диагностика

Разработана система классификации состояния плода (норма, подозрение, патология) на основе анализа данных кардиотокографии. Лучшая модель LightGBM показала точность 96.03% и была интегрирована в веб-приложение для поддержки принятия клинических решений.

Обзор демонстрирует, что использование ИИ для предоперационного планирования на основе КТ значительно повышает точность позиционирования компонентов эндопротеза и сокращает время планирования на 57-70%. Исследование подчеркивает превосходство глубокого обучения над ручным методом в минимизации угловых ошибок при установке чашки.

Обзор анализирует стандарты документирования преаналитических факторов (подготовка образцов, сканирование, аннотация) в исследованиях ИИ для цитологии шейки матки. Авторы выявили значительные пробелы в отчетности и предложили специализированный чек-лист PRECY-AI для повышения воспроизводимости и клинической применимости моделей.

Разработана система FuzzyFed-CNN, объединяющая сверточные нейросети и нечеткие логические системы для раннего выявления болезни Альцгеймера. Метод использует федеративное обучение для защиты конфиденциальности данных и обеспечивает высокую интерпретируемость результатов через визуализацию Grad-CAM.

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.

Исследование оценивает возможность использования расхождений между различными системами автоматического распознавания речи (ASR) для выявления ошибок в медицинских транскриптах. Результаты показывают, что низкий уровень согласия между моделями эффективно локализует зоны неопределенности, позволяя человеку сосредоточиться на критических участках текста.

В исследовании представлен инновационный физически обоснованный генеративный метод для проектирования белков de novo, способных связывать малые молекулы и ионы металлов. Авторы разработали подход, который позволяет формировать кастомизируемые сайты связывания лиганда параллельно с симуляцией фолдинга белка, обеспечивая точный архитектурный контроль комплекса. Методология позволяет создавать биосенсоры двух типов: на основе индуцированного лигандом реассемблирования расщепленных белков (split-protein) и на основе индуцированного фолдинга белка. В ходе экспериментов метод успешно протестировали на пяти мишенях, включая критически важные нейромедиаторы — серотонин и дофамин, а также два типа ионов металлов. Биофизическая характеристика и рентгеноструктурный анализ подтвердили, что полученные кристаллические структуры практически полностью соответствуют расчетным моделям. Практическая значимость работы заключается в успешном создании рабочих сенсоров на серотонин и дофамин, а также цинк-сенсора, что открывает новые горизонты в разработке высокоточных диагностических инструментов и биосенсорных технологий.

В исследовании представлен Histo3D-MO — инновационный гибридный экспериментально-вычислительный конвейер, предназначенный для реконструкции 3D-карт пространственного мультиомикса с разрешением на уровне отдельных клеток. Основная технология базируется на методе SPONGE, который интегрирует разреженные и несвязанные пространственные омиксные измерения с плотными данными гистологии (окрашивание гематоксилином и эозином). Разработанный алгоритмический комплекс позволяет проводить 3D-пропагацию типов клеток и аннотацию тканевых доменов, обеспечивая полную характеристику объема опухолевого микроокружения. При тестировании на данных гепатоцеллюлярной карциномы метод выявил сложные паттерны эффективности трансляции и траектории дифференцировки моноцитов в зависимости от глубины ткани. Histo3D-MO значительно превосходит существующие методы прогнозирования омиксных данных, предлагая масштабируемое решение для изучения организации сложных биологических систем. Это открывает новые возможности для высокоточной диагностики и понимания архитектуры опухолей на молекулярном уровне.

В исследовании представлен фреймворк APFA для федеративного обучения в сетях интернета медицинских вещей (IoMT). Метод позволяет эффективно объединять данные с различных устройств, решая проблемы вычислительной асимметрии и статистической неоднородности при сохранении конфиденциальности.

Исследование посвящено использованию модели BioBERT для автоматической маркировки поведенческих признаков аутизма согласно критериям DSM-5. Установлено, что описания от родителей (lay narratives) обладают высокой диагностической ценностью, сопоставимой с клиническими записями, и могут быть интегрированы в рабочий процесс для ускорения диагностики.

В исследовании представлена новая архитектура Ac-AI, объединяющая автоэнкодеры для извлечения скрытых признаков и адаптивные пороги принятия решений. Предложенный метод демонстрирует высокую точность и стабильность в прогнозировании сердечно-сосудистых рисков, сопоставимую или превосходящую классические модели вроде XGBoost и SVM.

Исследование посвящено использованию алгоритмов машинного обучения (XGBoost, Random Forest и др.) для прогнозирования риска инфекций (RTI/STI) у молодых женщин. С помощью анализа SHAP были выявлены ключевые факторы риска, а модель XGBoost показала высокую точность прогнозирования (89.1%).

Исследование посвящено изучению генетических профилей экспрессии эндометриоза, которые варьируются в зависимости от анатомического расположения очагов и фазы менструального цикла. Авторы провели масштабный анализ, составив атлас на основе секвенирования РНК единичных клеток (scRNA-seq), охвативший 672 051 клетку от 112 доноров, включая эутопический эндометрий, менструальные выделения, яичники и перитонеальный эндометрий. С помощью машинного обучения были обучены классификаторы, которые позволили выявить подмножество «основных» клеток очага, сохраняющих идентичность маточного эндометрия, но при этом отличающихся от окружающих тканей. Результаты показали, что транскриптомные различия между этими клетками в различных очагах остаются стабильными на всех фазах цикла и даже при приеме гормональной терапии. Выявленные специфические генные сигнатуры позволили успешно классифицировать статус заболевания и подтипы очагов на независимых данных 168 пациентов. Данное открытие закладывает основу для разработки методов диагностики и подтипирования эндометриоза, не зависящих от текущего гормонального фона пациента.

В исследовании анализируется эффективность применения различных алгоритмов машинного обучения для рескоринга совпадений пептид-спектров (PSM) в масс-спектрометрической протеомике. Авторы сравнивают стандартные линейные модели (LSVM) с более сложными нелинейными алгоритмами, такими как Random Forest и XGBoost, доступными в инструменте Mokapot. С помощью метода «ловушки» (entrapment approach) было выявлено, что усложнение моделей приводит к росту числа идентифицированных PSM, однако этот прирост является следствием переобучения и смещения в сторону случайных совпадений с целевой базой данных. В частности, для наиболее сложных моделей фактический уровень ложноположительных результатов (entrapment FDR) достиг 6,3%, в то время как расчетный показатель (decoy FDR) составлял всего 1%. Таким образом, чрезмерная сложность моделей создает иллюзию высокой точности и дает неоправданно оптимистичные оценки FDR. Результаты подчеркивают критическую необходимость баланса между сложностью алгоритма и риском переобучения при автоматизированном анализе протеомных данных.

В исследовании представлен Shifu — инновационный фреймворк, предназначенный для решения проблем предсказания вторичной структуры РНК с помощью глубокого обучения. Авторы указывают на критическую проблему существующих методов: использование единых оценочных показателей скрывает локальные ошибки моделей и может свидетельствовать о простом заучивании обучающих данных. Решение состоит из трех компонентов: Shifu-Corpus, представляющего собой аудит-контролируемый датасет из 254 123 последовательностей из шести баз данных с защитой от утечек данных; системы оценки Shifu Trifecta, оценивающей модели по трем осям (точность, охват разнообразия РНК и надежность уверенности); и семейства компактных языковых моделей Shifu-LMR. Эксперименты показали, что изменение обучающего корпуса влияет на точность на 0,13, а компактная модель Shifu-LMR-Nano с 65 миллионами параметров демонстрирует лидирующие показатели точности, при этом работая на обычном ноутбуке. Разработчики открывают доступ к датасету, коду и архитектурам моделей для дальнейшего использования в биоинформатике.

В данном исследовании проводится критический анализ возможностей модели AlphaFold3 (AF3), которая перешла от предсказания одиночных белков к моделированию сложных биомолекулярных ансамблей на основе полноатомного фреймворка. Авторы оценивают эффективность AF3 в таких ключевых задачах, как предсказание структур убиквитинированных белков, распознавание комплексов TCR-эпитоп, взаимодействие антител с антигенами, а также белок-РНК и белок-липидные взаимодействия. Результаты показывают неоднородную производительность модели: в то время как в одних сценариях AF3 демонстрирует высокие результаты, в задачах предсказания РНК-мишеней уверенность модели (confidence) не позволяет эффективно отличить реальные партнеры взаимодействия от ложных (decoy). Исследование выявило серьезную проблему зависимости точности от наличия схожих комплексов в обучающей выборке, что ставит под сомнение обобщающую способность модели по сравнению с AlphaFold2. Сделан вывод, что AF3 является мощным инструментом для генерации гипотез, однако её предсказания и метрики уверенности требуют крайне осторожной интерпретации в зависимости от конкретной биологической области и перекрытия с обучающим набором данных.

Разработан комплексный программный инструментарий amR на языке R, предназначенный для прогнозирования антимикробной резистентности (AMR) на основе геномных данных. Пакет состоит из трех модулей: amRdata для автоматизированного сбора геномов и данных о чувствительности из базы BV-BRC, amRml для обучения интерпретируемых моделей машинного обучения и amRviz для интерактивной визуализации через Shiny-дашборды. Методология включает извлечение признаков на различных уровнях: от генных кластеров и доменов белков до структурных вариантов, используя эффективные форматы хранения Parquet и DuckDB. В ходе тестирования на патогене Shigella sonnei система показала высокую точность, достигнув медианного коэффициента корреляции Мэтьюса (MCC) 0,89 для 23 различных препаратов и классов антибиотиков. Инструментарий позволяет преодолеть проблему «черного ящика» в ИИ, предоставляя исследователям возможность интерпретировать механизмы резистентности и выявлять важные биомаркеры. Проект доступен в открытом доступе через GitHub под лицензией BSD-3-Clause.

В исследовании представлен инновационный фреймворк 'proteome velocity', предназначенный для реконструкции непрерывных траекторий изменений протеома на основе перекрестных или разреженных данных протеомики. Авторы используют метод потокового сопоставления (flow matching), где нейронная сеть обучается вычислять поля скоростей в пространстве протеома, позволяя определить скорость и направление изменения концентрации белков при развитии заболеваний. В ходе экспериментов на моделях сепсиса у мышей модель успешно разрешила специфичные для тканей и патогенов траектории, выявив воспалительные белки с уникальными паттернами временной активации. При анализе плазменного протеома пациентов с COVID-19 полученные траектории позволили разделить пациентов на группы с различными программами скоростей, коррелирующими с тяжестью течения болезни. Данная методология позволяет трансформировать статические данные в интерпретируемые динамические модели молекулярного прогрессирования. Это открывает новые возможности для персонализированной медицины и ранней диагностики через понимание динамики биомаркеров.

Исследование посвящено оценке точности моделирования прогрессирования заболевания (DPM), используемого для определения «амилоидного времени» при болезни Альцгеймера. Авторы провели симуляционные исследования, используя эмпирические данные о шуме в биомаркерах амилоида (ПЭТ, спинномозговая жидкость и плазма крови) в когортах с аутосомно-доминантной и спорадической формами заболевания. Результаты показали, что межличностная вариативность является основным источником ошибок при временных оценках, в то время как внутрииндивидуальная вариативность снижает стабильность прогнозов. Было установлено, что ПЭТ-сканирование амилоида превосходит по точности анализы спинномозговой жидкости и плазмы. Исследование подчеркивает, что текущие подходы DPM более надежны на уровне групп, чем на уровне отдельных пациентов, особенно при использовании жидкостных биомаркеров с вариативностью более 10-15%. Это имеет критическое значение для планирования клинических испытаний и разработки персонализированных стратегий лечения.