диагностика

В статье представлено новое гидравлическое устройство (электронная детская бутылочка) для объективной оценки биомеханики сосания у младенцев. С помощью машинного обучения (ROCKET-преобразование) разработана автоматическая классификация эффективных сосательных движений, достигшая высокой точности. Исследование показало, что через неделю после френотомии у большинства детей с уздечкой языка улучшились показатели внутриротового давления, что подтверждает клиническую применимость метода.

Представлена мультимодальная глубокая обучающая система VHealth-MFusion, объединяющая рентгенографию грудной клетки и структурированные клинические данные для многоклассовой диагностики пневмонии. Модель достигла точности 97,2%, превзойдя базовый уровень 95,9%, что подтверждает эффективность интеграции изображений и клинической информации для телемедицины.

В статье представлен мини-обзор гибридных архитектур, объединяющих большие языковые модели и vision-трансформеры для медицинской диагностики, с акцентом на радиологию и визуальные вопросы-ответы. Авторы анализируют проблемы внедрения таких систем в условиях низкоресурсного здравоохранения, включая нехватку данных, ограничения памяти и вычислительных мощностей, и предлагают пути решения через параметрически эффективную адаптацию, квантизацию, федеративное обучение и мультиязычную поддержку. Ключевой вывод — необходимость перехода от масштабирования моделей к легковесным, интерпретируемым и аппаратно-ориентированным решениям.

Статья анализирует неравномерное внедрение цифровой патологии (DP) между богатыми и бедными ресурсами, подчеркивая роль ИИ в диагностике и образовании. Авторы предлагают модель взаимных инноваций для ускорения принятия DP, используя сильные стороны обеих сторон. Приводятся примеры из практики, барьеры и политические механизмы для устойчивого масштабирования.

В исследовании разработана модифицированная модель на основе ResNet50 (ResNet50-SCPA-Net) для автоматической классификации стадий цирроза печени по МРТ-изображениям. Модель объединяет SE-канальное и CBAM-пространственное внимание в параллельной структуре с обучаемым параметром слияния. Достигнута точность 80.82%, сбалансированная точность 81.93%, F1-мера 82.55% и AUC 93.05%, что подтверждает эффективность подхода.

Представлена семиклассовая система ИИ для анализа изображений диабетических язв стопы, сочетающая классификацию и оценку тяжести. Модель достигла точности 95,5% на тестовом наборе, высокой согласованности с клиницистами (κ=0,952) и работает на смартфоне за 322 мс на изображение, обеспечивая объяснимые результаты.

В исследовании систематически оценивается вклад отдельных речевых биомаркеров (паузы, запинки, неразборчивые слова) в классификацию болезни Альцгеймера с помощью легковесных языковых моделей (BERT, AlBERT, DistilBERT). Паузы оказались наиболее информативным биомаркером (F1 = 0.8326), а их целенаправленный отбор улучшает точность детекции по сравнению с объединением всех признаков.

В ретроспективном перекрестном исследовании с участием 1461 взрослого оценивалась осуществимость и клиническая значимость ИИ-оценки риска сердечно-сосудистых заболеваний по изображениям сетчатки (Reti-CVD) в гибридной модели оказания помощи. Более высокий риск по Reti-CVD был связан с возрастом, мужским полом, диабетом, гипертонией и другими кардиометаболическими факторами, однако категориальное согласие с калькулятором PREVENT оказалось слабым (κ = 0.144). Результаты требуют проспективной валидации для подтверждения прогностической ценности.

Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.

Представлена структура NEUROCOG-DysNet, которая использует многоуровневое извлечение когнитивных признаков и ансамблевый стеккинг для скрининга дислексии на основе данных геймифицированной платформы Dytective (N=3644). Модель достигает AUC-ROC 0.8924, чувствительности 0.8077 и специфичности 0.8187, демонстрируя потенциал в качестве инструмента первичного скрининга, хотя для клинического применения требуются внешняя валидация и проспективные исследования.

Представлена улучшенная структура ConvNeXt-Tiny с модулем пространственной адаптивной многомасштабной свертки (SAMC) для классификации заболеваний сетчатки по OCT-изображениям. Модель достигает точности 98,39% на наборе данных OCT-C8 с восемью классами, а также включает анализ калибровки, неопределенности, устойчивости к помехам и интерпретируемости, подтверждая клиническую значимость.

Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.

Представлена ARTNet — трансформерная нейросеть для автоматической классификации и сегментации диабетической ретинопатии (ДР) по снимкам глазного дна. Модель объединяет три подсети: адаптивную канальную калибровку, пространственное внимание к клинически значимым областям и трансформерный энкодер для глобального контекста. На наборах данных Diabetic Retinopathy Detection, APTOS-2019 и IDRiD модель достигает точности 96.45% и превосходит современные подходы, поддерживая реальный скрининг в офтальмологии.

Статья представляет TurboQuant-Bio — открытый инструментарий для сжатия весов и кэша внимания геномной фундаментальной модели Evo 2 до 4 бит без калибровочных данных. Это позволяет запускать конфигурацию Evo 2 с 40 миллиардами параметров на одном GPU с 80 ГБ памяти, а версию с 7 миллиардами параметров — с полным контекстом в миллион токенов в пределах 40 ГБ, что дает восьмикратное увеличение достижимого контекста. Сжатие почти без потерь по таким задачам, как перплексия на всем дереве жизни, классификация геномов, предсказание сайтов сплайсинга, завершение генов и клинически значимое предсказание эффектов вариантов. Авторы также обнаружили, что опубликованный путь chunked-prefill в Evo 2 молчаливо некорректен, возвращая правдоподобные, но некоррелированные вероятности, и предложили блочное продолжение, исправляющее эту проблему. Благодаря этому полный геном бактерии размером 580 килобаз теперь оценивается в одном контексте за 22 минуты вместо 13,7 часов. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области геномной диагностики и анализа вариантов.

В статье представлена новая система iDMS (интеллектуальная дифференциальная ионная мобильная спектрометрия), которая использует глубокую нейронную сеть для автоматического прогнозирования оптимальных параметров разделения изомерных моногликосфинголипидов в масс-спектрометрии. Проблема заключается в том, что стандартные методы LC-ESI-MS/MS не могут разделить бета-глюкозил и бета-галактозил эпимеры, что необходимо для мониторинга ферментативных нарушений при таких заболеваниях, как болезнь Гоше, Паркинсона и Краббе. Добавление FAIMS/DMS в качестве ортогональной техники позволяет разделять эпимерные ионные кластеры, но требует ручного подбора параметров (SV и CoV) для каждого липида, что трудоемко и требует чистых синтетических стандартов. Авторы разработали модель машинного обучения, которая обучается на измеренных интенсивностях сигналов для 12 липидов и предсказывает комбинации SV и CoV для разрешения любой пары стереоизомеров. Это ускоряет внедрение MRM-анализов для быстрого количественного определения биологически значимых моногликосфинголипидов. Метод обещает значительное сокращение времени и ресурсов на оптимизацию, а также расширение числа стереоизомеров, которые можно включить в анализ. Работа имеет прямое применение в клинической диагностике и исследованиях наследственных заболеваний.

В журнале npj Digital Medicine опубликовано исследование, представляющее фундаментальную модель голосовых биомаркеров, предназначенную для мониторинга бокового амиотрофического склероза (БАС) и скрининга болезни Паркинсона. Модель обучалась на крупном наборе аудиоданных, включающем записи речи пациентов с нейродегенеративными заболеваниями и здоровых контролей. Используя методы глубокого обучения, модель извлекает акустические признаки, связанные с дизартрией и другими речевыми нарушениями, характерными для этих заболеваний. Для БАС модель позволяет отслеживать прогрессирование заболевания по изменениям речевых характеристик, что может служить неинвазивным и доступным инструментом мониторинга в клинической практике. Для болезни Паркинсона модель демонстрирует высокую точность скрининга, позволяя выявлять ранние признаки заболевания по голосу. Валидация проводилась на независимых когортах, показав устойчивые результаты. Исследование подчеркивает потенциал голосовых биомаркеров как масштабируемого решения для нейродегенеративных заболеваний, что может улучшить раннюю диагностику и персонализированное лечение.

В журнале npj Digital Medicine опубликована статья, предлагающая пятифазную систему оценки (framework) для диагностических и прогностических моделей искусственного интеллекта в медицине. Авторы отмечают, что существующие подходы к валидации медицинского ИИ фрагментированы и не учитывают весь жизненный цикл модели — от разработки до постмаркетингового мониторинга. Предложенная система включает пять последовательных фаз: (1) доклиническая оценка на ретроспективных данных, (2) проспективная валидация в контролируемых условиях, (3) пилотное внедрение в реальной клинической практике, (4) рандомизированные контролируемые испытания для оценки влияния на исходы пациентов и (5) непрерывный мониторинг после развертывания с механизмами обратной связи и переобучения. Для каждой фазы авторы определяют конкретные метрики, требования к данным, статистические методы и критерии перехода к следующему этапу. Особое внимание уделяется вопросам справедливости (fairness), устойчивости к дрейфу данных и интерпретируемости моделей. Работа призвана стандартизировать процесс оценки ИИ-систем в здравоохранении, что критически важно для регуляторных органов, клиницистов и разработчиков. Предложенный фреймворк может стать основой для гармонизации требований FDA, EMA и других регуляторов к медицинскому ИИ.

В статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.

В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.