3 статей
Статья представляет новую архитектуру R-GCRED, использующую большие языковые модели (LLM) и онтологически направленный поиск для извлечения клинически значимых симптомов из текстовых нарративов. Система обеспечивает прозрачность за счет верификации доказательств, калибровки вероятностей и моделирования рекомендаций с учетом неопределенности, демонстрируя высокие метрики на бенчмарках DAIC-WOZ и CLEF eRisk.
В статье, опубликованной в журнале npj Digital Medicine 6 октября 2026 года, представлен новый метод применения искусственного интеллекта для усиления фармаконадзора с использованием базы данных сообщений о побочных эффектах FDA (FAERS). Исследование фокусируется на разработке калиброванной модели машинного обучения, способной более точно выявлять и классифицировать потенциальные сигналы о нежелательных лекарственных реакциях, минимизируя уровень ложноположительных результатов. Авторы применяют передовые алгоритмы обработки естественного языка (NLP) для анализа неструктурированных текстовых отчетов, что позволяет извлекать скрытые паттерны и корреляции между препаратами и побочными эффектами, которые часто упускаются при традиционном ручном анализе. Ключевым нововведением является внедрение механизма калибровки вероятностей, который обеспечивает надежную оценку неопределенности предсказаний модели, что критически важно для принятия клинических решений и регуляторных выводов. Результаты демонстрируют значительное улучшение показателей точности и полноты (precision и recall) по сравнению с существующими базовыми методами, что подтверждает эффективность подхода в реальных условиях мониторинга безопасности лекарств. Данный инструмент может быть интегрирован в рабочие процессы регуляторных органов и фармацевтических компаний для ускорения выявления рисков и повышения качества данных о безопасности препаратов на этапе постмаркетингового наблюдения.
Исследование, опубликованное в Nature Machine Intelligence, предлагает новый подход к повышению надежности нейронных сетей путем предварительного обучения на случайном шуме. Авторы обнаружили, что современные модели склонны к чрезмерной самоуверенности (overconfidence) до того, как они сталкиваются с реальными данными. Методология заключается в кратковременном этапе обучения на случайных шумовых паттернах, что позволяет модели «научиться» распознавать неопределенность. Результаты показывают значительное улучшение калибровки предсказаний и более эффективную идентификацию данных, выходящих за пределы распределения (out-of-distribution). Это критически важно для медицинских приложений, где ошибка в оценке уверенности модели может привести к неверной диагностике. Внедрение данного метода позволяет сделать ИИ-системы более предсказуемыми и безопасными при работе в условиях клинической неопределенности.
