность в диагностике нейродегенеративных и метаболических заболеваний скелетных мышц.

Разработан новый вычислительный фреймворк TIMEL, использующий глубокое обучение для анализа микроокружения опухоли на гистологических изображениях. Исследование показало, что пространственные характеристики иммунных и опухолевых клеток позволяют эффективно прогнозировать выживаемость и риск метастазирования.

В данной работе представлен emb2dis — инновационный инструмент глубокого обучения, предназначенный для предсказания неупорядоченности белков (IDPs) непосредственно по их аминокислотной последовательности. Методология исследования базируется на использовании предобученных языковых моделей белков (pLMs) для генерации эмбеддингов, которые затем обрабатываются гибридной архитектурой, сочетающей остаточные сети (ResNets) и расширенные (dilated) свертки. Такое архитектурное решение позволяет значительно увеличить рецептивное поле модели, обеспечивая захват расширенного контекста для каждого аминокислотного остатка. В ходе тестирования на актуальном слепом бенчмарке CAID3 модель заняла первое место в категории Disorder-PDB, продемонстрировав высокие показатели AUC и Fmax. Кроме того, emb2dis вошел в топ-10 лучших методов на наборе данных Disorder-NOX. Разработка имеет высокую практическую значимость, так как позволяет эффективно и дешево предсказывать структурные особенности белков, связанные с различными заболеваниями, заменяя дорогостоящие экспериментальные методы. Авторы обеспечили открытый доступ к исходному коду и веб-демо для широкого использования в биоинформатике.

В исследовании представлена SSPSPredictor — инновационная мультимодальная модель глубокого обучения, предназначенная для идентификации фазово-разделяющихся белков (PSP), которые лежат в основе формирования безмембранных органелл в клетках. Методология модели базируется на слиянии двух подходов: использовании языковой модели белков ESM-2 для анализа аминокислотных последовательностей и графовой нейронной сети GVP для извлечения структурных признаков. В отличие от существующих инструментов, SSPSPredictor демонстрирует сбалансированную точность в определении эндогенных PSP, прогнозировании склонности к жидкостно-жидкостному фазовому разделению (LLPS) и локализации ключевых доменов, ответственных за этот процесс. Анализ человеческого протеома с помощью данной модели показал, что доля внутренне неупорядоченных белков (IDP), подверженных LLPS, значительно превышает аналогичный показатель для белков с четко выраженной структурой. Особую клиническую значимость представляет обнаружение связи между патогенными мутациями и повышенной склонностью к фазовому разделению, особенно в неупорядоченных регионах белков. Это открывает новые возможности для понимания механизмов заболеваний на аминокислотном уровне с помощью ИИ.

Исследование представляет модель на базе VGG16, которая использует признаки симметрии тканей для раннего выявления аденокарциномы толстой кишки. Авторы интегрировали методы XAI (Grad-CAM, SHAP, LIME) для устранения проблемы «черного ящика» и достигли точности 99,85% на наборе из 10 000 гистопатологических снимков.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.

Представлена новая гибридная модель Quantum-SpinalNet, сочетающая Swin ResUNet3+ для сегментации опухолей и квантовую нейронную сеть (DQNN) для классификации. Исследование показало высокую эффективность на наборах данных CBIS-DDSM и DDSM с точностью 93,8%, что делает метод перспективным для клинической диагностики.

В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.

Разработана гибридная мультимодальная нейросеть, сочетающая классические CNN и квантовые вариационные схемы для диагностики болезни Паркинсона по рисункам спиралей и клиническим данным. Модель показала высокую точность (до 97.28%) и обеспечивает интерпретируемость результатов с помощью Grad-CAM и анализа чувствительности.

Разработан мультимодальный ИИ-фреймворк, объединяющий гистопатологические изображения и клинические данные для диагностики рака эндометрия. Модель демонстрирует высокую точность (AUC 0.95), обеспечивая при этом интерпретируемость результатов и защиту конфиденциальности данных пациентов.

Исследование представляет TB-Bench — комплексную платформу для оценки эффективности алгоритмов машинного (ML) и глубокого обучения (DL) в прогнозировании лекарственной устойчивости туберкулеза на основе данных полногеномного секвенирования (WGS). Авторы проанализировали 20 различных моделей из 8 существующих исследований, протестировав их на 14 препаратах второй линии. В ходе экспериментов на наборе данных ВОЗ (50 801 образец) было выявлено, что традиционные ML-модели, такие как XGBoost, демонстрируют более высокие показатели PRAUC (от 46% до 93%) для 10 из 14 препаратов по сравнению с глубоким обучением. При внешней валидации на 1 199 образцах было установлено, что ни один класс моделей не показал значительного превосходства над каталожными методами, что указывает на проблемы с обобщающей способностью алгоритмов. Результаты подчеркивают потенциал использования упрощенных ML-моделей в условиях ограниченных ресурсов. Исследователи опубликовали исходный код проекта для обеспечения воспроизводимости и дальнейшего развития стандартов оценки в клинической практике.