диагностика

Исследование опубликовано в журнале npj Digital Medicine 7 августа 2026 года и посвящено применению искусственного интеллекта для оценки тяжести травм на догоспитальном этапе. Авторы разработали систему PHISE (Prehospital Injury Severity Estimate), которая использует ИИ-модели для прогнозирования тяжести повреждений до прибытия пациента в стационар. Ключевое утверждение исследования заключается в том, что догоспитальные оценки тяжести травм, полученные с помощью ИИ, сопоставимы по точности с традиционными внутрибольничными травматологическими шкалами. Это имеет важное практическое значение для экстренной медицины, поскольку позволяет медицинским службам быстрее принимать решения о маршрутизации пациентов и распределении ресурсов. Однако предоставленный текст содержит только метаданные публикации без подробностей о методологии, размере выборки, конкретных метриках точности или типах используемых алгоритмов машинного обучения. Для полноценной оценки качества исследования необходима информация о валидации модели, сравнении с существующими методами и клинических исходах.

Обзор систематизирует исследования по применению глубокого обучения в диагностике лейкемии, охватывая анализ изображений крови и костного мозга, геномные данные, проточную цитометрию и мультимодальные подходы. Критически оцениваются проблемы обобщаемости моделей, интерпретируемости и клинической применимости, предлагаются направления для будущих исследований включая fusion-подходы и валидацию на внешних датасетах.

Исследование применяет машинное обучение для прогнозирования диабета на 353 680 записях, достигая AUC-ROC 0.8481 с помощью оптимизированного ансамбля стекинга (Random Forest, XGBoost, LightGBM). Авторы формализуют «парадокс импутации» и анализируют несогласованность методов объяснимого ИИ (SHAP, LIME, permutation), демонстрируя потенциальное выявление ~16 600 дополнительных пациентов с диабетом на миллион обследованных.

Исследование демонстрирует применение искусственного интеллекта и машинного обучения для ранней диагностики болезни Альцгеймера за несколько лет до появления клинических симптомов. Технология анализирует краткие цифровые тесты (несколько минут), извлекая поведенческие данные через множественные ML-модели одновременно. Система генерирует оценку риска когнитивных нарушений, предсказывает вероятность положительного результата на амилоидные бляшки и улучшает точность биомаркеров крови, определяя пациентов для дальнейшего тестирования. Разработаны первые поведенческие цифровые биомаркеры, связывающие повседневное когнитивное поведение с underlying патологией мозга. Алгоритмы фиксируют незаметные при стандартном наблюдении изменения в тайминге, последовательности и беглости действий (рисование, паузы, речь), отражающие координацию моторного планирования, языка, внимания и исполнительных функций. Решение особенно ценно в условиях дефицита неврологов и нейropsychологов, когда ожидание когнитивной оценки растягивается на месяцы. Технология позволяет врачам первичного звена определять необходимость дополнительного тестирования, специализированного направления или усиленного наблюдения во время обычного визита.

Статья критикует современные ИИ-инструменты для медицинской документации, которые автоматически генерируют коды ICD-10 для выставления счетов, но не обеспечивают клинически точные диагнозы. Автор подчёркивает, что система кодирования ICD-10 создана для классификации визитов с целью оплаты, а не для отражения клинической реальности. Неспецифические коды (например, «злокачественное новообразование мозга, неуточнённое») позволяют получить оплату, но скрывают критически важную информацию — например, отличие глиобластомы от других опухолей мозга, что требует совершенно разных подходов к лечению. Проблема становится особенно острой в эпоху геномики и таргетной терапии, где решение о лечении зависит от конкретного генетического варианта. На примере болезни Шарко-Мари-Тута (наследственная нейропатия) показано: раньше лечения не существовало, но сегодня разрабатываются таргетные препараты, доступ к которым возможен только при точном диагнозе с указанием конкретного генетического варианта. Размытые диагнозы навсегда остаются в истории болезни и влияют на клинические решения годами, лишая пациентов доступа к персонализированному лечению. Автор предупреждает, что этот разрыв между кодом для плательщика и информацией для врача превращается из неудобства в проблему безопасности пациентов.

Американский стартап Throne Science из Остина привлёк $10 млн в раунде серии A (общая сумма сборов ~$18 млн) на разработку ИИ-устройства для мониторинга здоровья через анализ отходов жизнедеятельности. Устройство крепится под сиденье унитаза и использует систему компьютерного зрения из примерно 12 моделей для анализа физических характеристик отходов и преобразования их в медицинские показатели. Второй уровень ИИ обрабатывает эти данные, предоставляя персонализированные рекомендации по здоровью кишечника, аналогично фитнес-трекерам Whoop или Oura. Устройство идентифицирует пользователей через Bluetooth за ~3 секунды, отличая членов семьи от гостей. Стоимость устройства составляет $399 плюс подписка $5,99/месяц или $69,99/год. Основанная в 2023 году компания позиционирует продукт как «детектор дыма для рака толстой кишки», учитывая что колоректальный рак стал ведущей причиной онкологической смертности среди американцев до 50 лет, а более 60% жителей США испытывают симптомы нарушений пищеварения еженедельно.

Компания Doctronic, работающая на базе искусственного интеллекта в сфере первичной медицинской помощи, объявила о приобретении виртуальной педиатрической платформы Summer Health. Doctronic использует ИИ-платформу для анализа симптомов пациентов и формирования планов лечения на основе рецензируемых исследований, а также предлагает видеоконсультации с врачами за $39. За два года платформа обслужила более 30 миллионов медицинских обращений во всех 50 штатах США. Summer Health, основанная в 2022 году, специализируется на текстовой педиатрической помощи и обработала свыше 100 000 детских обращений по вопросам лихорадки, питания, медикаментов, сна и развития. Ключевая ценность сделки — доступ Doctronic к уникальному датасету из 100 000 педиатрических текстовых сообщений, который позволит обучить более точные ИИ-модели для детской медицины. Основатель Summer Health Эллен Дасильва войдёт в команду Doctronic как старший вице-президент по партнёрствам. Объединение платформ создаст комплексную ИИ-ориентированную систему здравоохранения для всей семьи — от рождения до взрослого возраста, обеспечивая доступ к качественной педиатрической помощи вне традиционных часов приёма.

Статья рассматривает применение ИИ (машинное обучение и глубокое обучение) для перехода от реактивного мониторинга малярии к предиктивному прецизионному общественному здравоохранению. Авторы анализируют три направления: surveillance (обнаружение случаев, мониторинг переносчиков), прогнозирование вспышек и оптимизацию вмешательств, отмечая точность диагностики свыше 90%, но подчёркивая необходимость решения проблем качества данных, алгоритмической предвзятости и локальной адаптации моделей.

Исследователи из ведущих американских университетов — Массачусетского технологического института, Стэнфордского и Колумбийского — провели исследование о влиянии объяснений больших языковых моделей на точность медицинской диагностики у людей без медицинского образования. В работе изучалось, как LLM-генерированные пояснения помогают пользователям диагностировать заболевания кожи и одновременно влияют на уровень доверия к рекомендациям искусственного интеллекта. Результаты показали двойственный эффект: объяснения действительно повышают точность диагностики у непрофессионалов, но одновременно увеличивают склонность безоговорочно доверять ИИ, даже когда алгоритм ошибается. Врачи демонстрируют значительно более критичное отношение — они чаще распознают ошибки алгоритма и реже следуют неверным рекомендациям системы. Исследование подчёркивает важность разработки более прозрачных и надёжных систем объяснимого ИИ для медицинского применения, особенно при использовании непрофессионалами. Работа опубликована в авторитетном рецензируемом журнале Nature Medicine, что подтверждает научную значимость полученных результатов и их потенциальное влияние на регулирование медицинских ИИ-систем.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.

Представлен фреймворк TeleZK-FL для приватного федеративного обучения диагностических ИИ-моделей в телемедицине с использованием квантования и zero-knowledge доказательств непосредственно на граничных устройствах. Система ускоряет генерацию криптографических доказательств в 25 раз, сокращает объём передаваемых данных на 75% при сохранении диагностической точности (AUC 0.877 для рентгена грудной клетки, 0.891 для ЭКГ).

GE HealthCare запустила новые решения для УЗИ молочной железы Invenia ABUS Prime и ABUS StreamVue с интегрированными ИИ-инструментами Verisound AI и QVCAD для оценки качества сканирования и обнаружения поражений. ИИ-ассистент демонстрирует сокращение времени чтения на 33% и чувствительность до 93% для детекции опухолей, что особенно важно для женщин с плотной тканью молочной железы.

DeepHealth получила разрешение FDA 510(k) на ИИ-решение для УЗИ молочной железы, которое автоматизирует обнаружение поражений, характеристику и отчётность с точностью локализации >98%. Система внедряется в сети RadNet и потенциально охватит более 700 000 исследований annually, сокращая время интерпретации радиологами на 37%.

Исследование представляет собой клиническую валидацию системы искусственного интеллекта для анализа морфологии периферической крови в цифровом формате. Работа выполнена в формате многоцентрового рандомизированного парного исследования, что является золотым стандартом для клинической валидации диагностических инструментов. ИИ-ассистированный подход направлен на автоматизацию и повышение точности анализа клеток крови, что критически важно для диагностики гематологических заболеваний, анемий, лейкозов и других патологий. Многоцентровый дизайн обеспечивает репрезентативность результатов и возможность генерализации выводов на различные клинические условия и популяции пациентов. Парный метод исследования позволяет напрямую сравнить эффективность ИИ-системы с традиционными методами морфологического анализа. Публикация в npj Digital Medicine указывает на высокий научный уровень работы и её соответствие стандартам цифровой медицины. Результаты исследования имеют практическую значимость для внедрения ИИ-диагностики в клиническую лабораторную практику.

Исследование изучает мнение 10 клиницистов о применении машинного обучения для диагностики обструктивного апноэ сна. Выявлена необходимость регуляторных руководств и участия медицинских экспертов, при этом врачи должны сохранять ведущую роль над ИИ. Работа направлена на повышение доверия клиницистов к машинному обучению и улучшение внедрения технологий в клиническую практику.

Исследование представляет новый метод интерпретации протеиновых языковых моделей (PLM) для идентификации функционально значимых регионов белков. Авторы использовали модель ESM-2 (Evolutionary Scale Modelling 2) для выявления сайтов с высоким вниманием (HA sites) — специфических аминокислотных остатков, которым модель assigns наибольшее внимание на ранних этапах кодирования. Применено unsupervised clustering для категоризации HA сайтов на четыре типа: «структурное ядро», «структурные патогенные», «ядерные патогенные» и «низкая достоверность». Методология включала интеграцию с предсказаниями патогенности AlphaMissense и данными пан-ракового анализа всего генома (PCAWG) для валидации. Результаты показали, что HA сайты эффективно предсказывают белковые регионы с высоким патогенным риском и могут идентифицировать кандидатные сайты связывания. В нескольких примерах онкологических белков метод обнаружил ранее неизвестные регионы с высокой вероятностью взаимодействия, что имеет потенциальную терапевтическую ценность. Работа демонстрирует биологическую интерпретируемость представлений PLM и предлагает практический инструмент для приоритизации функционально релевантных белковых остатков в биомедицинских исследованиях и разработке таргетных терапий.

Искусственный интеллект стремительно трансформирует медицинскую визуализацию, обеспечивая автоматическое обнаружение, классификацию и прогнозирование рисков в растущем числе клинических применений. В исследовании, опубликованном в The Lancet Digital Health, Ян Чжоу и коллеги представляют MerMED-FM — мультимодальную фундаментальную модель медицинской визуализации для множественных заболеваний. Модель обучена на более чем 3,3 миллиона изображений, охватывающих семь различных модальностей визуализации и более десяти клинических специальностей. Ключевая инновация заключается в способности модели интегрировать информацию across различных типов медицинских изображений, что отражает реальную клиническую практику, где врачи routinely объединяют данные из разных источников. Фундаментальные модели представляют собой следующий этап развития ИИ в медицине, позволяя создавать универсальные системы вместо узкоспециализированных решений для отдельных задач. MerMED-FM демонстрирует потенциал для улучшения диагностической точности, сокращения времени анализа и поддержки клинических решений в разнообразных медицинских контекстах. Разработка таких моделей требует значительных вычислительных ресурсов и тщательно курированных датасетов, но обещает стандартизацию подходов к ИИ-диагностике. Внедрение единых фундаментальных моделей может упростить регуляторное одобрение и клиническую валидацию ИИ-решений в здравоохранении.

Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.