60 статей
Предложена гибридная модель HybridCATNet, объединяющая CNN и Vision Transformer для высокоточной диагностики пневмонии. Система использует многоканальное слияние данных и байесовский дропаут для оценки неопределенности, демонстрируя точность до 96.93% и высокую интерпретируемость через Grad-CAM и SHAP.
Американский стартап Throne Science из Остина привлёк $10 млн в раунде серии A (общая сумма сборов ~$18 млн) на разработку ИИ-устройства для мониторинга здоровья через анализ отходов жизнедеятельности. Устройство крепится под сиденье унитаза и использует систему компьютерного зрения из примерно 12 моделей для анализа физических характеристик отходов и преобразования их в медицинские показатели. Второй уровень ИИ обрабатывает эти данные, предоставляя персонализированные рекомендации по здоровью кишечника, аналогично фитнес-трекерам Whoop или Oura. Устройство идентифицирует пользователей через Bluetooth за ~3 секунды, отличая членов семьи от гостей. Стоимость устройства составляет $399 плюс подписка $5,99/месяц или $69,99/год. Основанная в 2023 году компания позиционирует продукт как «детектор дыма для рака толстой кишки», учитывая что колоректальный рак стал ведущей причиной онкологической смертности среди американцев до 50 лет, а более 60% жителей США испытывают симптомы нарушений пищеварения еженедельно.
Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.
Исследование опубликовано в журнале npj Digital Medicine и посвящено применению цифровых технологий для оценки восстановления пациентов после хирургической реконструкции передней крестообразной связки (ПКС) колена. Авторы предлагают методику использования клинических видеозаписей для анализа функционального состояния пациентов в послеоперационном периоде. Цифровая оценка позволяет отслеживать динамику восстановления двигательных функций и прогнозировать долгосрочные клинические исходы реабилитации. Технология потенциально может применяться в спортивной медицине и ортопедии для объективного мониторинга пациентов. Однако предоставленный фрагмент содержит только метаданные публикации без описания конкретных алгоритмов, методов машинного обучения или количественных результатов исследования. Для полной оценки вклада ИИ-компонентов необходим доступ к полному тексту статьи с разделами методологии и результатов.
Росздравнадзор выдал бессрочное регистрационное удостоверение на медицинское изделие Polyptron.AI — российскую систему искусственного интеллекта для автоматизированного выявления патологий при эндоскопической диагностике желудочно-кишечного тракта. Разработчиком выступила челябинская компания «Эва Лаб». Программное обеспечение использует технологии машинного обучения для анализа эндоскопических изображений в реальном времени и помощи врачам в обнаружении полипов, новообразований и других патологических изменений слизистой оболочки ЖКТ во время колоноскопии. Регистрация означает, что система прошла все необходимые клинические испытания и соответствует требованиям безопасности и эффективности для применения в российской медицинской практике. Это значимое событие для российской цифровой медицины — продукт позволяет повысить точность диагностики, снизить риск пропуска патологий и стандартизировать качество эндоскопических исследований. Внедрение подобных ИИ-ассистентов особенно важно для раннего выявления колоректального рака, где своевременное обнаружение полипов напрямую влияет на прогноз пациента.
Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.
Исследование оценивает готовность пациентов использовать OpenCap — платформу для 3D-анализа движений через iOS-устройства — для дистанционной реабилитации. Результаты показывают высокую доступность технологий и готовность пациентов к использованию метода, что может снизить необходимость частых поездок в клиники.
Исследование представляет инновационный двухэтапный конвейер для интерпретируемой классификации клеток крови, решающий проблему «черного ящика» в глубоком обучении. В первом этапе используется замороженная мультимодальная модель ConceptCLIP, которая преобразует изображения клеток в 70-мерный вектор морфологических концептов (таких как форма ядра и текстура хроматина) через zero-shot сходство. На втором этапе мягкое дерево решений (Soft Decision Tree, SDT) классифицирует клетки исключительно на основе этих концептуальных оценок, создавая прозрачный путь принятия решения. На наборе данных BloodMNIST система достигла точности 94,86%, что всего на 3% ниже показателей классических непрозрачных моделей. Важным достижением стало то, что модель смогла самостоятельно выявить различия между подтипами незрелых гранулоцитов (промиелоцитами и миелоцитами) без специального обучения на эти метки. Это доказывает возможность создания систем, чья логика полностью совпадает с клиническими критериями гематологов, обеспечивая возможность аудита и верификации каждого диагноза.
Разработан единый легковесный фреймворк на базе YOLOv26n и MobileNetV4 для автоматического распознавания лекарственных средств. Система объединяет детекцию таблеток, классификацию по форме/цвету и чтение надписей (OCR), что позволяет снизить риск ошибок при приеме медикаментов.
В статье представлено исследование новой системы на базе глубокого обучения, предназначенной для автоматизации анализа рентгеновских снимков пациентов со сколиозом. Разработанный алгоритм способен не только точно измерять параметры выравнивания позвоночного столба, но и автоматически идентифицировать наличие хирургических имплантатов на снимках. Методология исследования опирается на использование современных архитектур нейронных сетей, обученных на обширных наборах медицинских изображений для минимизации человеческого фактора при диагностике. Ключевым результатом является достижение высокой точности измерений, сопоставимой с экспертной оценкой врачей-рентгенологов, что позволяет значительно сократить время на рутинную обработку снимков. Внедрение данной технологии в клиническую практику может существенно повысить эффективность мониторинга состояния пациентов после операций и оптимизировать процесс планирования лечения. Использование ИИ в данном контексте решает критическую задачу стандартизации измерений, исключая субъективность при оценке степени деформации позвоночника.
Данная научная работа представляет собой систематический обзор охвата (scoping review), посвященный применению алгоритмов искусственного интеллекта и машинного обучения в области ранней диагностики рака полости рта. Исследование анализирует текущее состояние технологий, которые используются для автоматизированного скрининга новообразований, позволяя выявлять патологии на стадиях, когда хирургическое вмешательство наиболее эффективно. Авторы систематизируют различные подходы, включая использование сверточных нейронных сетей (CNN) для анализа изображений и методов компьютерного зрения. В обзоре рассматриваются методологии обучения моделей на наборах данных клинических фотографий и гистологических срезов, а также оценивается точность, чувствительность и специфичность существующих решений. Работа подчеркивает потенциал ИИ в снижении нагрузки на стоматологов и онкологов, обеспечивая более доступную и быструю первичную диагностику. Результаты исследования указывают на необходимость стандартизации наборов данных для улучшения обобщающей способности моделей в реальных клинических условиях.
В исследовании представлена инновационная мультимодальная модель (vision-language model), которая имитирует когнитивный процесс врача-радиолога при анализе медицинских изображений. Ключевой особенностью разработки является использование данных о движении глаз (eye-tracking) и вербальных рассуждениях экспертов в процессе обучения. Это позволяет модели не просто классифицировать патологии, но и фокусироваться на критически важных анатомических зонах, имитируя человеческое внимание. Методология обучения объединяет визуальные признаки рентгенологических снимков с текстовыми объяснениями, что повышает точность интерпретации сложных случаев. Результаты демонстрируют значительное превосходство модели над стандартными архитектурами в задачах описания изображений и постановки диагнозов. Данная технология открывает путь к созданию более прозрачных и объяснимых систем поддержки принятия врачебных решений (CDSS) в радиологии. Практическая значимость работы заключается в сокращении времени на анализ снимков и снижении вероятности пропуска патологий из-за человеческого фактора.
Предложен новый метод классификации заболеваний кожи и типов кожи, объединяющий сверточные нейронные сети (ResNet) с математическим моделированием текстур через клеточные автоматы и дробные производные. Гибридный подход позволил достичь точности классификации заболеваний на уровне 92,8%, улучшая чувствительность к деталям текстуры кожи.
Исследование посвящено разработке модели 3D-сверточной нейронной сети (архитектура X3D) для автоматического определения сердечного индекса по видео коронарной ангиографии. Модель показала высокую эффективность (AUC 0.83) в разделении пациентов на группы с нормальным и аномальным показателем, что может помочь врачам принимать решения в реальном времени без инвазивных процедур.
В статье представлена новая архитектура нейронной сети TSFGDTDBN, предназначенная для автоматизированной диагностики остеопороза по рентгеновским снимкам коленного сустава. Метод использует фрактальное градиентное расхождение и алгоритм Crow Search для оптимизации гиперпараметров, что позволяет повысить точность классификации состояний (норма, остеопения, остеопороз) по сравнению с традиционными методами глубокого обучения.
Исследование проводит систематический обзор метрик оценки ИИ-моделей, используемых для распознавания фаз хирургических операций. Авторы выявляют проблему отсутствия стандартизации и рекомендуют использовать более гибкие подходы, такие как fβ-score и коэффициент корреляции Мэтьюса, для улучшения прозрачности и сопоставимости результатов.
Российская компания NtechLab представила новое решение в области видеоаналитики на базе искусственного интеллекта, предназначенное для автоматизации контроля посещаемости в высших учебных заведениях. Технология использует алгоритмы распознавания лиц для идентификации студентов в реальном времени в аудиториях и учебных корпусах. Система способна фиксировать присутствие или отсутствие обучающихся на занятиях, автоматически сопоставляя видеопоток с базами данных университета. Внедрение данного продукта направлено на повышение дисциплины и оптимизацию административных процессов, исключая человеческий фактор при проверке журналов. Несмотря на технологическую сложность, решение относится к сфере образовательного менеджмента и косвенно затрагивает медицинскую сферу лишь в контексте управления персоналом или мониторинга здоровья в кампусах. Основной фокус продукта — автоматизация контроля за студентами с помощью компьютерного зрения.
Данное исследование посвящено критической проблеме вариативности человеческой разметки при создании обучающих выборок для моделей ИИ в цифровой патологии. Авторы анализируют методы семантической сегментации и предлагают использование вероятностного консенсуса для минимизации ошибок, вызванных субъективностью патологоанатомов. В работе исследуется корреляция между качеством аннотаций и точностью последующего обучения нейросетей. Методология включает оценку надежности нескольких экспертов и разработку алгоритма, позволяющего получить более точную «золотую стандартную» маску через вероятностное взвешивание мнений. Результаты подчеркивают, что учет неопределенности в данных сегментации значительно повышает устойчивость моделей к шуму в обучающих выборках. Это имеет решающее значение для внедрения ИИ в клиническую практику, где точность локализации патологических структур напрямую влияет на постановку диагноза.
Разработан новый метод глубокого обучения (на базе ResU-Net) для точного совмещения изображений кожи, полученных в разных спектрах (видимом, NIR и тепловом). Исследование представляет первый в своем роде набор данных из 155 триплетов изображений поражений кожи, подтвержденных дерматологами.
Представлена новая архитектура нейросети CA2PNet, предназначенная для высокоточной сегментации медицинских изображений. Модель использует модули пространственного внимания и прогрессивные расширенные свертки, демонстрируя превосходные результаты на датасетах Kvasir-SEG и BUSI.
