диагностика

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.

Разработано новое программное обеспечение T-Rex (Trio Rare variant analysis of EXomes), предназначенное для упрощения анализа данных полноэкзомного секвенирования (WES) в рамках семейных трио (ребенок и родители). Приложение представляет собой кроссплатформенное десктопное решение, которое позволяет проводить клинически значимый биоинформатический анализ локально, не требуя навыков программирования. Инструмент интегрирует передовые методы выравнивания, двойной вызов вариантов (GATK HaplotypeCaller и VarScan2) и аннотацию через SNPEff/SNPSift, а также использует статистические тесты, такие как тест на неравновесие передачи (TDT). Бенчмаркинг на наборе данных Genome in a Bottle показал высокую точность в 99,2% при чувствительности 91,1%. Тестирование на когорте из 121 педиатрического онкологического трио подтвердило способность системы успешно идентифицировать все ранее известные патогенные варианты при фильтрации редких вариантов (MAF ≤ 0,1% по gnomAD v4.0). T-Rex позволяет клиникам проводить глубокий генетический анализ в соответствии с правилами защиты данных, снижая зависимость от внешних провайдеров и упрощая исследовательскую работу.

Компании Wavelet Medical и Aegis Ventures объявили о стратегическом партнерстве с целью разработки первой в мире платформы для неинвазивного мониторинга электроэнцефалограммы (ЭЭГ) плода с использованием искусственного интеллекта. Устройство работает путем считывания сигналов мозга плода через специальные сенсоры, размещаемые на теле беременной женщины. Ключевой технологической особенностью является способность системы извлекать и анализировать слуховые сигналы для оценки состояния плода в режиме реального времени. Основная цель разработки — оперативное обнаружение признаков фетального дистресса (критического состояния плода), что позволит врачам своевременно принимать меры. Данная технология представляет собой значительный прорыв в области пренатальной диагностики, переходя от традиционного мониторинга сердцебиения к глубокому анализу активности головного мозга.

В статье представлен PsychiatryBench — специализированный комплексный бенчмарк, разработанный для оценки способностей больших языковых моделей (LLM) в области психиатрии. Исследователи создали многозадачную платформу, которая позволяет тестировать модели на знание клинических протоколов, способность к диагностическому рассуждению и навыки ведения терапевтического диалога. Методология включает в себя проверку моделей на различных сценариях, имитирующих реальную клиническую практику психиатра. Ключевым результатом является выявление существенных различий в производительности современных LLM при решении задач, требующих глубокого понимания ментального здоровья и нюансов человеческого поведения. Данная разработка имеет критическое значение для интеграции ИИ в психиатрическую помощь, обеспечивая стандартизированный способ проверки безопасности и точности нейросетевых помощников. Использование PsychiatryBench позволит разработчикам более эффективно настраивать модели для поддержки врачей-психиатров и минимизировать риски ошибочных клинических рекомендаций.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель на базе архитектуры Vision-Language для работы с диффузными глиомами у взрослых. Основная задача модели заключается в автоматизации двух критически важных процессов: прогнозировании молекулярно-генетического статуса опухоли и генерации структурированных радиологических отчетов на основе медицинских изображений. Методология объединяет визуальные признаки МРТ-снимков с текстовыми данными, что позволяет достичь высокой точности в определении биомаркеров, которые традиционно требуют дорогостоящей инвазивной биопсии. Использование ИИ позволяет сократить время постановки диагноза и минимизировать человеческий фактор при интерпретации сложных снимков. Результаты демонстрируют потенциал технологии в интеграции визуального анализа и текстовой генерации, что может значительно ускорить процесс принятия клинических решений в нейроонкологии. Данная разработка является важным шагом к созданию полностью автоматизированных систем поддержки принятия врачебных решений (СППВР) в радиологии.

Статья освещает резонансный случай использования ChatGPT для попыток лечения рака кожи у 8-летней собаки породы стаффордширский бультерьер по кличке Рози. Владелец животного в течение двух лет пытался применять рекомендации, полученные от языковой модели, что спровоцировало масштабную дискуссию в экспертном сообществе о границах применения ИИ в ветеринарии и биомедицине. Основной вопрос заключается в рисках использования генеративного ИИ для постановки диагнозов и назначения протоколов лечения без участия квалифицированных специалистов. Кейс подчеркивает проблему «галлюцинаций» нейросетей и их неспособности нести ответственность за клинические решения. Данная ситуация служит важным прецедентом для обсуждения регулирования использования LLM (больших языковых моделей) в медицинских и ветеринарных целях, где цена ошибки — жизнь пациента. Исследование границ применимости ИИ в таких критических областях становится приоритетной задачей для биомедицинского сообщества.

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.

В данной исследовательской работе, опубликованной в журнале npj Digital Medicine, рассматривается инновационный подход к оценке интенсивности головной боли через анализ автоматизированного распознавания мимических паттернов. Авторы используют технологию APEX frames для захвата и анализа микровыражений лица, которые коррелируют с уровнем болевого синдрома. Методология исследования направлена на создание объективного инструмента мониторинга боли, который мог бы дополнить субъективные отчеты пациентов. Ключевая цель заключается в минимизации человеческого фактора при оценке боли, что критически важно для пациентов с когнитивными нарушениями или при хронических состояниях. Результаты подчеркивают потенциал использования компьютерного зрения для интеграции в цифровые системы мониторинга здоровья и телемедицины. Данная технология может стать важным подспорьем в персонализированной терапии неврологических заболеваний.

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.

Исследование оценивает эффективность использования архитектуры Transformer для анализа эмоционального состояния пациентов в ходе психотерапии. Авторы обнаружили, что извлеченные признаки тональности речи коррелируют с клиническими показателями дистресса и могут служить дополнительным инструментом для выявления пациентов с риском ухудшения состояния или прекращения лечения.

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.

Обзор посвящен применению искусственного интеллекта в качестве системы поддержки принятия клинических решений в условиях ОИТ, особенно при лечении сепсиса. Авторы классифицируют возможности ИИ для оптимизации антибиотикотерапии, разделяя сигналы патогенов и реакции организма хозяина на шесть ключевых этапов лечения.

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.

В исследовании представлен VASCIF (Variable-domain Antibody-antigen Structural Complex Interface Finder) — инновационный фреймворк для предсказания интерфейсов взаимодействия антител и антигенов на уровне остатков. Модель построена на архитектуре Masked Graph Attention (MGA), которая представляет белковые комплексы в виде графов аминокислотных остатков, позволяя эффективно улавливать сложные нелокальные структурные зависимости. Разработанный метод решает критические проблемы текущих подходов: ограниченность структурных наборов данных и сильный дисбаланс классов. Согласно результатам тестирования на курируемых наборах данных, VASCIF демонстрирует показатели state-of-the-art (лучшие в своем классе) при кросс-валидации. Исследователи отметили, что переопределение интерфейсов с использованием увеличенного порога расстояния между остатками (~10 ангстрем) значительно повышает точность предсказания. Модель обладает высокой интерпретируемостью, восстанавливая биофизически значимые паттерны взаимодействия, что критически важно для ускорения разработки новых терапевтических антител и понимания механизмов иммунного распознавания.

Исследователи представили StriMap — единую платформу на базе глубокого обучения, предназначенную для высокоточного предсказания взаимодействий между Т-клеточными рецепторами (TCR), пептидами и молекулами HLA. В отличие от существующих методов, StriMap интегрирует физико-химические свойства, контекст последовательностей и структурные особенности интерфейсов распознавания, что позволяет моделировать сложные трехсторонние взаимодействия. В ходе тестирования платформа продемонстрировала передовые показатели точности (state-of-the-art) и высокую обобщающую способность. В качестве практического применения была проведена масштабная проверка 13 миллионов пептидов, полученных из 43 241 бактериального белка, в контексте болезни Бехтерева (анкилозирующего спондилоартрита). Исследование выявило молекулярные мимики, которые были экспериментально подтверждены как активаторы Т-клеток, связанных с данным заболеванием. Особую значимость представляет обнаружение пептида, обогащенного у пациентов с воспалительными заболеваниями кишечника (IBD), что указывает на общие микробные триггеры этих патологий. Разработка открывает новые возможности для рационального проектирования иммунотерапии и изучения антигенных драйверов аутоиммунных процессов.

Исследование посвящено разработке инновационной платформы MAPPER (Mode of Action Prediction via Proteomics-Enhanced Representation) для ускоренного определения механизмов действия (MoA) антибиотиков. В условиях растущей резистентности к существующим препаратам, авторы предложили масштабируемый фреймворк, использующий мультимодальные данные для анализа ответов бактерий Escherichia coli. Методология включает интеграцию протеомных профилей, химических дескрипторов структур, динамики роста и ингибирующих концентраций более чем 50 различных антибиотиков. Разработанная модель MAPPER успешно классифицирует препараты по девяти различным механистическим классам и обладает способностью выявлять соединения с потенциально новыми, ранее не изученными механизмами действия. Тестирование показало высокую устойчивость системы при переносе знаний (transfer learning) между различными платформами масс-спектрометрии и внешними наборами данных. Данная технология представляет значительную ценность для фармацевтической разработки, позволяя эффективно приоритизировать новые антибактериальные кандидаты с уникальными механизмами воздействия.

В статье представлен новый вычислительный метод под названием U-method, предназначенный для решения проблемы идентификации маркеров в анализе транскриптомики единичных клеток. В отличие от традиционных подходов, опирающихся на средние различия в экспрессии, которые часто искажаются из-за разреженности и гетерогенности данных, U-method использует вероятностный подход. Алгоритм сравнивает вероятность экспрессии гена внутри целевого кластера с его максимальной вероятностью в любом другом кластере, что позволяет фокусироваться на стабильности обнаружения, а не на абсолютной величине экспрессии. Методология была протестирована на наборах данных секвенирования РНК единичных клеток при раке толстой кишки, молочной железы, поджелудочной железы и легких, успешно выявив как канонические маркеры линий, так и новые специфические гены. Особую значимость представляет применение метода к пространственной транскриптомике Visium HD: использование сырых данных экспрессии топ-маркеров позволило визуализировать четкую структуру тканей без необходимости сложного сглаживания или деконволюции. Таким образом, U-method предлагает эффективный и быстрый инструмент для высокоточного поиска биологических маркеров и пространственной интерпретации данных.