диагностика

В данной научной работе представлен инновационный фреймворк для количественной оценки неопределенности (uncertainty quantification), предназначенный для улучшения работы моделей машинного обучения, прогнозирующих выживаемость пациентов. Исследование фокусируется на применении этих методов в онкологии, в частности при прогнозировании исходов рака легких у лиц пожилого возраста. Авторы решают критическую проблему «черного ящика» ИИ, внедряя механизмы, которые позволяют врачам понимать степень уверенности модели в каждом конкретном прогнозе. Это имеет решающее значение для принятия клинических решений, так как высокая неопределенность в прогнозе может сигнализировать о необходимости дополнительного обследования или пересмотра тактики лечения. Методология включает интеграцию статистических методов оценки неопределенности в алгоритмы глубокого обучения для повышения надежности прогностических моделей. Результаты работы подчеркивают значимость прозрачности ИИ для безопасного внедрения технологий в повседневную медицинскую практику и персонализированную терапию.

Исследование оценивает систему AIFYA — инструмент поддержки принятия решений на базе LLM, адаптированный под протоколы ухода за новорожденными в Кении. Результаты показали высокую точность рекомендаций (75% верных, 15% частично верных) и успешное внедрение системы в рутинную практику медицинских учреждений.

В данном исследовании проведен сравнительный анализ шести существующих инструментов (PanTax, PathoScope, StrainGE, Strainify, StrainR2 и StrainScan) для профилирования разнообразия штаммов Escherichia coli на основе коротких чтений метагеномов кишечника. Авторы использовали как реальные наборы данных (ZymoBIOMICS D6331), так и симулированные сообщества различной сложности для оценки точности обнаружения сосуществующих штаммов и их относительной численности. Результаты показали, что только PanTax обеспечил нулевую ошибку при предсказании равного обилия пяти штаммов E. coli. В условиях дифференциального обилия штаммов инструмент StrainScan продемонстрировал самую низкую среднюю абсолютную пропорциональную ошибку (0.89), однако при этом обладал сниженной чувствительностью (0.5). Наивысший показатель F1-меры (0.978) был достигнут инструментом StrainGE, что свидетельствует о его высокой точности и полноте. Для задач предсказания относительного обилия конкретных штаммов, таких как K12-MG1655 и O157:H7 Sakai, наиболее эффективными оказались PanTax и StrainR2 с минимальной ошибкой 0.06. Исследование подчеркивает необходимость выбора конкретного метода в зависимости от прикладных задач биоинформатического анализа метагеномов.

В исследовании, опубликованном в Nature Machine Intelligence, авторы (Long et al.) представляют инновационный метод на основе глубоких нейронных операторов, предназначенный для решения сложных задач со свободной границей. В отличие от традиционных численных методов, данный фреймворк обеспечивает высокую точность вычислений при значительно меньших затратах ресурсов. Основное внимание уделено возможности использования метода для высокоточного моделирования динамики роста опухолей в режиме реального времени. Это открывает новые горизонты в персонализированной онкологии, позволяя врачам прогнозировать изменения границ новообразований на основе медицинских данных. Методология демонстрирует потенциал для интеграции в клиническую практику, обеспечивая быструю симуляцию биологических процессов, которые ранее требовали длительных вычислений. Технология может стать важным инструментом для планирования таргетной терапии и мониторинга эффективности лечения.

Разработана модифицированная система интерферометрии, использующая закон Малюса для автоматизации измерения микроперемещений. Интеграция алгоритмов оптимизации роя частиц (PSO) и регрессии гауссовских процессов (GPR) позволяет точно компенсировать ошибки прибора, что делает метод перспективным для неконтактного мониторинга физиологических сигналов.

Исследователи разработали CharacTERT — специализированный инструмент на базе машинного обучения, предназначенный для классификации миссенс-мутаций в гене hTERT, который кодирует каталитическую субъединицу теломеразы человека. В отличие от существующих универсальных предикторов, CharacTERT интегрирует как последовательностные, так и структурные признаки, учитывая уникальный биологический контекст фермента теломеразы. Разработанные модели продемонстрировали высокую точность: лучший показатель коэффициента корреляции Мэтьюса (MCC) составил 0,88 на наборах данных ClinVar и gnomAD, а чувствительность достигла 0,75 при тестировании по протоколам ACMG/AMP. Анализ признаков показал, что ключевыми детерминантами патогенности являются консервативность остатков hTERT и изменения гидрофобных и слабых полярных взаимодействий. Авторы также провели in silico насыщающий мутагенез, создав детальный мутационный ландшафт TERT. Инструмент представлен в виде удобного веб-сервера, который может существенно помочь в ранней диагностике заболеваний теломерного биогенеза (TBDs) и разработке стратегий персонализированной медицины.

В статье представлен NANOTAXI — инновационный программный инструмент с графическим интерфейсом (GUI) на базе R Shiny, предназначенный для автоматизированной таксономической классификации данных секвенирования 16S рРНК с использованием технологии Oxford Nanopore. Платформа решает проблему сложности биоинформатического анализа длинных чтений, предоставляя пользователям возможность мониторинга данных в реальном времени и проведения глубокого микробиомного анализа. Система интегрирует четыре различных таксономических классификатора и пять эталонных баз данных, что позволяет гибко настраивать стратегии анализа под конкретные вычислительные ресурсы. Помимо классификации, NANOTAXI поддерживает расчет альфа- и бета-разнообразия, ординацию, тестирование дифференциальной экспрессии и функциональный анализ с помощью PICRUSt2. Валидация на синтетических сообществах и контрольных образцах ZymoBIOMICS подтвердила биологическую достоверность полученных профилей. Сравнительное тестирование (бенчмаркинг) показало, что классификатор Emu обеспечивает минимальный уровень ложноположительных результатов на уровне видов, в то время как Kraken2 демонстрирует наивысшую скорость, обеспечивая непрерывный мониторинг в режиме, близком к реальному времени.

В данной исследовательской работе представлен первый алгоритм контрфактуальных объяснений (Counterfactual Explanation, CE), специально разработанный для работы с сетями сходства пациентов (Patient Similarity Networks, PSNs). В отличие от традиционных методов, использующих табличные данные, авторы применяют графовые нейронные сети (GNN), которые учитывают не только индивидуальные признаки пациента, но и его связи с клинически и биомолекулярно схожими индивидами. Предложенный метод является универсальным и не зависит от конкретной модели классификатора (model-agnostic), что позволяет интегрировать его в различные системы поддержки принятия врачебных решений. Исследование проводилось на синтетических данных и на реальной когорте пациентов с болезнью Альцгеймера. Результаты показали, что новый алгоритм демонстрирует конкурентоспособность по сравнению с классическими методами для табличных данных и признанным инструментом GNNExplainer. Данная разработка имеет критическое значение для повышения интерпретируемости ИИ в медицине, позволяя врачам понимать, какие именно изменения в клинических или биомолекулярных показателях могли бы изменить прогноз заболевания.

Исследователи представили MetFoundation — инновационную метаболомную базовую модель, обученную методом самообучения (self-supervised learning) на данных ЯМР-метаболомики более 430 000 участников из UK Biobank. В отличие от традиционных «часов старения», которые предполагают однородность процессов, MetFoundation способна улавливать сложную нелинейную структуру системного метаболизма. С помощью тонкой настройки выживаемости авторы разработали модель старения, тесно связанную с риском смертности и возрастными заболеваниями. Ключевым достижением стало выявление 13 уникальных метаболических подтипов, которые демонстрируют различную предрасположенность к деменции и диабету даже при одинаковых показателях ускорения старения. Для практического применения была создана облегченная модель, позволяющая аппроксимировать сложные метаболомные данные, используя лишь стандартные анализы крови. Валидация на данных из Китая (CHARLS) подтвердила высокую обобщающую способность модели и её потенциал для персонализированной медицины.

Исследование посвящено поиску новых методов борьбы с мультирезистентным патогеном Acinetobacter baumannii, который использует образование биопленок для выживания и устойчивости к антибиотикам. Ученые сосредоточились на таргетировании липопротеина NLPA, закрепленного во внутренней мембране бактерии и отвечающего за адаптацию биопленок. С помощью интегрального in silico конвейера и структуры, полученной через AlphaFold, был проведен виртуальный скрининг около 1,6 миллиона соединений. После оценки свободной энергии связывания (MM/GBSA) и молекулярно-динамического моделирования были выделены наиболее перспективные кандидаты, соответствующие правилу пяти Липинского. В ходе in vitro тестирования соединение NLPA-3 показало умеренную антибактериальную активность с МПК 125 мкг/мл и обеспечило ингибирование формирования биопленки на 55,75% при концентрации 4x МПК. Особую значимость представляют исследования на макрофагах, где NLPA-3 снизил выживаемость внутриклеточных бактерий до 19,25% при концентрации 50 мкг/мл, что подтверждает потенциал мишени NLPA для разработки антивирулентных препаратов.

В исследовании представлен новый математический фреймворк ATLAS (Auxiliary-Transformed Location-Aware Smoothing), предназначенный для решения проблемы аппроксимации локально-специфичных моделей при условии пространственной гладкости. В отличие от существующих методов, которые штрафуют шероховатость непосредственно параметров модели, ATLAS накладывает штраф на трансформации параметров с использованием вспомогательных ковариат. В качестве практического применения авторы разработали модель пространственной деконволюции для транскриптомики, которая позволяет оценивать коэффициенты смешивания опухолевых клеток в тысячах точек на одном тканевом срезе. Для решения вычислительных сложностей, вызванных нелинейным правдоподобием и невыпуклым штрафом, предложен алгоритм ADMM (метод множителей Лагранжа для расщепления переменных). Результаты симуляционных исследований подтверждают, что ATLAS обеспечивает существенно более точное обнаружение пространственных доменов по сравнению с традиционными методами сглаживания параметров. Особая эффективность метода проявляется в случаях, когда вспомогательные ковариаты обладают калиброванной пространственной структурой, что критически важно для точной биомедицинской визуализации.

В исследовании представлен новый метод StrainRefine, предназначенный для решения проблемы ошибочной классификации штаммов в метагеномных данных из-за высокой схожести геномов. Авторы разработали подход постобработки картирования, который анализирует профили соответствия чтений референсным геномам для устранения неоднозначностей. Метод использует бинарные профили для представления кандидатов и кластеризует референсы на основе перекрытия этих профилей, что позволяет фильтровать слабо подтвержденные геномы и переназначать чтения наиболее репрезентативным штаммам. Результаты тестирования на крупномасштабных наборах данных показали значительное снижение количества ложноположительных результатов при сохранении полноты охвата (recall). В отличие от существующих инструментов, StrainRefine не требует предварительных предположений о составе образца или использования специализированных баз данных конкретных видов. Метод продемонстрировал наивысшую точность классификации на уровне отдельных чтений даже в самых сложных сценариях, обеспечивая оптимальный баланс точности и полноты.

В исследовании, опубликованном в журнале 'Artificial Intelligence in Medicine', авторы предлагают инновационный метод борьбы с алгоритмической предвзятостью при анализе рентгенограмм грудной клетки. Основная проблема современных ИИ-систем заключается в том, что они могут опираться на нерелевантные признаки (например, маркеры оборудования или демографические особенности), что ведет к ошибкам в диагностике. Исследователи Xinwei Lai и коллеги разработали архитектуру на основе обучения распутанных представлений (disentangled representation learning), которая позволяет разделить клинически значимые признаки патологий и мешающие факторы (confounders). Методология направлена на создание дебайасированных признаков, что обеспечивает более высокую точность и справедливость (fairness) моделей при работе с различными группами пациентов. Результаты демонстрируют, что предложенный подход существенно снижает риск ложноположительных и ложноотрицательных диагнозов, вызванных систематическими ошибками в данных. Данная работа имеет критическое значение для внедрения ИИ в клиническую радиологическую практику, гарантируя надежность автоматизированной диагностики.

В статье представлен инновационный подход к диагностике расстройств аутистического спектра (РАС) с использованием передовых архитектур глубокого обучения. Исследователи разработали специализированную модель на базе Vision Transformer (ViT), интегрирующую механизмы контрастивной реконструкции для повышения точности анализа медицинских изображений. Основная методология заключается в обучении модели выделять наиболее значимые паттерны, характерные для аутизма, путем сравнения реконструированных признаков. Использование архитектуры трансформеров позволяет учитывать глобальные пространственные зависимости в данных, что критически важно для нейровизуализации. Данная разработка направлена на автоматизацию скрининга РАС, обеспечивая высокую чувствительность и специфичность при выявлении биомаркеров заболевания. Внедрение подобных интеллектуальных систем в клиническую практику может значительно ускорить постановку диагноза и снизить нагрузку на специалистов.

Проведен комплексный библиометрический анализ публикаций за период с 2000 по 2025 год, посвященных применению ИИ в изучении сонных артерий. Исследование выявило переход к прецизионной медицине на основе мультимодальных данных и подчеркнуло растущую роль ИИ в ранней диагностике и мониторинге заболеваний.

Исследование посвящено изучению причин анемии у молодых женщин и разработке мобильного приложения на базе ИИ для скрининга и управления состоянием. Разработанная модель машинного обучения показала точность 74,39%, что выше точности традиционной диагностики (71%) в рамках данного исследования.

Исследование оценивает эффективность системы на базе ИИ для контроля выполнения упражнений при болях в шее. Результаты показали высокую валидность программы (IOC 0.86–1.00) и умеренную надежность при измерении точности и времени выполнения упражнений.

Исследование посвящено изучению способности моделей глубокого обучения предсказывать динамику и гибкость белков, что критически важно для понимания их биологических функций. Авторы провели количественный анализ, сравнивая профили среднеквадратичных флуктуаций (MSF) на уровне остатков, полученные из сгенерированных ансамблей структур, с экспериментальными данными и результатами молекулярной динамики. В качестве бенчмарков использовались 70 наборов данных ЯМР, 43 пары рентгеноструктурных данных в разных конформациях, 82 структуры криоэлектронной микроскопии и симуляции молекулярной динамики для 10 белков. Сравнивались возможности AlphaFold3, AlphaFold2 и RosettaFold; результаты показали, что AlphaFold3 демонстрирует наилучшую точность в предсказании гибкости. Было установлено, что точность прогнозов возрастает при увеличении количества генерируемых моделей до 15. Работа доказывает, что ансамбли структур, созданные ИИ, могут эффективно служить суррогатами для оценки физической подвижности белков, и сопровождается публикацией трех Jupyter Notebooks для практического применения метода.

В статье представлен GeneFior — новый прозрачный рабочий процесс (workflow), предназначенный для обнаружения целевых генетических последовательностей, таких как гены антибиотикорезистентности, напрямую из данных геномного и метагеномного секвенирования. Авторы решают проблему традиционных методов, которые полагаются на предварительную сборку (assembly), что часто приводит к потере данных о низкокопийных вариантах и нуклеотидном разнообразии. Методология GeneFior интегрирует в единую систему такие инструменты, как BLAST, DIAMOND, Bowtie2, BWA и Minimap2, позволяя проводить поиск как ДНК, так и белковых последовательностей по любым пользовательским базам данных. Ключевым преимуществом является применение погенного порога идентичности и покрытия на уровнях ридов и генов, что значительно снижает количество ложноположительных результатов при сохранении высокой чувствительности к вариантам с однонуклеотидными различиями. Инструмент обеспечивает полную воспроизводимость за счет экспонирования всех параметров выравнивания и сохранения промежуточных результатов, формируя матрицы консенсусного обнаружения. Это позволяет исследователям напрямую оценивать влияние выбора инструментов и конфигурации параметров на итоговые профили генов, что критически важно для точной метагеномной диагностики.