диагностика

Исследование представляет применение архитектуры жидких нейронных сетей (LNN) для диагностики пародонтита у пациентов с диабетом на основе метаболического анализа слюны. Методология включает сбор слюнных образцов от пациентов с диабетом и последующий метаболический профилирование с использованием масс-спектрометрии. Разработанная модель LNN обучалась на метаболических отпечатках для выявления пациентов с высоким риском развития пародонтита. Ключевые результаты показывают высокую точность классификации, превосходящую традиционные методы диагностики. Применение лёгких нейронных сетей позволяет снизить вычислительные требования, делая технологию пригодной для клинического использования в условиях ограниченных ресурсов. Исследование демонстрирует перспективность неинвазивных методов диагностики в сочетании с современным ИИ для скрининга осложнений диабета. Работа опубликована в ведущем журнале npj Digital Medicine, что подтверждает её научную значимость и соответствие стандартам цифрового здравоохранения.

Исследование Yakdan и коллег посвящено проблеме переносимости фундаментальных моделей (foundation models) в клинической практике. Авторы обучили модели для прогнозирования шейного спондилотического миелопатии на основе данных электронных медицинских карт. На внутренних валидационных наборах данных фундаментальные модели превзошли традиционные подходы машинного обучения. Однако при внешней валидации в разных клинических настройках преимущество моделей исчезло. Это указывает на то, что сложные, плотно-сигнальные паттерны, выученные фундаментальными моделями, могут плохо обобщаться между популяциями и средами. Особенно критична эта проблема для редких исходов, где дефицит данных усугубляет вопросы переносимости. Авторы рекомендуют проводить локальную валидацию, анализ подгрупп и учитывать нагрузку на внедрение перед клиническим использованием. Исследование имеет важное значение для планирования систем здравоохранения и ответственного внедрения ИИ в медицину.

Российский медицинский сервис IQDOC на базе искусственного интеллекта провёл анализ запросов врачей к системе за период декабрь 2025 – март 2026 года, выявив ключевые потребности специалистов в области лабораторной диагностики. Исследование показало, что 47,1% всех обращений к ИИ-системе связаны с необходимостью расшифровки и интерпретации результатов лабораторных анализов пациентов, что делает эту функцию основной. Второе место по частоте (19,8%) занимают запросы на сопоставление показателей с нормами и референсными значениями, что подтверждает сложность работы с лабораторными данными для врачей. Третья категория запросов не указана в отчёте, но совокупность первых двух категорий составляет 66,9% от общего объёма обращений. Полученные данные демонстрируют, что ИИ-системы в медицине востребованы не только для первичной диагностики, но и для поддержки врачей в рутинных задачах интерпретации тестов. Практическая значимость исследования заключается в возможности оптимизации функционала медицинских ИИ-платформ под реальные потребности специалистов, что может повысить эффективность работы лабораторных служб. Результаты подтверждают тренд на интеграцию ИИ в повседневную клиническую практику для снижения нагрузки на врачей и минимизации ошибок при расшифровке анализов.

Исследование представляет собой разработку системы искусственного интеллекта, предназначенной для автоматического обнаружения признаков психиатрических кризисов в текстовых сообщениях пользователей. Авторы создали специализированный датасет для обучения моделей машинного обучения, содержащий размеченные примеры текстовых диалогов с идентифицированными кризисными состояниями. Методология включает использование современных подходов глубокого обучения, включая трансформерные архитектуры, адаптированные для анализа психологического контекста сообщений. Система работает как «guardrail» (защитный барьер), который может предупреждать о потенциальных рисках самоповреждения или суицидальных намерений в реальном времени. Исследование опубликовано в ведущем журнале npj Digital Medicine (Nature Portfolio), что подтверждает научную строгость работы. Практическая значимость заключается в возможности интеграции такой системы в чат-боты, платформы психологической помощи и системы мониторинга ментального здоровья. Ключевые результаты включают оценку точности модели и анализ этических аспектов применения ИИ в чувствительных сферах психиатрической помощи.

Исследование вскрывает критическую методологическую проблему в области предсказания пептидов, представляемых MHC класса I, что является основой для разработки вакцин и Т-клеточной терапии. Авторы показывают, что фундаментальная причина расхождения между успехами in silico и клиническими результатами заключается в систематическом загрязнении иммунопептидомных данных существующими моделями предсказания через итеративное подтверждение bias. Аудит базы данных IEDB, крупнейшей в области, выявил, что более 70% опубликованных данных были помечены вычислительными моделями, а не подтверждены экспериментально, что искусственно завышает бенчмарки и разрушает применимость на новых данных. В качестве решения авторы переформулировали задачу открытия эпитопов как задачу ранжирования, центрированную на белках, и представили модель deepMHCflare, обученную исключительно на чистых данных. Модель достигла 0.80 Precision@4 на моноаллельных бенчмарках против 0.55-0.65 у моделей золотого стандарта, что демонстрирует существенное улучшение. Проспективные in vivo тесты подтвердили эффективность: в доклиническом исследовании противораковой вакцины deepMHCflare идентифицировала два из четырёх иммуногенных пептидов, тогда как стандартная модель не нашла ни одного. Это исследование имеет критическое значение для разработки новых терапевтических подходов, так как устраняет систематическую ошибку, которая делала невозможным создание эффективных новых терапий.

Систематический обзор 36 эмпирических исследований (2020–2025) показывает применение методов объяснимого ИИ (SHAP, Grad-CAM, LIME) в медицинской визуализации, диагностике и реабилитации. Исследования демонстрируют соответствие методов объяснимости типам медицинских задач и частое комбинирование нескольких объяснителей для перекрёстной проверки интерпретаций.

Исследование предлагает практический фреймворк для малоэталонного развертывания предобученных трансформеров МРТ в различных задачах нейровизуализации. Авторы используют стратегию предобучения Masked Autoencoder на 31 миллионе 2D срезов МРТ и демонстрируют state-of-the-art результаты с точностью 99.24% и превосходными показателями сегментации.

Исследователи разработали систему искусственного интеллекта для анализа изменений на снимках мозга, способную выявлять ранние признаки болезни Альцгеймера с точностью почти 93 процента. Методология исследования основана на применении алгоритмов машинного обучения для выявления тонких структурных изменений в мозге, которые предшествуют клиническим проявлениям заболевания. Ключевой результат — достижение 93-процентной точности прогнозирования, что значительно превышает возможности традиционных методов диагностики. Раннее выявление болезни Альцгеймера критически важно для своевременного начала лечения и замедления прогрессирования заболевания. Технология может быть интегрирована в клиническую практику для скрининга пациентов из групп риска, что позволит выявлять болезнь на доклинической стадии. Исследование демонстрирует потенциал искусственного интеллекта в области нейровизуализации и неврологии, открывая новые возможности для персонализированной медицины.

Обзорная статья оценивает применение искусственного интеллекта и глубокого обучения (CNN, гибридные архитектуры) для неинвазивной диагностики опухолей мозга с использованием тепловизуализации и симулированных тепловых карт. Основные результаты включают анализ методов предобработки тепловых данных, сегментации опухолей и прогнозирования злокачественности, а также выявление ключевых проблем — ограниченность мультимодальных наборов данных и необходимость клинической валидации.

Статья описывает применение ИИ-моделей в Geisinger Health System (2019-2022) для анализа факторов риска колоректального рака и выявления пациентов, нуждающихся в скрининге. ИИ-система оценивала риск на основе биомаркеров крови, возраста и пола, а медсёстры проводили целевой контакт с пациентами, что привело к увеличению количества колоноскопий на 214% и снижению смертности на 43%.

Исследование представляет метод импутации пропущенных данных в системах мониторинга здоровья с использованием генеративно-состязательных сетей (GAN). Проблема потери данных в носимых устройствах критична для точности диагностики хронических заболеваний и раннего выявления патологий. Авторы разработали архитектуру GAN, которая обучается на полных временных рядах физиологических показателей и генерирует правдоподобные значения для пропущенных сегментов. Методология включает использование дискриминатора для оценки качества импутированных данных и генератора для их восстановления с сохранением временных зависимостей. Ключевые результаты показывают, что GAN-based импутация превосходит традиционные методы (линейная интерполяция, средние значения) по метрикам RMSE на 35-42% и MAE на 28-38% в тестах на реальных данных носимых датчиков. Исследование демонстрирует, что даже при потере до 40% данных система сохраняет точность классификации заболеваний на уровне 89-94%, что критично для клинического применения. Работа имеет прямое практическое значение для улучшения надёжности телемедицинских систем и носимых мониторов в условиях реального использования, где пропуски данных неизбежны из-за технических сбоев или неудобства ношения устройства.

Исследование применяет машинное обучение для предсказания подтипов MODY (GCK-MODY и HNF1A-MODY) до генетического тестирования. Гауссовский наивный байесовский классификатор показал ROC AUC 0.724 для GCK-MODY, а Random Forest — 0.712 для HNF1A-MODY. SHAP-анализ обеспечил интерпретируемость модели.

Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.

Предложен метод ансамбля ESDRCX для раннего обнаружения болезни Паркинсона, объединяющий деревья решений, SVM, Random Forest с CNN для спиральных изображений и XGBoost как мета-обучатель. Модель достигла 95.7% точности и 86% precision на датасете HandPD, демонстрируя значительный прогресс в диагностике.

Исследование представляет двухэтапную объяснимую модель машинного обучения для прогнозирования риска диабета 2 типа, достигшую точности 97.14% на втором этапе с использованием 270 943 образцов из Руанды. Модель может быть интегрирована в мобильное приложение mUzima для помощи медработникам в выявлении групп риска и раннем скрининге заболевания.

Исследование сравнивает федеративное обучение с централизованным для классификации доброкачественных и злокачественных поражений в маммографии на двух гетерогенных датасетах (плёночные и цифровые снимки). Результаты показывают, что федеративное обучение работает надёжно в однородных условиях, но демонстрирует снижение производительности при сильном сдвиге доменов между плёночными и цифровыми изображениями.

Исследование сравнивает три подхода к подавлению костной структуры на рентгенограммах грудной клетки: автоэнкодеры, U-Net и генеративно-состязательные сети. Предложенная улучшенная GAN с комбинированной функцией потерь (Wasserstein, L1, перцептивная и Sobel) показала наилучшие результаты по метрикам PSNR (44.09 дБ) и MS-SSIM (0.9968), превосходя ранее опубликованные методы.

Исследование применяет методы машинного обучения для классификации пациентов с боковым амиотрофическим склерозом (БАС) против контрольной группы на основе данных смешанных анкет, содержащих как структурированные переменные, так и свободный текст. Разработана утечка-свободная ML-пайплайн с LLM-экстракцией текста в таблицу и компактным лонгитюдным кодированием. Сравнены три конфигурации признаков: Pool1 (только структурированные данные), Pool2 (добавлены компактные суммарные признаки из первого временного пункта), Pool3 (дополнены описаниями изменений между T1 и T2). В итоговой конфигурации Pool3 Random Forest достиг точности 0.673, F1-взвешенного показателя 0.666 и коэффициента корреляции Мэттьюса 0.323 на holdout-тесте. Кросс-валидация показала F1-weighted 0.654 и MCC 0.312. Анализ ablation показал, что удаление компактного временного блока значительно снижает производительность, тогда как удаление текстового блока почти не влияет. Вывод: в малых клинических когортах ценность языковой обработки заключается не в статических признаках, а в компактном представлении лонгитюдных траекторий изменений.

Leica Biosystems представила сканер для цифровой патологии с интегрированным ИИ-программным обеспечением для автоматического контроля качества. Система автоматически обнаруживает артефакты на слайдах и ускоряет процесс QC на 69%, что критично для онкологических исследований и диагностики.