диагностика

Команда Penn Medicine разработала ИИ-систему для интерпретации МРТ-сканов сердца, обученную на 300,000+ видео МРТ от 20,000 пациентов. Модель оценивает функцию сердца и диагностирует 39 сердечных заболеваний с точностью до 0.97 AUC, выявив 112 ранее недиагностированных случаев гипертрофической кардиомиопатии в 40,000+ сканах.

Исследование сравнивает алгоритм QuPath для автоматической оценки индекса пролиферации Ki-67 в нейроэндокринных опухолях с ручной оценкой патологов. Алгоритм показал умеренное согласие с патологами (Kappa = 0.32) и чаще присваивал более высокие степени опухоли (42% случаев), подчеркивая необходимость стандартизации критериев.

Статья о внедрении роботизированной бронхоскопии второго поколения в общинных больницах для диагностики рака легких. Интеграция роботизированных платформ с продвинутой визуализацией (флуороскопия, C-arm томография) обеспечивает непрерывную навигацию, упрощает рабочие процессы и улучшает диагностическую точность периферических легочных образований без увеличения затрат.

Статья обсуждает новые рекомендации FDA, ослабляющие надзор за медицинскими ИИ-продуктами, и проблему недостаточной представленности женщин в данных для обучения медицинских моделей. Автор подчеркивает, что ИИ может помочь исправить гендерные предвзятости в диагностике, но только при использовании инклюзивных данных.

Исследование предлагает гибридную AI-квантовую рамку, объединяющую классическое глубокое обучение (LSTM) с квантово-вдохновлёнными моделями для анализа медицинских записей пациентов с СПКЯ. Модель демонстрирует улучшенную способность обрабатывать гетерогенные клинические данные и повышает точность классификации риска бесплодия по сравнению с традиционными методами машинного обучения.

Учёные из Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы провели анализ барьеров внедрения искусственного интеллекта в лучевую диагностику. Исследование основано на практическом опыте московского эксперимента по внедрению компьютерного зрения в медицинскую практику, что отличает его от ранее преимущественно теоретических оценок. Ключевой вывод работы заключается в том, что основные ограничения носят системный характер и требуют комплексного одновременного решения, а не точечных мер. Работа опубликована в специализированном журнале «Менеджер здравоохранения», что подтверждает её научную значимость для отрасли. Результаты исследования важны для руководителей медицинских учреждений и регуляторов, планирующих внедрение ИИ-решений в диагностические службы. Практическая значимость работы заключается в выявлении необходимости синхронизации технологических, организационных и нормативных изменений при цифровизации радиологии.

Исследование представляет новый подход к решению проблемы диагностики редких генетических заболеваний, где пациенты часто проходят многолетнюю «диагностическую одиссею» без постановки точного диагноза. Авторы предлагают симуляционную фреймворк GraPhens, который использует структуру онтологии фенотипов человека (HPO) совместно с двумя эмпирически обоснованными мягкими априорными распределениями — по количеству наблюдаемых фенотипов на случай и специфичности фенотипов — для генерации синтетических пар фенотип-ген. На основе этих синтетических случаев обучается графовая нейронная сеть GenPhenia, которая работает с подграфами фенотипов конкретного пациента вместо плоских наборов фенотипов. Несмотря на то, что модель обучалась исключительно на синтетических данных, она демонстрирует способность обобщаться на реальные ранее не встречавшиеся клинические случаи и превосходит существующие методы приоритизации генов, основанные на фенотипах, на двух реальных наборах данных. Результаты показывают, что когда данные пациентов ограничены, но доступна структурированная онтология, principled simulation может обеспечить эффективные тренировочные данные для сквозных нейросетевых моделей диагностики. Это особенно актуально для редких заболеваний, где сбор достаточного количества клинических случаев затруднён, а структурированные онтологии позволяют генерировать реалистичные синтетические данные.

Статья описывает кризис сельских больниц США и роль обмена данными медицинской визуализации для удаленной диагностики. Упоминается применение агентного ИИ компанией Artera для улучшения взаимодействия с пациентами.

Исследование оценивает способность LLM с Chain-of-Thought reasoning интерпретировать ультразвуковые признаки узлов щитовидной железы в рамках ACR-TIRADS. Grok-3 показал наивысшую точность в качественном анализе (96%), Gemini-2.5 Pro и DeepSeek-R1 превзошли в количественных задачах. Модели продемонстрировали потенциал для клинической поддержки принятия решений.

Исследование представляет собой рандомизированное контролируемое испытание (РКИ), оценивающее эффективность совместной работы врачей и искусственного интеллекта в диагностических процессах. Работа переводит концепцию ИИ из категории вспомогательного инструмента в категорию полноценного партнёра врача при постановке диагноза. Методология включает сравнение диагностических результатов при использовании ИИ-ассистентов versus традиционных подходов в контролируемых условиях. Исследование проверяет гипотезу о том, что коллаборативные рабочие процессы «врач + ИИ» превосходят как работу врача без ИИ, так и работу ИИ без врача. Ключевые результаты будут включать метрики точности диагностики, скорости принятия решений, уровня ошибок и удовлетворённости клинического персонала. Значимость работы заключается в определении оптимальных моделей интеграции ИИ в клиническую практику — это критически важно для внедрения ИИ-систем в реальные медицинские учреждения. Публикация в npj Digital Medicine, ведущем журнале по цифровому здравоохранению, подтверждает научную ценность исследования.

Исследование представляет инновационный подход к диагностике и мониторингу птоза (птоза верхнего века) у детей с использованием видеозаписей, сделанных на смартфоны. Авторы разработали алгоритм компьютерного зрения, который автоматически анализирует частоту моргания, амплитуду движения век и функциональные параметры глазодвигательной системы. Методология включала сбор видеоматериалов от пациентов с птозом и их сопоставление с клиническими данными, полученными традиционными методами. Ключевые результаты показали высокую точность автоматической оценки функциональных нарушений — корреляция с клинической оценкой врачей составила 0.87-0.92. Система позволяет проводить удалённый мониторинг состояния пациентов и корректировать лечение на основе объективных количественных данных. Исследование демонстрирует потенциал мобильного здравоохранения для снижения нагрузки на медицинские учреждения и улучшения доступности специализированной помощи. Работа опубликована в ведущем журнале npj Digital Medicine (Nature Partner Journal), что подтверждает научную значимость подхода.

Исследование посвящено применению искусственного интеллекта для выявления остеопороза на основе стандартных рентгенограмм грудной клетки, что позволяет использовать уже существующие медицинские снимки для скрининга пациентов. Работа фокусируется на азиатских популяциях, где распространённость остеопороза остаётся недооценённой из-за недостатка скрининговых программ. Методология включает обучение моделей машинного обучения на больших наборах данных рентгенограмм с подтверждёнными диагнозами остеопороза. Ключевая цель исследования — устранение диагностического неравенства, обеспечив доступ к раннему выявлению остеопороза в регионах с ограниченными ресурсами. Ожидается, что внедрение ИИ-алгоритмов позволит выявлять пациентов с риском остеопороза без необходимости дополнительных дорогостоящих исследований, таких как денситометрия. Статья подчёркивает важность этических аспектов разработки ИИ-систем для различных этнических групп и необходимости валидации моделей на репрезентативных выборках. Результаты исследования могут существенно повлиять на клиническую практику, особенно в странах Азии, где доступ к денситометрии ограничен.

Данная статья представляет систематический обзор современных методов машинного и глубокого обучения, применяемых для диагностики острого лимфобластного лейкоза (ALL) — наиболее распространённого вида рака у детей. Авторы проанализировали исследования, использующие различные алгоритмы ИИ для анализа медицинских изображений, лабораторных данных и геномной информации с целью выявления заболевания на ранних стадиях. Обзор охватывает применение сверточных нейронных сетей для анализа микроскопических изображений клеток крови, методов обработки естественного языка для извлечения информации из электронных медицинских карт, а также ансамблевых алгоритмов для прогнозирования риска развития лейкоза. Ключевые результаты показывают, что ИИ-модели демонстрируют точность диагностики от 85% до 97% в зависимости от типа входных данных и архитектуры алгоритма. Исследование подчёркивает важность валидации моделей на разнообразных популяциях пациентов и стандартизации протоколов сбора данных. Работа имеет значимость для клинической практики, так как автоматизированные системы диагностики могут сократить время постановки диагноза, снизить субъективность оценки и улучшить выживаемость пациентов за счёт раннего выявления заболевания.

Исследование посвящено разработке и валидации шкалы для измерения осведомленности медицинских работников о галлюцинациях генеративного ИИ и их влиянию на уверенность в диагностике. Результаты показали значительное влияние осведомленности об экстернальных галлюцинациях на диагностическую уверенность, но не обнаружено влияния интернальных галлюцинаций.

Исследование оценивает возможности моделей рассуждения (LLM) для поддержки клинического принятия решений при лечении болей в пояснице. Результаты показывают достаточную надёжность моделей, но выявляют недостатки в эмпатии и интуиции по сравнению с экспертами-клиницистами.

Мини-обзор посвящён применению больших языковых моделей в клинической практике, сравнивает общие и специализированные медицинские модели. Статья анализирует преимущества в эффективности документации и диагностических рассуждениях, а также проблемы галлюцинаций, приватности и валидности метрик оценки. Описываются перспективные направления развития, включая retrieval-augmented generation и агентные архитектуры.

Исследование разработало и валидировало интерпретируемые модели машинного обучения для прогнозирования развития псевдокист поджелудочной железы у пациентов с острым панкреатитом. Сравнивались 9 алгоритмов ML, оптимальной оказалась модель случайного леса с AUC 0.884 на внутреннем тесте и 0.914 на временной валидации. Анализ SHAP показал, что низкий уровень кальция и повышенный СРБ являются наиболее важными предикторами риска.

Исследование оценивает производительность 8 алгоритмов ИИ на основе сверточных нейронных сетей (CNN) для обнаружения диабетической ретинопатии, возрастной макулярной дегенерации, глаукомы и других патологий сетчатки. Система UPRETINA продемонстрировала высокую точность (чувствительность/специфичность 82.7-94.9%) в классификации изображений, что позволяет оптимизировать ресурсы скрининга.

Исследование оценивает применение LLM для анализа структурированных клинических данных, показывая, что LLM-эмбеддинги могут сохранять структурную целостность клинических наборов данных и улучшать предиктивное моделирование. Тестирование на синтетических и реальных клинических данных (база UCI, пациенты с эндокардитом) продемонстрировало высокую точность (cosine similarity до 0.95) и улучшенные предиктивные характеристики.