В исследовании представлена концептуальная платформа Symptio на базе многоагентных LLM, предназначенная для автоматизированного сбора структурированного анамнеза пациента до консультации с врачом. Система продемонстрировала высокую точность (F1 98.79%) при генерации анамнеза по медицинским фреймворкам (SOCRATES, SAMPLE и др.) в 100 симулированных сценариях, подтвердив техническую возможность переноса рутинного сбора информации на досмотровый этап с обязательной валидацией врачом.
В статье рассматривается стремительное развитие возможностей больших языковых моделей (LLM) в области геномики на примере личного опыта исследователя Эуэна Эшли. Если в 2009 году расшифровка и анализ всего генома человека требовали команды из 30 специалистов и почти года работы, то в 2026 году модель Claude справилась с этой задачей за 30 минут при стоимости около 5 долларов. Автор подчеркивает не только технологический прорыв в скорости и доступности генетического анализа, но и критическую необходимость разработки стандартов валидации и интерпретации результатов, полученных с помощью ИИ. Поднимается вопрос о том, как обеспечить надежность, безопасность и клиническую применимость таких автоматизированных выводов, чтобы они могли быть интегрированы в медицинскую практику. Статья акцентирует внимание на том, что технологическая возможность не равна клинической готовности, и требует внедрения строгих протоколов контроля качества ИИ-анализа геномных данных.
В исследовании разработана и валидирована модель прогнозирования долгосрочного почечного прогноза у пациентов с васкулитом, ассоциированным с АНЦА, путем объединения радиомиксных признаков КТ почек и клинических маркеров. Модель на основе алгоритма XGBoost продемонстрировала высокую точность (AUC 0.93 для предсказания ЭПН через 3 года), значительно превосходя чисто клинические модели.
Разработана вероятностная модель на основе гауссовой смеси (GMM) с подходом «один против одного» для определения подтипа лёгочной гипертензии по неинвазивным сигналам (фотоплетизмография, ортогональный градиент напряжения) у пациентов с положительным результатом ранее валидированного ML-диагностического теста. Модель позволяет оценить вероятность прекапиллярного подтипа и поддержать исключение тяжёлой формы заболевания, что помогает в принятии решения о направлении к специалисту.
Исследование применяет алгоритмы машинного обучения (в частности, LightGBM) для прогнозирования психических расстройств (тревожность, бессонница, низкое качество жизни) у жителей неформальных поселений в Индии. Авторы используют методы объяснимого ИИ (SHAP) для интерпретации моделей и проводят строгую валидацию с учетом кластерной структуры данных, подчеркивая необходимость внешней проверки для клинического применения.
В статье представлен обзор состояния клинического ИИ в 2026 году, основанный на отчете ARISE. Анализируются прогресс в области больших языковых моделей, методов оценки, интеграции в рабочие процессы и приложений для пациентов, а также выявляются ключевые проблемы, такие как нехватка проспективных испытаний и риски автоматизации.
В статье представлен систематический обзор исследований 2020–2026 годов, посвященных применению ИИ, глубокого обучения и генеративных моделей для диагностики остеопороза и прогнозирования переломов. Авторы анализируют эффективность методов, включая объяснимый ИИ (XAI) и мультимодальное обучение, и выявляют ключевые пробелы в валидации и регуляторной готовности. На основе анализа предлагается новая архитектура MXGNet для создания клинически применимых и интерпретируемых инструментов.
Обзорная статья рассматривает применение ИИ в гастроэнтерологической эндоскопии для обнаружения неопластических и преднеопластических поражений, критикуя фокус на диагностической точности в ущерб оценке клинических исходов и экономической эффективности. Авторы предлагают использовать стохастические микросимуляционные модели для оценки стоимости-эффективности и подчёркивают незаменимую роль человека как связующего звена между технологическими инновациями и реальным клиническим результатом.
В статье предлагается метод PEAT для точной сегментации почек и почечных опухолей на КТ-снимках, объединяющий фундаментальные модели (MedSAM) с задачами конкретного домена. Метод достигает высоких показателей Dice (97.69% для почек и 91.83% для опухолей на датасете KiTS21), превосходя существующие подходы за счет использования предварительных знаний и эффективного механизма внимания.
В статье предложен новый гибридный метод LCCSE-IPCNN-ViT, объединяющий улучшенную параллельную сверточную нейронную сеть (IPCNN) и Vision Transformer (ViT) для классификации рака легкого и оценки его стадии. Модель демонстрирует высокую точность (97,3%) и чувствительность (97,8%), превосходя существующие методы по скорости и снижению ложноположительных срабатываний, что делает её перспективной для ранней диагностики.
Статья предлагает новую модель EMSSTGAN на основе графовых сетей внимания для автоматического измерения толщины воротникового пространства (NT) на УЗИ. Метод включает предварительную обработку изображений, сегментацию области NT и точное измерение толщины для оценки риска хромосомных аномалий, достигая точности 98,15%. Это решение устраняет субъективность ручного измерения и повышает надежность ранней диагностики.
В статье представлена новая методология оценки OCTAVE (Octave-scale Evaluation), предназначенная для более точной проверки моделей искусственного интеллекта, предсказывающих пространственную экспрессию генов на основе гистологических изображений. Авторы критикуют стандартный метрический подход, основанный на среднем коэффициенте корреляции Пирсона (PCC) по генам, указывая на его неспособность различать пространственные масштабы: модель может получать высокие баллы просто за улавливание крупной организации ткани, игнорируя мелкомасштабные детали. Для демонстрации этой проблемы используется концепция «доменного оракула», который показывает, что даже простые статистические предсказания на основе разбиения ткани достигают 82–123% от результата сложных обучаемых моделей при стандартном разрешении (~100 мкм). Методология OCTAVE решает эту проблему, разделяя предсказания и измерения на пространственные полосы шириной в микрометры и оценивая их соответствие на каждом отдельном масштабе. Анализ данных Xenium с разрешением 16 мкм выявил, что на мелких масштабах (~20 мкм) недостатки моделей становятся значительно более очевидными, чем это видно через призму PCC, а оракул отстает от обученной модели в 2,4 раза больше, чем по среднему PCC. Исследование охватило 57 различных кодировщиков изображений и показало, что finest band (самый мелкий масштаб) меняет рейтинг 261 пары из 1596 по сравнению со стандартной метрикой, что доказывает несостоятельность текущих бенчмарков шириной 50 мкм для валидации тонкой структуры. Внедрение OCTAVE позволяет напрямую валидировать способность ИИ-моделей предсказывать экспрессию генов на конкретных пространственных масштабах, что критически важно для развития точной цифровой патологии и пространственной транскриптомики.
В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.
В исследовании, опубликованном в журнале npj Digital Medicine 3 октября 2026 года, представлена новая интерпретируемая система диагностики на основе УЗИ молочных желез, использующая мультимодальный подход с поиском с дополнением (Retrieval Augmented Generation, RAG). Методология включает интеграцию визуальных данных УЗИ с текстовыми клиническими контекстами для повышения точности и прозрачности решений искусственного интеллекта. Система прошла многонациональную клиническую валидацию, что подтверждает её надежность в различных демографических и технических условиях. Ключевым элементом является проведение исследования с участием врачей-радиологов, где ИИ-ассистент сравнивался с экспертной оценкой, демонстрируя значительное улучшение чувствительности и специфичности диагностики. Результаты показывают, что внедрение интерпретируемых ИИ-моделей позволяет не только повысить точность выявления патологий, но и обеспечить доверие со стороны медицинского персонала за счет объяснимости выводов. Это исследование закладывает основу для клинического внедрения мультимодальных ИИ-систем в рутинную практику маммологии и УЗИ-диагностики.
Компания Prenuvo запустила Исследовательскую сеть для изучения ранних признаков заболеваний с использованием базы данных из более чем 200 000 снимков МРТ всего тела и собственных ИИ-инструментов. Инициатива направлена на создание доказательной базы для превентивной медицины в сотрудничестве с ведущими академическими институтами.
Больница SMRMC установила первую в США КТ-систему Philips Rembra, предназначенную для работы в условиях высокой нагрузки и экстренной помощи. Устройство использует ИИ-оптимизированные рабочие процессы и быструю реконструкцию изображений для сокращения времени сканирования и ускорения клинических решений в неотложных состояниях.
Компания Tiny Health привлекла $33 млн в рамках раунда Series B для финансирования клинических исследований и развития своих ИИ-технологий. Платформа использует искусственный интеллект для анализа данных микробиома и предоставления персонализированных рекомендаций по здоровью, что напрямую связано с применением ИИ в медицинской диагностике и профилактике.
Компания DreaMed Diabetes получила одобрение FDA для приложения MODI, которое использует алгоритмы для автоматической оптимизации дозировок инсулина у пациентов с диабетом 2 типа, сочетающих базальную терапию и множественные инъекции. Система анализирует данные непрерывного мониторинга глюкозы (CGM) и предоставляет персонализированные рекомендации по дозам, что позволяет чаще корректировать терапию без необходимости ручного одобрения каждого изменения врачом.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методика автоматизированной количественной оценки и трехмерной визуализации острой травмы спинного мозга шейного отдела позвоночника с использованием данных магнитно-резонансной томографии (МРТ). Авторы разработали алгоритмы искусственного интеллекта и машинного обучения для обработки многопоследовательных МРТ-сканов, что позволяет не только точно определять локализацию и степень повреждения, но и создавать детализированные 3D-модели пораженных участков. Методология включает автоматическое сегментирование тканей спинного мозга и выделение патологических изменений на различных последовательностях сканирования, что значительно превосходит традиционные ручные методы оценки по скорости и воспроизводимости. Ключевые результаты демонстрируют высокую точность алгоритмов в дифференциации типов травм и оценке объема повреждения, что критически важно для прогнозирования исходов лечения и планирования хирургических вмешательств. Внедрение данной технологии в клиническую практику способно сократить время диагностики, минимизировать субъективность оценки радиологов и улучшить коммуникацию между специалистами благодаря наглядной 3D-визуализации. Исследование подчеркивает значимость применения ИИ в нейрорадиологии для повышения качества помощи пациентам с острыми травмами спинного мозга.
В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена инновационная мобильная платформа Strabismus-Net, предназначенная для автоматизированной диагностики косоглазия на основе стандартных фотографий глаз. Архитектура приложения базируется на передовой нейросетевой модели, использующей механизм двухпоточного кросс-внимания (dual-stream cross-attention) для глубокого анализа микровыражений и выравнивания зрачков, а также метод адаптивного агрегирования признаков для повышения точности классификации типов косоглазия. Система обрабатывает изображения, сделанные в девяти различных направлениях взгляда, что позволяет учитывать сложные паттерны отклонения глазных яблок и снижает вероятность ложноположительных результатов, характерных для однокадровых систем. Ключевым преимуществом разработки является интеграция мощных алгоритмов компьютерного зрения непосредственно в мобильное приложение, что делает инструмент доступным для использования в условиях амбулаторного приема или даже в домашних условиях без необходимости в дорогостоящем специализированном оборудовании. Результаты тестирования демонстрируют высокую чувствительность и специфичность модели, сопоставимые с оценками опытных офтальмологов, что подтверждает клиническую значимость предложенного подхода. Внедрение такого решения способно существенно ускорить первичный скрининг пациентов, особенно в регионах с нехваткой узких специалистов, и способствовать раннему выявлению нарушений зрительной функции у детей и взрослых.
