43 статей
В статье представлен оптимизированный вариант сетей Omni-Dimensional Dynamic Convolution (ODConv) для анализа гистопатологических изображений. Метод позволяет более гибко извлекать признаки из тканей с высокой морфологической гетерогенностью, демонстрируя высокую эффективность в диагностике нейродегенеративных и метаболических заболеваний скелетных мышц.
Исследование оценивает эффективность модели nnU-Net как «второго читателя» для выявления метастазов в позвоночнике на КТ-снимках. Использование ИИ позволило обнаружить патологии в среднем на 228 дней раньше, чем это было сделано врачами при стандартном анализе.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.
В данной исследовательской работе, опубликованной в журнале npj Digital Medicine, рассматривается инновационный подход к оценке интенсивности головной боли через анализ автоматизированного распознавания мимических паттернов. Авторы используют технологию APEX frames для захвата и анализа микровыражений лица, которые коррелируют с уровнем болевого синдрома. Методология исследования направлена на создание объективного инструмента мониторинга боли, который мог бы дополнить субъективные отчеты пациентов. Ключевая цель заключается в минимизации человеческого фактора при оценке боли, что критически важно для пациентов с когнитивными нарушениями или при хронических состояниях. Результаты подчеркивают потенциал использования компьютерного зрения для интеграции в цифровые системы мониторинга здоровья и телемедицины. Данная технология может стать важным подспорьем в персонализированной терапии неврологических заболеваний.
В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.
В исследовании представлен HiReS (High-Resolution Segmentation) — программный конвейер с открытым исходным кодом, предназначенный для автоматизации морфометрического анализа планктона. Основная проблема, которую решает метод, заключается в невозможности обработки полноразмерных изображений высокого разрешения стандартными методами глубокого обучения из-за ограничений оперативной памяти. Методология HiReS основана на разделении изображений на перекрывающиеся фрагменты (chunks), применении сегментации экземпляров на базе архитектуры YOLO, последующей реконструкции полигональных аннотаций в пространстве полного изображения и удалении дубликатов. Авторы протестировали систему на видах Daphnia pulex, Daphnia galeata и Simocephalus vetulus, показав, что автоматизированные измерения точно воспроизводят структуру распределения признаков, полученную вручную. Несмотря на выявленное систематическое положительное смещение (multiplicative scaling offset), после центрирования данных расхождения между автоматическим и ручным методами оказались минимальными. Важным практическим результатом является то, что при малых объемах выборки медианные значения, полученные моделью, могут превосходить точность ручных оценок. Данный инструмент представляет интерес для биомедицинских исследований и экологии, где требуется высокоточный количественный анализ микрообъектов.
В данном исследовании, опубликованном в журнале npj Digital Medicine, проводится сравнительный анализ эффективности системы искусственного интеллекта и профессиональных экспертов в задаче классификации лейкоцитов. Методология исследования заключалась в сопоставлении автоматизированных результатов работы ИИ с оценками 15 высококвалифицированных специалистов в области морфологии крови. Основная цель работы — определить, может ли алгоритм достичь уровня точности, сопоставимого с человеческим экспертным мнением, при анализе сложных клеточных структур. Ключевые результаты демонстрируют потенциал ИИ в автоматизации рутинных процессов гематологического анализа, что критически важно для снижения нагрузки на лаборатории. Исследование подчеркивает значимость внедрения подобных систем для стандартизации диагностики и минимизации субъективных ошибок при интерпретации мазков крови. Данная работа имеет высокую практическую ценность для цифровой гематологии и автоматизированных систем лабораторной диагностики.
В статье представлена гибридная нейросетевая архитектура (HDNN) для классификации нейродегенеративных заболеваний на основе данных МРТ. Использование методов ConvNeXt, MaxViT и механизмов Cross-Fusion Attention позволило достичь точности 97,4%, а применение Grad-CAM++ обеспечивает интерпретируемость результатов для клинического применения.
Исследователи представили Halo — инновационную предобученную модель, предназначенную для решения критической проблемы пространственной транскриптомики: точной сегментации границ целых клеток при наличии только изображений ядер. Методология Halo основана на интеграции морфологии ядер с пространственным распределением РНК-транскриптов, где координаты транскриптов преобразуются в карты молекулярной плотности. Эти карты обрабатываются совместно с DAPI-изображениями с использованием архитектуры сегментации Cellpose-SAM. Модель прошла предварительное обучение на мультимодальных данных Xenium, охватывающих 12 различных типов тканей, что позволяет использовать её напрямую на новых наборах данных без необходимости дополнительного обучения. Результаты показывают, что Halo значительно превосходит стандартную стратегию «расширения ядер» (nuclear expansion), обеспечивая более высокое соответствие истинным границам клеток и точность назначения РНК конкретным клеткам. Применение Halo позволяет получать более надежные данные для идентификации типов клеток и точной оценки их морфологических признаков, делая процесс сегментации масштабируемым и воспроизводимым.
В статье представлен SegBio — новый инструмент с открытым исходным кодом, предназначенный для автоматизации высокопроизводительного фенотипирования биологических образцов. Основная проблема, которую решает разработка, заключается в трудоемкости ручной аннотации изображений с плотной компоновкой объектов (например, клеток или организмов). Методология SegBio включает интерактивный графический интерфейс, который позволяет создавать полные маски объектов на основе минимальных разметок центральных линий, что радикально снижает затраты времени на разметку. Система объединяет настраиваемый модуль обучения на базе архитектуры U-Net и автономное приложение для инференса с возможностью редактирования в режиме «человек в цикле» (human-in-the-loop). Исследование подтвердило эффективность метода на новом наборе данных изображений C. elegans, где модель достигла показателя паноптической точности (Panoptic Quality) около 0.85. Инструмент позволяет точно количественно оценивать морфологию и флуоресценцию каждого отдельного организма, что делает его масштабируемым решением для лабораторий, работающих с клеточными органеллами и другими плотными биологическими структурами.
Компания X5 Group разработала и внедрила инновационную систему на базе компьютерного зрения для автоматизированного контроля соблюдения правил гигиены рук. Технология предназначена для использования на предприятиях по производству готовой еды, где соблюдение санитарных норм является критическим фактором безопасности. Система с помощью нейросетей в реальном времени анализирует видеопоток и фиксирует правильность и полноту процесса мытья рук сотрудниками. Внедрение данного решения позволяет минимизировать человеческий фактор и снизить риски биологического загрязнения продукции. Использование ИИ в данном контексте направлено на оптимизацию производственных процессов и обеспечение соответствия строгим стандартам пищевой безопасности. Это пример применения технологий компьютерного зрения для контроля качества и соблюдения регламентов в индустрии.
Специалисты Института искусственного интеллекта университета «Иннополис» разработали инновационную систему бесконтактного автоматического взвешивания животных, предназначенную для применения в агропромышленном секторе. Технология базируется на использовании компьютерного зрения и глубокого обучения, что позволяет проводить измерения без физического контакта со свиньями, минимизируя стресс для животных и риск травматизма. Система способна обрабатывать данные крайне быстро, обеспечивая взвешивание до 10 голов за одну секунду, что значительно повышает эффективность мониторинга поголовья. В основе методологии лежит анализ видеопотока и построение трехмерных моделей объектов для точного определения массы. Внедрение данной разработки позволяет автоматизировать контроль за ростом животных и оптимизировать рационы кормления на основе точных данных. Проект демонстрирует практическую значимость ИИ в автоматизации производственных процессов и цифровизации сельского хозяйства.
Исследование представляет собой разработку конвейера глубокого обучения для неинвазивного определения показателей крови путём анализа видеозаписей бульбарной конъюнктивы (белковой оболочки глаза). Методология основана на применении нейронных сетей для извлечения признаков из видеоизображений конъюнктивы, которые коррелируют с концентрацией различных компонентов крови. Исследование опубликовано в ведущем журнале npj Digital Medicine (Springer Nature) 8 апреля 2026 года, что подтверждает высокий уровень рецензирования и научной значимости работы. Технология потенциально позволяет избежать инвазивных процедур забора крови для рутинных анализов, что особенно актуально для педиатрии, пациентов с хроническими заболеваниями и в условиях ограниченных ресурсов. Разработка включает обучение модели на большом наборе данных видеозаписей конъюнктивы с сопоставленными результатами стандартных лабораторных анализов крови. Ключевое преимущество подхода — возможность проведения анализа в режиме реального времени с использованием доступных видеокамер, что открывает перспективы для интеграции в телемедицинские платформы и мобильные приложения. Значимость для клинической практики заключается в потенциальном снижении нагрузки на лабораторные службы и повышении доступности базовых диагностических тестов. Работа представляет собой пример применения компьютерного зрения в медицине для создания новых неинвазивных диагностических инструментов.
Исследование представляет метод DeepBranchAI — каскадный рабочий процесс для автоматической сегментации трехмерных разветвленных структур в биологических системах. Методология основана на итеративном цикле: случайные леса генерируют предварительные сегментации на основе минимальных аннотаций, эксперты уточняют результаты, что позволяет постепенно приближаться к эталонным данным. По мере накопления размеченных данных обучение переходит от 2D к 3D архитектурам, систематически расширяя ограниченные наборы данных. Валидация на митохондриальных сетях, полученных методом сканирующей электронной микроскопии с фокусированным ионным пучком (FIB-SEM, разрешение 15 нм), показала коэффициент сходства Дайса 0,942 при пятикратной кросс-валидации. При переносе обучения на сосудистые сети (датасет VESSEL12, КТ-объемы, разница в размере вокселей 30 000 раз) с использованием всего 10% целевых данных достигнута точность 97,05% против ground truth, что подтверждает обобщаемость топологических принципов. Метод сокращает время аннотации с месяцев до недель и трансформирует разреженные начальные метки в надежные обучающие наборы. Полная реализация, обученные веса и код валидации предоставлены в открытом доступе, что делает метод доступным для медицинского сообщества.
Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.
Исследование сравнивает три подхода к подавлению костной структуры на рентгенограммах грудной клетки: автоэнкодеры, U-Net и генеративно-состязательные сети. Предложенная улучшенная GAN с комбинированной функцией потерь (Wasserstein, L1, перцептивная и Sobel) показала наилучшие результаты по метрикам PSNR (44.09 дБ) и MS-SSIM (0.9968), превосходя ранее опубликованные методы.
Исследование представляет инновационный подход к диагностике и мониторингу птоза (птоза верхнего века) у детей с использованием видеозаписей, сделанных на смартфоны. Авторы разработали алгоритм компьютерного зрения, который автоматически анализирует частоту моргания, амплитуду движения век и функциональные параметры глазодвигательной системы. Методология включала сбор видеоматериалов от пациентов с птозом и их сопоставление с клиническими данными, полученными традиционными методами. Ключевые результаты показали высокую точность автоматической оценки функциональных нарушений — корреляция с клинической оценкой врачей составила 0.87-0.92. Система позволяет проводить удалённый мониторинг состояния пациентов и корректировать лечение на основе объективных количественных данных. Исследование демонстрирует потенциал мобильного здравоохранения для снижения нагрузки на медицинские учреждения и улучшения доступности специализированной помощи. Работа опубликована в ведущем журнале npj Digital Medicine (Nature Partner Journal), что подтверждает научную значимость подхода.
Исследование предлагает текстово-ориентированный фреймворк, использующий NLP-трансформер для генерации структурированных описаний из панорамных рентгенограмм с последующей классификацией заболеваний. Модель 1D-CNN показала наивысшую точность (84%), а оба текстовых подхода превзошли традиционные CNN, обученные непосредственно на изображениях.
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.
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.
