диагностика

GE HealthCare представила решение MIM ComboTherapy GYN HDR/EBRT, предназначенное для планирования комбинированной лучевой терапии при гинекологических заболеваниях. Технология использует передовое 3D-суммирование доз и биологические модели для точной оценки накопленного облучения, что позволяет персонализировать лечение и минимизировать риски.

Исследователи из Лаборатории таргетной терапии и предиктивной диагностики Центрального университета представили инновационную методику раннего выявления воспалительных процессов на основе алгоритмов машинного обучения. Метод базируется на анализе специфических биомаркеров и паттернов, которые ранее не поддавались автоматизированному распознаванию. В ходе предварительных испытаний система продемонстрировала высокую точность, позволяющую дифференцировать различные типы воспалений на стадиях, когда клинические симптомы еще отсутствуют. Использование ИИ позволяет сократить время постановки диагноза и минимизировать риск развития хронических осложнений у пациентов. Данная разработка имеет критическое значение для предиктивной медицины, позволяя перейти от реактивного лечения к проактивной стратегии управления здоровьем. Внедрение метода в клиническую практику может значительно снизить нагрузку на систему здравоохранения за счет раннего вмешательства.

В статье представлено Carafe2 — инновационное программное обеспечение на базе глубокого обучения, предназначенное для создания высококачественных спектральных библиотек in silico специально для протеомики данных timsTOF. В отличие от существующих инструментов, которые либо не поддерживают ионную подвижность, либо обучаются на данных DDA (data-dependent acquisition), Carafe2 обучается непосредственно на экспериментальных DIA-данных, что минимизирует систематические ошибки. Разработчики провели тонкую настройку моделей предсказания времени удерживания (RT), интенсивности фрагментных ионов и ионной подвижности, используя нативные файлы формата Bruker .d без необходимости предварительной конвертации. Исследования на наборах данных глобального протеома, фосфопротеома и плазменного протеома показали, что модели Carafe2 превосходят предобученные DDA-модели по точности. Сравнительный анализ с такими инструментами, как AlphaPeptDeep и встроенные модели DIA-NN, подтвердил высокую эффективность Carafe2 в обнаружении пептидов. Данная разработка значительно повышает возможности количественного анализа белков в сложных биологических образцах, используя дополнительное измерение ионной подвижности.

Представлена новая веб-платформа MetaGEAR Explorer, предназначенная для глубокого исследования связей между генами микробиома и такими заболеваниями, как воспалительные заболевания кишечника (ВЗК) и колоректальный рак (КРР). Платформа позволяет проводить интерактивный и программный поиск по более чем 33 миллионам семейств микробных генов, охватывающих 9 053 метагеномных образца из 24 различных когорт. Методология включает использование запросов по нуклеотидным или аминокислотным последовательностям (BLAST), а также поиск на основе доменов Pfam. Система вычисляет распространенность генов в зависимости от заболевания, анализирует таксономическую стратификацию на уровне видов и предоставляет данные о функциональных доменах. В ходе демонстрации возможностей платформы на примере гена нитратредуктазы (narG) и генов самозащиты колибактина (clbS и гомологов DUF1706) было выявлено изменение паттернов носительства от комменсалов к Gammaproteobacteria при патологиях. Инструмент включает каталог из 13 795 пангеномов видов (MSP) и поддерживает экспорт данных через API, что делает его ценным ресурсом для функционального мета-анализа микробиома.

Исследователи представили KuafuPrimer — инновационный инструмент на базе машинного обучения (few-shot learning), предназначенный для проектирования оптимальных праймеров для секвенирования гена 16S рРНК. Основная проблема традиционных универсальных праймеров заключается в систематической ошибке (bias), которая искажает состав микробных сообществ. В ходе симуляций на 809 образцах из 26 различных сред KuafuPrimer показал превосходство над универсальными праймерами, снизив ошибку в среднем на 16,31%, а в образцах растений — на 46,08%. Инструмент позволил обнаружить 29 редких и ключевых таксонов, которые ранее были невидимы для стандартных методов. Валидация на 317 образцах микробиоты кишечника подтвердила стабильность результатов на разных временных и индивидуальных этапах. В клинических тестах на образцах пациентов с инфекцией Clostridioides difficile инструмент успешно идентифицировал патоген, который пропускали универсальные праймеры, что демонстрирует огромный потенциал KuafuPrimer для повышения точности клинической диагностики и масштабных микробиомных исследований.

В исследовании представлена интеллектуальная система VDT2, использующая анализ гласных звуков для неинвазивной диагностики сахарного диабета 2 типа. Благодаря сочетанию регрессии Lasso и ансамбля логистической регрессии с механизмом внимания, метод достиг точности обнаружения 78%, превосходя традиционные подходы.

Обзорный материал посвящен применению ИИ в кардиологии и кардиоторакальной хирургии, включая диагностику заболеваний клапанов сердца и поддержку принятия решений при операциях. Авторы подчеркивают потенциал ИИ в анализе мультимодальных данных, но указывают на необходимость проспективной валидации и решения проблем интерпретируемости моделей.

В статье представлен новый метод Scale-Consistent Attribution (SCA), который интегрирует клинические знания в процесс обучения нейросетей для анализа фонокардиограмм. Метод позволяет сделать объяснения ИИ более физиологически обоснованными, разделяя низкочастотные звуки сердца и высокочастотные шумы без потери точности классификации.

Исследование посвящено поиску новых путей борьбы с инфекциями мочевыводящих путей (ИМП) в условиях растущей антибиотикорезистентности. Авторы провели сравнительный анализ микробиома мочи пациентов с ИМП и здоровых добровольцев, используя данные секвенирования 16S рРНК. В ходе работы было выявлено значительное различие в микробном составе: у пациентов с инфекциями доминировала Escherichia coli, в то время как у здоровых людей наблюдалось обогащение микрофлоры Lactobacillus crispatus. Функциональный анализ метаболических путей подтвердил, что полезные микроорганизмы в здоровой группе обеспечивают защитные механизмы. Результаты исследования позволяют рассматривать L. crispatus как наиболее перспективный кандидат для разработки пробиотических препаратов, направленных на профилактику и контроль ИМП. Данная работа закладывает основу для создания таргетных терапевтических формуляций для доставки пробиотиков непосредственно в мочевыводящие пути.

Исследователи представили cfMIND — инновационный фреймворк на базе машинного обучения, предназначенный для высокоточного обнаружения заболеваний через анализ метилирования внеклеточной ДНК (cfDNA) в плазме крови. В отличие от традиционных методов, которые агрегируют данные на уровне регионов и теряют важные сигналы, cfMIND работает на уровне отдельных чтений (read-level), что позволяет сохранять редкие специфические для определенных типов клеток биомаркеры. При тестировании на обширном наборе данных (n = 868) система продемонстрировала выдающуюся эффективность с показателем AUROC до 0,966. Фреймворк сохраняет высокую точность даже при сверхнизкой глубине секвенирования (0,2x) и эффективно выявляет рак на ранних стадиях. Особое внимание уделено универсальности: cfMIND работает на различных технологиях секвенирования и не требует переобучения при смене когорт. Помимо онкологии, метод показал успешность в диагностике незлокачественных заболеваний, в частности, бокового амиотрофического склероза (БАС). Функциональный анализ подтвердил, что выявленные системой признаки обогащены в ключевых регуляторных регионах, связанных с патогенезом заболеваний.

Данная работа представляет собой методологическое руководство по применению искусственного интеллекта для анализа данных жидкостной биопсии (LB) в онкологии. Авторы подчеркивают, что, несмотря на огромный потенциал неинвазивного обнаружения опухолевых биомаркеров, в литературе наблюдается дефицит исследований, успешно интегрирующих признаки LB с помощью ИИ. В статье предлагается структурированный подход к проектированию исследований, включая определение критериев отбора пациентов и выбор объема выборки. Особое внимание уделяется стратегиям предобработки данных: нормализации, коррекции батч-эффектов, а также методам обработки выбросов и пропущенных значений. Авторы рекомендуют использование различных алгоритмов машинного и глубокого обучения для селекции признаков с целью повышения робастности моделей. В работе также акцентируется необходимость проведения строгой внутренней и внешней валидации, а также оценки клинической применимости и интерпретируемости моделей, что является критическим фактором для их внедрения в реальную медицинскую практику.

Данное исследование, опубликованное в журнале npj Digital Medicine, представляет собой рандомизированное контролируемое испытание эффективности применения систем искусственного интеллекта для обнаружения колоректальных поражений в условиях частных клиник. В работе анализируется, насколько использование ИИ-ассистентов помогает эндоскопистам повысить точность выявления полипов и других патологий во время колоноскопии. Методология исследования направлена на сравнение показателей обнаружения аденом (ADR) между группами врачей, использующих ИИ-поддержку, и контрольной группой, выполняющей процедуры стандартным способом. Ожидается, что внедрение подобных технологий позволит значительно снизить риск пропуска клинически значимых поражений, что критически важно для профилактики колоректального рака. Результаты подчеркивают практическую значимость интеграции компьютерного зрения в рутинную эндоскопическую практику для повышения качества медицинского обслуживания и точности диагностики.

В данной научной работе, опубликованной в журнале npj Digital Medicine, представлен инновационный подход к использованию мультизадачного глубокого обучения (Multi-task deep learning) для автоматизации анализа нейровизуализационных данных. Исследование направлено на решение сложной задачи одновременного обнаружения и дифференциальной диагностики глиом и метастазов головного мозга на основе МРТ-снимков. Методология базируется на архитектуре нейронных сетей, способных обучаться нескольким задачам параллельно, что позволяет модели лучше улавливать общие признаки патологий и разделять специфические характеристики различных типов опухолей. Ключевым результатом является повышение точности сегментации и классификации новообразований по сравнению с традиционными однозадачными моделями. Разработанный алгоритм демонстрирует высокую чувствительность и специфичность, что критически важно для клинической практики. Внедрение подобных систем ИИ может существенно ускорить процесс постановки диагноза, снизить нагрузку на радиологов и минимизировать риск человеческой ошибки при интерпретации сложных снимков головного мозга.

В исследовании представлен kaleidoCell — новый высокопроизводительный Python-фреймворк с GPU-ускорением, предназначенный для консенсусной нетривиальной матричной факторизации (NMF). Инструмент позволяет идентифицировать воспроизводимые мета-программы в крупных гетерогенных наборах данных секвенирования единичных клеток (scRNA-seq). При бенчмаркинге против R-пакета geneNMF kaleidoCell продемонстрировал двукратное увеличение скорости обработки данных. В качестве прикладного примера авторы использовали анализ глиобластомы при лечении панобинастатом (ингибитором HDAC). Исследование выявило, как ингибирование HDAC изменяет состояния злокачественных клеток на уровне единичных клеток, подтвердив подавление программ, схожих с нейральными и олигодендроцитарными предшественниками. Кроме того, с помощью kaleidoCell был обнаружен ранее неизвестный механизм действия панобинастата — потеря идентичности астроцитоподобных программ. Работа подчеркивает значимость новых вычислительных методов для понимания транскрипционной гетерогенности опухолей и разработки персонализированных стратегий лечения.

Исследователи представили BulkMonSTR — новый вычислительный фреймворк, предназначенный для точного обнаружения соматического мозаицизма в областях коротких тандемных повторов (STR) человека. Основная сложность задачи заключается в дифференциации реальных мутаций от высокого уровня естественного полиморфизма и шума секвенирования. Методология BulkMonSTR сочетает в себе специфическое моделирование ошибок STR с классификатором на базе машинного обучения (Random Forest), обученным на комплексных наборах данных, включая родословные и симуляции in silico. Инструмент позволяет идентифицировать мутации на уровне нуклеотидов, включая инсерции, делеции и однонуклеотидные варианты (SNV), работая как с контрольными, так и с клиническими образцами. Бенчмаркинг показал, что BulkMonSTR значительно превосходит существующие методы по показателям точности (precision) и F1-score при различных уровнях покрытия и частотах аллелей. Благодаря способности выявлять широкий спектр мутаций, включая те, что возникают на нереференсных аллелях, данный метод открывает новые возможности для масштабного изучения влияния соматических STR-мутаций на процессы старения и развитие заболеваний.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методика оценки биомеханических свойств роговицы для раннего выявления кератоконуса. Авторы предложили использовать архитектуру Video Swin Transformer — передовую нейросетевую модель, способную анализировать пространственно-временные паттерны в видеоданных. Методология включает многомасштабную валидацию, позволяющую сопоставить результаты ИИ с традиционными клиническими показателями. Ключевым результатом является высокая точность модели в дифференциации здоровых тканей от тканей с патологическими изменениями, что критически важно для пациентов группы риска. Применение данного ИИ-решения позволяет автоматизировать сложный процесс биомеханического анализа, повышая точность диагностики на ранних стадиях заболевания. Это открывает новые возможности для персонализированного мониторинга состояния роговицы в офтальмологической практике.

В исследовании представлена инновационная модель глубокого обучения под названием GMAP, предназначенная для точного и быстрого прогнозирования молекулярных изменений в глиомах. Методология исследования основывается на многоцентровом ретроспективном анализе, что подтверждает надежность и масштабируемость предложенного подхода. Ключевым преимуществом GMAP является высокая интерпретируемость: анализ внимания модели (interpretability analysis) позволяет выявить конкретные признаки, на которые опирается ИИ при принятии решений. Это критически важно для повышения доверия врачей и успешного внедрения технологии в клиническую практику. Разработка представляет собой технически осуществимый и потенциально экономически эффективный метод диагностики, особенно актуальный для медицинских учреждений с ограниченными ресурсами. Использование модели позволяет автоматизировать сложный процесс идентификации биомаркеров, сокращая время постановки диагноза.

В статье рассматривается преодоление технологического барьера в патоморфологии благодаря массовой оцифровке медицинских данных. Авторы отмечают, что в то время как электронные медицинские карты и визуализация уже активно используют ИИ, патологические исследования долгое время отставали из-за отсутствия цифровых форматов. На текущий момент оцифровано более 100 000 слайдов, окрашенных гематоксилином и эозином, что открывает путь к созданию универсальных базовых моделей (foundation models). Эти модели способны генерировать общие векторные представления признаков (feature embeddings) непосредственно из патологических изображений. Основная цель применения таких технологий — прогнозирование молекулярных сигнатур глиом на основе цифровых гистологических слайдов. Это позволит автоматизировать сложный процесс молекулярного профилирования, делая диагностику опухолей головного мозга более быстрой и доступной.

В данном исследовании представлена инновационная вычислительная платформа на базе глубокого обучения для анализа пространственной транскриптомики, направленная на изучение организации тканей и динамики их состояний. Авторы разработали фреймворк, использующий рекуррентный анализ латентных состояний тканей и графовые вложения для интеграции гетерогенных биологических систем, таких как заживление кожных ран и микроокружение опухолей (плоскоклеточный рак полости рта и головы/шеи). Методология включает в себя новый индекс патологической фрагментации, который количественно оценивает пространственную дезорганизацию внутри тканей. Результаты показали высокую точность моделирования: средний коэффициент силуэта (silhouette score) составил 0,79, что подтверждает четкое разделение состояний тканей. Исследование выявило, что при заживлении ран наблюдается прогрессивное восстановление пространственной организации, в то время как в опухолевых тканях фиксируется рост фрагментации и гетерогенности структуры. Полученные данные позволяют интерпретировать биологические процессы ремоделирования тканей через призму латентного пространственного анализа, что имеет критическое значение для персонализированной онкологии и регенеративной медицины.