диагностика

Исследование, опубликованное в журнале npj Digital Medicine, посвящено анализу эффективности дистанционного мониторинга сна для раннего выявления когнитивного снижения. В ходе работы ученые использовали технологии носимых устройств и удаленного сбора данных для отслеживания физиологических показателей пациентов в их естественной среде обитания. Методология исследования базировалась на анализе долгосрочных паттернов сна, которые могут служить биомаркерами нейродегенеративных процессов. Ключевые результаты демонстрируют наличие четких корреляций между специфическими нарушениями архитектуры сна и прогрессирующим снижением когнитивных функций. Данная работа подчеркивает потенциал использования ИИ-алгоритмов для анализа данных дистанционного мониторинга в качестве инструмента предиктивной диагностики. Практическая значимость исследования заключается в возможности создания систем раннего предупреждения для пациентов с риском развития деменции и болезни Альцгеймера без необходимости проведения дорогостоящих лабораторных полисомнографий.

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, опубликованном в журнале npj Digital Medicine, представлен инновационный метод контрастного моделирования мозга для классификации подтипов депрессивных расстройств. Авторы применили передовые алгоритмы машинного обучения для анализа нейровизуализационных данных, что позволило идентифицировать специфические биологические подгруппы пациентов. Исследование демонстрирует, что выявленные подтипы имеют фундаментально разные траектории клинического прогрессирования и по-разному реагируют на стандартную терапию. Использование ИИ-моделей позволило достичь высокой точности в дифференциации состояний, которые ранее считались однородными. Результаты подчеркивают потенциал персонализированной психиатрии, где нейровизуализационные биомаркеры, обработанные ИИ, определяют наиболее эффективную стратегию лечения. Это открывает путь к внедрению прецизионных методов диагностики в клиническую практику для снижения риска неэффективного лечения депрессии.

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.

В исследовании представлена инновационная аналитическая платформа Spatial Fingerprints Analytics (SFinx), предназначенная для глубокого изучения пространственной транскриптомики (ST). Методология объединяет безреференсную деконволюцию, реконструкцию активности биологических путей и пространственный функциональный анализ данных (SFDA) для картирования локализованных взаимодействий в сложных тканях. При тестировании на наборах данных 10x Visium, полученных при изучении волчаночного нефрита у мышей, SFinx успешно реконструировал непрерывные ландшафты активности путей и фенотипов заболевания в срезах почек. Использование обобщенных аддитивных моделей с тензорными сплайнами позволило количественно оценить пространственно варьирующиеся связи между волчанкой и путями активации нейтрофилов, выявив как положительные, так и отрицательные корреляции, которые невозможно обнаружить стандартными методами bulk-анализа. Платформа обеспечивает интеграцию данных из нескольких срезов, учитывая специфическую вариативность каждого участка, и позволяет идентифицировать анатомически ограниченные воспалительные домены. Данный подход представляет собой универсальный инструмент для изучения механизмов аутоиммунных, онкологических и нейродегенеративных заболеваний на молекулярном уровне.

В статье представлен GCM (Genetic Clustering by Metric) — новый инструмент с открытым исходным кодом на языке Python, предназначенный для более точного выявления генных модулей в анализах коэкспрессии. В отличие от стандартных жадных алгоритмов, GCM рассматривает обнаружение модулей как задачу вывода максимального правдоподобия, используя блочно-диагональную однофакторную гауссовскую модель. Для глобальной оптимизации применяется меметический генетический алгоритм, сочетающий популяционный поиск с локальным уточнением, что позволяет перераспределять гены более эффективно, чем иерархическая кластеризация или k-means. Исследования на наборе данных Iris и тестах с шумом подтвердили, что GCM демонстрирует наименьшую дисперсию и превосходит существующие методы. В прикладном биомедицинском тесте на данных РНК-секвенирования при раке молочной железы алгоритм успешно выявил когерентные модули, которые эффективно предсказывают статус «опухоль против нормы». Инструмент отличается легкостью внедрения, так как требует только библиотек NumPy и SciPy, и поддерживает многокритериальную оптимизацию через гибкий интерфейс метрик.

Компания Raidium запускает платформу R.Read, представляющую собой AI-native решение для обнаружения поражений во всем теле и их сегментации. Система использует агентный ИИ для автоматизации долгосрочного отслеживания опухолей, что значительно снижает нагрузку на радиологов и вариативность измерений в клинических исследованиях.

В статье описывается клинический случай использования гибридной системы совмещения внутрисосудистого ультразвука (IVUS) и оптической когерентной томографии (OCT). Технология позволяет комбинировать высокое разрешение OCT с возможностями IVUS, что помогает точнее оценивать сложные поражения сосудов и снижать потребность в контрастном веществе.

В исследовании представлен FloREN — новый метод обучения представлений образцов (sample representation), предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов обучения без учителя, FloREN использует контролируемый (supervised) подход, моделируя данные как гетерогенную сеть, объединяющую клетки, гены, регуляторные связи и механизмы межклеточной коммуникации. Использование интерпретируемых графовых трансформеров позволяет не только стратифицировать пациентов по биологическим признакам, но и проводить поиск биомаркеров с высокой точностью. Методология включает в себя создание условных эмбеддингов (condition-aware embeddings) и механизмы внимания, что обеспечивает биологическую интерпретируемость результатов. В ходе тестирования на данных пациентов с иммуноопосредованными воспалительными заболеваниями (IMIDs) фреймворк успешно выявил специфические механизмы функционирования иммунных сетей. Данная разработка имеет высокую значимость для персонализированной медицины и понимания патогенеза сложных воспалительных процессов.

Исследование представляет новый интерпретируемый ансамблевый фреймворк на базе машинного обучения, предназначенный для прогнозирования жидкостно-жидкостного фазового разделения (LLPS) белков. В отличие от традиционных методов, опирающихся на структурную стабильность, данная модель использует эмбеддинги языковых моделей белков (protein language models) и предсказанные структуры для анализа внутренне неупорядоченных регионов (IDR). Разработанный двухэтапный классификатор эффективно разделяет белки на саморазделяющиеся и зависящие от партнеров, демонстрируя превосходство над существующими методами на независимых бенчмарках, особенно в категории партнерно-зависимых белков. Авторы применили модель к базам данных болезнетворных вариантов, обнаружив, что патогенные мутации значительно обогащены в регионах, ответственных за фазовое разделение. Результаты показывают, что такие мутации часто нарушают показатели склонности к LLPS, что указывает на нарушение регуляции фазового разделения как на ключевой механизм развития множества заболеваний. Данный инструмент позволяет не только точно идентифицировать фазоразделяющие белки, но и количественно оценивать влияние конкретных мутаций на биофизические свойства протеома.

В статье представлен DPCGS — инновационный вычислительный фреймворк, предназначенный для интеграции статистик полногеномного поиска ассоциаций (GWAS) с данными секвенирования РНК единичных клеток (scRNA-seq). Основная цель метода заключается в преодолении сложности связи генетических вариантов с конкретными клеточными популяциями, что критически важно для понимания механизмов сложных заболеваний. Методология DPCGS базируется на гипотезе, что гены, приоритезированные в GWAS, демонстрируют повышенную экспрессию в соответствующих целевых клетках по сравнению с контрольными группами. Бенчмаркинг на симулированных данных подтвердил, что DPCGS превосходит существующие аналоги по точности и чувствительности при идентификации релевантных типов клеток. В ходе практического применения алгоритма были выявлены ключевые клеточные субпопуляции: олигодендроциты и астроциты при болезни Альцгеймера, а также макрофаги и B-клетки при астме. Кроме того, метод позволил определить потенциальные молекулярные регуляторы, такие как транскрипционные факторы CD74, FOS, FLI1 и AP-1. Данная разработка открывает новые возможности для поиска биомаркеров и разработки таргетной терапии.

Исследование представляет инновационный двухэтапный конвейер для интерпретируемой классификации клеток крови, решающий проблему «черного ящика» в глубоком обучении. В первом этапе используется замороженная мультимодальная модель ConceptCLIP, которая преобразует изображения клеток в 70-мерный вектор морфологических концептов (таких как форма ядра и текстура хроматина) через zero-shot сходство. На втором этапе мягкое дерево решений (Soft Decision Tree, SDT) классифицирует клетки исключительно на основе этих концептуальных оценок, создавая прозрачный путь принятия решения. На наборе данных BloodMNIST система достигла точности 94,86%, что всего на 3% ниже показателей классических непрозрачных моделей. Важным достижением стало то, что модель смогла самостоятельно выявить различия между подтипами незрелых гранулоцитов (промиелоцитами и миелоцитами) без специального обучения на эти метки. Это доказывает возможность создания систем, чья логика полностью совпадает с клиническими критериями гематологов, обеспечивая возможность аудита и верификации каждого диагноза.

Компания Tempus объявила о стратегическом приобретении Personalis с целью интеграции передовых технологий мониторинга минимальной остаточной болезни (MRD) в свою мультимодальную ИИ-платформу для прецизионной онкологии. Сделка объединяет коммерческие масштабы и обширные наборы данных Tempus с высокоточными методами анализа Personalis, что позволит значительно улучшить процесс мониторинга рецидивов рака у пациентов. Основная цель интеграции заключается в использовании искусственного интеллекта для глубокого анализа молекулярных данных, что ускорит получение инсайтов о течении заболевания и поможет персонализировать терапию. Это расширение охватывает весь цикл оказания онкологической помощи, обеспечивая доступ к передовым технологиям мониторинга на ранних стадиях. В результате Tempus планирует ускорить рост и углубить свои возможности в области точной диагностики и прогнозирования клинических исходов.

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.

Разработан новый вычислительный фреймворк на основе машинного обучения и вложенного конформного прогнозирования для перехода к мультилейбл-классификации при малых выборках. Метод позволяет эффективно проводить подтипирование пациентов (на примере данных РНК-секвенирования рака молочной железы) с учетом неопределенности и гетерогенности образцов.

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.

Исследование посвящено разработке метода идентификации G-квадруплексов (G4) и других неканонических структур ДНК с использованием технологии секвенирования Oxford Nanopore (ONT). Авторы преодолевают ограничения традиционного короткопрочтения, такие как GC-смещение и низкое разрешение, применяя прямое секвенирование единичных молекул. В ходе экспериментов с использованием перманганата калия, окисляющего одноцепочечную ДНК, было установлено, что профиль ошибок при секвенировании G4-мотивов напрямую зависит от их исходного структурного состояния. Для анализа сырых данных электрического тока ONT были протестированы алгоритмы машинного обучения: логистическая регрессия, случайный лес, XGBoost и одномерные сверточные нейронные сети (1D CNN). Применение этих моделей позволило с точностью около 90% дифференцировать прочтения, происходящие от G4-мотивов, от прочтений в стандартной B-форме ДНК. Метод показал высокую эффективность при работе с модифицированной перманганатом ДНК, сохраняя длину прочтений и точность выравнивания. Полученные результаты открывают возможности для высокоточного картирования одноцепочечных участков ДНК в живых клетках, что критически важно для понимания механизмов геномной нестабильности.

Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный метод преодоления дефицита данных в дерматологии путем генерации синтетических клинических записей. Авторы разработали подход, позволяющий трансформировать существующие наборы данных, содержащие только изображения (унимодальные), в мультимодальные обучающие выборки с использованием синтезированного текстового сопровождения. Методология включает использование продвинутых языковых моделей для создания структурированных медицинских заметок, которые имитируют реальные описания кожных патологий. Ключевые результаты показывают, что интеграция этих синтетических данных значительно повышает точность и устойчивость (robustness) мультимодальных ИИ-моделей при диагностике заболеваний кожи. Данная технология позволяет эффективно использовать огромные архивы визуальных данных, которые ранее не могли быть полноценно задействованы в обучении мультимодальных систем. Практическая значимость работы заключается в возможности масштабирования обучения диагностических систем без необходимости ручного сбора и разметки колоссальных объемов текстовой информации врачами.