диагностика

Исследование применяет методы машинного обучения (иерархическая кластеризация) для выявления 4 различных клинических фенотипов кардиогенного шока на основе данных 1513 пациентов. Выделенные фенотипы демонстрируют значительную разницу в показателях смертности (от 22,4% до 78,4%) и предлагают новую систему стратификации рисков для персонализированной терапии.

Исследование представляет автоматизированный пайплайн на основе глубокого обучения (UNet) и радиомикой для сегментации и классификации опухолей молочной железы по ультразвуковым снимкам. Система достигает точности классификации 97,8% и среднего IoU 0,94231, что демонстрирует потенциал для снижения участия человека в диагностическом процессе.

Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.

Исследование описывает опыт настройки LLM-as-a-Judge для оценки качества автоматической генерации клинических сводок в радиологии. Авторы проанализировали данные 30 пациентов с КТ брюшной полости, сравнивали оценки экспертов и шести различных LLM, выявив критерии для эффективной настройки таких систем. Результаты показывают, что критерии, эффективные для оценки человеком, не всегда подходят для LLM-оценки.

Предложена объяснимая многомодальная система глубокого обучения для диагностики рака, объединяющая радиологические изображения и клинические данные с использованием внимания. Модель показала превосходство над одно-модальными подходами на наборах данных CBIS-DDSM, Duke Breast Cancer MRI и TCGA, обеспечив баланс между чувствительностью и специфичностью без потери точности.

Исследование применяет методы машинного обучения (PCA и K-means кластеризацию) для стратификации пациентов с ишемическим инсультом на три биологически различных подтипа. Результаты показывают, что ML-анализ биомаркеров воспаления, коагуляции и метаболизма позволяет выявить гетерогенность заболевания и может улучшить персонализированный подход к оценке рисков.

Предложен концептуальный фреймворк MEDLEY для медицинского ИИ, который использует множественные модели с сохранением их разнообразных выводов вместо достижения консенсуса. Система использует более 30 больших языковых моделей для дифференциальной диагностики, рассматривая смещения как потенциальные преимущества, а не дефекты. Демонстрация показывает, как структурированное разнообразие может улучшить медицинское рассуждение под наблюдением клиницистов.

Исследование представляет собой применение искусственного интеллекта для диагностики метастазов в лимфатических узлах при различных типах рака. Методология основана на квантовании неопределённости (uncertainty quantification) — подходе, который позволяет ИИ-модели оценивать степень уверенности в своих предсказаниях, что критически важно для клинического применения. Пан-онкологический подход означает, что система обучена на данных по множеству онкологических заболеваний одновременно, что повышает её универсальность и снижает необходимость создания отдельных моделей для каждого типа рака. Высокая чувствительность метода указывает на способность выявлять даже небольшие метастатические очаги, что может существенно повлиять на стадию заболевания и выбор терапии. Квантование неопределённости позволяет врачам понимать, когда модель не уверена в своём диагнозе, что снижает риск ложноположительных и ложноотрицательных результатов. Исследование опубликовано в ведущем журнале npj Digital Medicine (издательство Nature), что подтверждает его научную значимость и прохождение рецензирования. Практическая значимость заключается в потенциальном улучшении точности патоморфологической диагностики и снижении нагрузки на патологов при анализе гистологических препаратов.

Обзорный анализ применения искусственного интеллекта для ультразвуковой навигации при инъекциях в плечевой сустав. Исследование охватывает технологии сегментации анатомических структур, алгоритмы глубокого обучения и их влияние на точность процедур и клинические исходы. Результаты подтверждают улучшение показателей успешности инъекций и качества лечения пациентов.

В статье представлен новый фреймворк STpath, который решает проблему интерпретируемости вложений гистопатологических изображений, создаваемых ИИ-моделями. Гистопатологические модели-фундаменты кодируют изображения тканей в числовые представления, однако эти вложения не имеют прямого биологического смысла для клинического применения. STpath использует модели XGBoost, специфичные для различных типов рака, обученные на данных пространственно разрешённой транскриптомики, для предсказания состава клеточных типов и экспрессии генов на основе гистопатологических изображений. Исследователи протестировали фреймворк на наборах данных по колоректальному и раку молочной железы, показав точные оценки состава основных клеточных типов и экспрессии подмножества генов. Комбинирование вложений от нескольких моделей-фундаментов дало дополнительные приросты производительности. Авторы продемонстрировали, что признаки, полученные с помощью STpath, могут использоваться в последующих исследованиях для оценки их ассоциаций с клиническими исходами. Работа открывает путь к практическому применению ИИ в гистопатологии для онкологической диагностики и исследований.

Исследование посвящено улучшению надежности трансформерных языковых моделей для геномики (GLM), которые демонстрируют высокую эффективность в задачах предсказания на генетических данных, но склонны к излишней уверенности при работе с зашумленными или неизвестными данными. Авторы анализируют влияние нескольких методов оценки неопределенности (uncertainty quantification, UQ), включая температурное масштабирование и эпистемические нейронные сети, на надежность предсказаний моделей в различных доменах геномных и метабаргеномных задач. Сравнение поведения моделей на данных из распределения (in-distribution) и вне распределения (out-of-distribution) показывает, что предложенные методы способны значительно улучшить надежность классификации. Результаты демонстрируют универсальность подхода, так как он работает на нескольких архитектурах GLM и в различных предметных областях. Разработка критически важна для геномики, где неизвестные виды и новые генетические варианты встречаются часто, и надежность предсказаний напрямую влияет на клинические решения. Полученные модели могут применяться для диагностики генетических заболеваний, персонализированной медицины и анализа микробиома. Исходный код проекта доступен в открытом доступе на GitHub, что позволяет исследователям и практикам внедрять эти методы в свои рабочие процессы.

GE HealthCare и Springbok Analytics заключили соглашение о разработке, объединяющее ИИ-платформу Springbok для анализа мышц с технологиями МРТ GE HealthCare. Решение количественно оценивает до 140 мышц, предоставляя объективные метрики для оценки мышечного здоровья, руководства реабилитацией и оптимизации спортивных результатов.

Исследование MATCH 2 опубликовано в журнале Respiratory Medicine, оценивающее точность трехмерной навигации при роботизированной бронхоскопии с использованием встроенных технологий визуализации (цифровая томосинтез и усиленная флюороскопия). В исследовании с участием 31 пациента достигнуты показатели 96.7% диагностической эффективности и подтверждения попадания инструмента в lesion, что подтверждает высокую точность роботизированной навигации с реальной визуализацией для диагностики периферических легочных узлов.

Статья представляет модель Athena — фундаментальную модель для гистопатологии, обученную на 115 миллионах патчей тканей из 282 тысяч слайдов. Исследование показывает, что разнообразие данных важнее их объема: модель достигает state-of-the-art результатов на задачах молекулярной и морфологической классификации, превосходя модели, обученные на значительно больших наборах данных.

Разработан алгоритм TRI_IF на основе глубокого обучения (архитектура Xception) и морфометрического анализа для автоматической количественной оценки интерстициального фиброза почки на гистологических слайдах без ручных аннотаций. Модель продемонстрировала высокую согласованность с оценками нефропатологов (R2=0.86-0.93, Cohen's kappa=0.86-0.91) и точно предсказывала клинические исходы (ЭСКП, снижение СКФ). Подход обеспечивает масштабируемое решение для клинической практики и исследований в нефропатологии.

PATHOS — новая система на основе множественного обучения (MIL) и сегментации для предсказания ответа на неоадъювантную химиотерапию при раке яичников по гистологическим изображениям. Модель выделяет около 10% области слайда как информативную и идентифицирует ключевые патологические признаки, связанные с прогрессией заболевания.

Исследование представляет метод автоматической классификации тканей поджелудочной железы с помощью комбинации ближнеинфракрасной гиперспектральной визуализации и машинного обучения. Оптимизированная модель достигла 84% сбалансированной точности, что на 10 процентных пунктов лучше традиционных подходов, что может улучшить раннюю диагностику рака поджелудочной железы.

Статья рассматривает проблемы внедрения ИИ в цифровую патологию, подчеркивая необходимость стандартов для обеспечения интероперабельности и устойчивости. На основе обсуждения с экспертами предложены семь взаимосвязанных областей практики для создания согласованной системы стандартов. Авторы подчёркивают, что успешная реализация ИИ-решений в патологии зависит от достижения определённого уровня унификации практик.

Разработана система ИИ-ассистированной эндометриальной цитологии с использованием модели YOLOv5x для обнаружения аномальных клеточных кластеров. Система показала точность 85% и сократила медианное время диагностики на 45% по сравнению с оценщиками без ИИ-поддержки. Исследование демонстрирует возможность доступной, реальной ИИ-поддержки для цитологии с использованием широко доступного оборудования.