машинное обучение

Исследование опубликовано в журнале npj Digital Medicine 7 августа 2026 года и посвящено применению искусственного интеллекта для оценки тяжести травм на догоспитальном этапе. Авторы разработали систему PHISE (Prehospital Injury Severity Estimate), которая использует ИИ-модели для прогнозирования тяжести повреждений до прибытия пациента в стационар. Ключевое утверждение исследования заключается в том, что догоспитальные оценки тяжести травм, полученные с помощью ИИ, сопоставимы по точности с традиционными внутрибольничными травматологическими шкалами. Это имеет важное практическое значение для экстренной медицины, поскольку позволяет медицинским службам быстрее принимать решения о маршрутизации пациентов и распределении ресурсов. Однако предоставленный текст содержит только метаданные публикации без подробностей о методологии, размере выборки, конкретных метриках точности или типах используемых алгоритмов машинного обучения. Для полноценной оценки качества исследования необходима информация о валидации модели, сравнении с существующими методами и клинических исходах.

Международная группа исследователей опубликовала работу, предупреждающую о рисках безграничного доверия к искусственному интеллекту в области женского здоровья. Авторы исследования подчёркивают, что современные ИИ-системы не являются универсальным решением медицинских проблем женщин и требуют критической оценки перед внедрением в клиническую практику. Ключевая проблема заключается в том, что алгоритмы машинного обучения воспроизводят существующие гендерные стереотипы, укоренившиеся в исторических медицинских данных и практике. Это системное смещение приводит к усилению рисков неравенства при оказании медицинской помощи разным группам пациенток. Дополнительную обеспокоенность у исследователей вызывают вопросы безопасной обработки и защиты персональных данных пациентов при использовании ИИ-чатов и виртуальных медицинских ассистентов. Работа опубликована в рецензируемом журнале Women's Health, входящем в портфолио авторитетного издательства Springer Nature. Исследование поднимает важные этические и регуляторные вопросы массового внедрения ИИ в здравоохранение, особенно в чувствительных областях женской медицины.

Исследование предлагает ИИ-фреймворк для оценки боли у некоммуникативных пациентов (новорождённые, пациенты с когнитивными нарушениями) без использования размеченных реальных данных. Метод сочетает синтетическую генерацию 50 000 сценариев боли через диффузионные модели с адаптацией доменов, достигая 81,5% точности для неонатальной оценки и превосходя супервизированные методы в кросс-датасет обобщении на 40,4%.

Исследование применяет машинное обучение для прогнозирования диабета на 353 680 записях, достигая AUC-ROC 0.8481 с помощью оптимизированного ансамбля стекинга (Random Forest, XGBoost, LightGBM). Авторы формализуют «парадокс импутации» и анализируют несогласованность методов объяснимого ИИ (SHAP, LIME, permutation), демонстрируя потенциальное выявление ~16 600 дополнительных пациентов с диабетом на миллион обследованных.

Исследование демонстрирует применение искусственного интеллекта и машинного обучения для ранней диагностики болезни Альцгеймера за несколько лет до появления клинических симптомов. Технология анализирует краткие цифровые тесты (несколько минут), извлекая поведенческие данные через множественные ML-модели одновременно. Система генерирует оценку риска когнитивных нарушений, предсказывает вероятность положительного результата на амилоидные бляшки и улучшает точность биомаркеров крови, определяя пациентов для дальнейшего тестирования. Разработаны первые поведенческие цифровые биомаркеры, связывающие повседневное когнитивное поведение с underlying патологией мозга. Алгоритмы фиксируют незаметные при стандартном наблюдении изменения в тайминге, последовательности и беглости действий (рисование, паузы, речь), отражающие координацию моторного планирования, языка, внимания и исполнительных функций. Решение особенно ценно в условиях дефицита неврологов и нейropsychологов, когда ожидание когнитивной оценки растягивается на месяцы. Технология позволяет врачам первичного звена определять необходимость дополнительного тестирования, специализированного направления или усиленного наблюдения во время обычного визита.

Статья рассматривает применение ИИ (машинное обучение и глубокое обучение) для перехода от реактивного мониторинга малярии к предиктивному прецизионному общественному здравоохранению. Авторы анализируют три направления: surveillance (обнаружение случаев, мониторинг переносчиков), прогнозирование вспышек и оптимизацию вмешательств, отмечая точность диагностики свыше 90%, но подчёркивая необходимость решения проблем качества данных, алгоритмической предвзятости и локальной адаптации моделей.

Исследователи разработали COMPASS — интерпретируемую линейную модель машинного обучения для предсказания того, как генетические возмущения изменяют транскриптом клетки. Модель была протестирована на 2 270 CRISPRi-возмущениях в шести различных клеточных линиях. COMPASS декомпозирует каждый ответ на две компоненты: общую (масштабированный ответ на уровне клеточной линии) и ген-специфичную (остаточную), оценивая их отдельно. Коэффициент общего ответа сильно консервативен между клеточными линиями (Kendall's W=0.59), а позиция возмущения на континууме ответов предсказуема из эмбеддингов белковых взаимодействий STRING (R²=0.35). Модель превзошла существующие подходы scGPT, CPA, GEARS, GenePert и State как по точности предсказания ответа (de-biased Pearson delta 0.34 против ≤0.32), так и по дискриминации возмущений (cosine PDS gain 0.23 против ≤0.08). Результаты предлагают новый подход к предсказанию возмущений через покомпонентный вывод, где каждая компонента оценивается из наиболее подходящих для неё данных, что может ускорить разработку таргетных терапий и понимание молекулярных механизмов заболеваний.

Исследователи представили Hoike — фреймворк на основе искусственного интеллекта для генерации синтетических транскриптомных данных, специфичных для различных заболеваний. Система комбинирует архитектуру Joint-Embedding Predictive Architecture (JEPA) с латентной диффузионной моделью, позволяя создавать condition-specific bulk transcriptomes на основе нормальных референсных профилей тканей. Методология включает парное обучение нормальных и патологических образцов, тканеспецифичное кондиционирование и ограниченное неотрицательное декодирование для обеспечения биологической валидности результатов в пространстве log2(TPM+1). Фреймворк был оценён на данных GTEx (нормальные референсы) и множественных когортах TCGA (онкологические заболевания). Технология решает ключевые проблемы биоинформатики: ограниченность когорт, приватность данных и доменный сдвиг между нормальными и патологическими популяциями. Практическое применение включает анализ дифференциальной экспрессии генов, машинное обучение, безопасный обмен данными, бенчмаркинг алгоритмов и генерацию гипотез в трансляционной биоинформатике, особенно в онкологии.

Исследователи разработали MEGA-ODE — инновационный фреймворк на основе графовых нейронных обыкновенных дифференциальных уравнений для реконструкции динамических омиксных ландшафтов из разреженных временных данных. Метод интегрирует молекулярно-сетевые приоры, графовые нейронные ODE и контекстно-адаптивную маршрутизацию mixture-of-experts для предсказания неизмеренных молекулярных состояний и приоритизации виртуальных возмущений. На транскриптомных данных L1000 и протеомных данных CPPA модель превзошла базовые методы в предсказании удержанных признаков и ненаблюдаемых возмущений, а во временных рядах инфекции SARS-CoV-2 продемонстрировала конкурентоспособное прогнозирование будущих точек времени. В когорте пациентов с COVID-19 предсказанные промежуточные профили улучшили ретроспективную стратификацию по стадиям заболевания относительно только наблюдаемых профилей, при этом экспертные программы выделили иммунные и воспалительные сигналы, ассоциированные с тяжестью течения. В кейс-стади ответа на препараты MAPK и дифференциации стволовых клеток атрибуции приоритизировали связанные с возмущениями рёбра MAPK, регуляторы развития и отношения транскрипционных факторов с мишенями, подтверждённые независимым ChIP-seq анализом промоторных областей. При дифференциации эмбриональных стволовых клеток человека в дефинитивную энтодерму MEGA-ODE приоритизировал кандидаты транскрипционных факторов-возмущений, предсказанно смещающих профили 12-36 часов toward 96-часовые сигнатуры маркеров дефинитивной энтодермы, превращая навигацию траектории в конкретную задачу генерации гипотез для биомедицинских исследований.

Исследователи разработали новый фреймворк для оценки биологического возраста с учётом неопределённости предсказаний, генерирующий калиброванные доверительные интервалы и индивидуализированные вероятности ускоренного или замедленного старения alongside традиционных точечных оценок. Методология была применена к данным UK Biobank Pharma Proteomics Project с оценкой трёх композитных и одиннадцати органоспецифичных часов биологического возраста. Результаты показали, что предсказательная неопределённость существенно варьируется как внутри, так и между различными часами, причём часы с низкой точностью (включая многие органоспецифичные) предоставляют мало доказательств для уверенного определения ускоренного или замедленного старения. Ширина доверительного интервала предсказания независимо ассоциировалась с риском заболеваний и смертностью, особенно для композитных, мозговых и иммунных часов, что указывает на то, что неопределённость предсказания отражает дополнительный аспект биологического старения, связанный с молекулярной гетерогенностью и дисрегуляцией. findings были реплицированы в Biobank Japan и независимой клинической когорте Стэнфорда. Фреймворк позволяет улучшить индивидуальную стратификацию рисков для профилактики заболеваний и лонгитюдного мониторинга, предоставляя более информативную характеристику биологического старения по сравнению с традиционными методами.

Исследование оценивает применимость современных ИИ-моделей предсказания функционального эффекта генетических вариантов (AlphaMissense, ESM-2) к ферментам цитохрома P450, которые метаболизируют около 75% клинически используемых лекарств. Авторы демонстрируют, что гомологические модели систематически ошибаются на фармакогенах: AlphaMissense классифицирует варианты как «неоднозначные» почти в два раза чаще, чем в среднем по протеому, а внутри этого класса корреляция с экспериментальной активностью CYP2C9 составляет всего ρ = 0,069. Исследователи разработали ансамблевую модель на основе k-ближайших соседей над эмбеддингами ESM-2, которая улучшила корреляцию для неоднозначных вариантов в 10 раз — с ρ = 0,069 до ρ = 0,715 (общая корреляция выросла с 0,638 до 0,825). Однако даже эта улучшенная точность не согласуется с клиническими аннотациями. Авторы выдвигают гипотезу, что ключевой недостающий признак — идентичность субстрата, поскольку эффект варианта может зависеть от конкретного лекарства, и предлагают переопределить функцию как условную относительно субстрата. Работа имеет прямое значение для персонализированной медицины и фармакогеномики, указывая на фундаментальные ограничения текущих ИИ-подходов в предсказании лекарственного ответа.

В данной работе представлен уникальный открытый набор данных трёхмерных численных симуляций кровотока и сеток коронарных артерий, реконструированных из инвазивных рентгеновских коронарных ангиограмм клинического исследования FAME 2 (Fractional Flow Reserve versus Angiography for Multivessel Evaluation 2). Из 914 клинических изображений успешно реконструировано и обработано 779 сосудов, остальные 135 отклонены из-за самопересекающейся геометрии при реконструкции. Сетки выполнены в гексаэдрическом формате с идентичной топологией и количеством вершин, их высокое качество подтверждено стандартными метриками качества сеток. Симуляции проведены методом конечных элементов (FEM) с применением современных граничных условий для коронарного кровотока на выходных участках. Мотивация проекта обусловлена критическим дефицитом общедоступных данных численной гемодинамики несмотря на растущий интерес к методам машинного обучения и data-driven моделированию в кардиологии. База данных доступна по ссылке DOI 10.7910/DVN/GPCUNS и предназначена для разработки и валидации алгоритмов искусственного интеллекта в диагностике ишемической болезни сердца. Этот ресурс может ускорить создание ML-моделей для неинвазивной оценки фракционного резерва кровотока (FFR) и персонализированного планирования коронарных вмешательств.

Amae Health объявила о партнёрстве с Google Health с целью интеграции данных с носимых устройств в систему помощи пациентам с серьёзными психическими заболеваниями (SMI). Долгосрочная цель проекта — разработка предиктивной модели на основе машинного обучения, которая будет анализировать данные с wearable-устройств и другие источники информации для оценки состояния заболевания и его прогрессирования. Система предназначена для выявления ранних предупреждающих признаков клинического ухудшения у пациентов, что позволит своевременно вмешиваться и корректировать лечение. Интеграция данных носимых устройств открывает возможности для непрерывного мониторинга пациентов в реальных условиях, а не только во время визитов к врачу. Партнёрство с Google Health предоставляет доступ к технологической инфраструктуре и экспертизе в области обработки медицинских данных. Данная инициатива представляет собой пример применения ИИ-технологий для улучшения помощи в области ментального здоровья, где раннее выявление проблем особенно критично. Однако в предоставленном материале отсутствуют конкретные детали о стадии разработки, планах внедрения или ожидаемых сроках запуска продукта.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года. Работа посвящена разработке модели динамического прогнозирования риска преждевременных родов и определения гестационного возраста при родах с использованием лонгитюдных данных из электронных медицинских карт (EHR). Подход предполагает применение методов машинного обучения для анализа временных рядов медицинских данных пациентов в течение беременности, что позволяет обновлять прогнозы по мере поступления новой информации. Использование динамических моделей вместо статических даёт возможность более точной оценки рисков на разных сроках гестации. Исследование имеет прямую клиническую значимость для акушерской практики, позволяя врачам своевременно выявлять пациенток с повышенным риском преждевременных родов и принимать превентивные меры. Работа представляет интерес для специалистов по цифровой медицине, разработчиков клинических систем поддержки принятия решений и исследователей в области прогностической аналитики здравоохранения.

Исследование изучает мнение 10 клиницистов о применении машинного обучения для диагностики обструктивного апноэ сна. Выявлена необходимость регуляторных руководств и участия медицинских экспертов, при этом врачи должны сохранять ведущую роль над ИИ. Работа направлена на повышение доверия клиницистов к машинному обучению и улучшение внедрения технологий в клиническую практику.

Исследование представляет новый метод интерпретации протеиновых языковых моделей (PLM) для идентификации функционально значимых регионов белков. Авторы использовали модель ESM-2 (Evolutionary Scale Modelling 2) для выявления сайтов с высоким вниманием (HA sites) — специфических аминокислотных остатков, которым модель assigns наибольшее внимание на ранних этапах кодирования. Применено unsupervised clustering для категоризации HA сайтов на четыре типа: «структурное ядро», «структурные патогенные», «ядерные патогенные» и «низкая достоверность». Методология включала интеграцию с предсказаниями патогенности AlphaMissense и данными пан-ракового анализа всего генома (PCAWG) для валидации. Результаты показали, что HA сайты эффективно предсказывают белковые регионы с высоким патогенным риском и могут идентифицировать кандидатные сайты связывания. В нескольких примерах онкологических белков метод обнаружил ранее неизвестные регионы с высокой вероятностью взаимодействия, что имеет потенциальную терапевтическую ценность. Работа демонстрирует биологическую интерпретируемость представлений PLM и предлагает практический инструмент для приоритизации функционально релевантных белковых остатков в биомедицинских исследованиях и разработке таргетных терапий.

Исследователи разработали MHChron — единую систему прогнозирования связывания пептидов с молекулами MHC класса I и II на основе машинного обучения для оценки иммуногенности. Ключевое достижение — создание одного из самых разнообразных обучающих датасетов на сегодняшний день, охватывающего 214 аллелей MHC класса I и 98 аллелей класса II, с пептидами длиной от 8 до 36 аминокислотных остатков. Авторы обучили два типа моделей: последовательностную и структурно-ориентированную, протестировав их в строгих режимах генерализации с контролем утечки данных. Обе модели превзошли существующие решения state-of-the-art, несмотря на обучение на меньшем объёме данных. Структурная модель не показала систематического преимущества над последовательностной, за исключением экстраполяции на новые кластеры аллелей, что указывает: ключевой фактор успеха — разнообразие датасета и тщательная валидация, а не архитектурная сложность. Последовательностная версия MHChron доступна с воспроизводимой установкой и автоматизированным пайплайном для скрининга целых белков, что делает инструмент практичным для разработки вакцин и иммунотерапии рака.

Исследование систематически оценивает уязвимость фундаментальных ИИ-моделей для геномики к отравлению обучающих данных через бэкдор-атаки. Авторы протестировали три семейства моделей с семью масштабами параметров (от 50 миллионов до 7 миллиардов) на 18 задачах геномной классификации. Разработаны два типа триггеров длиной 48 нуклеотидов: синтетическая последовательность и биологически обоснованный триггер на основе терминальных инвертированных повторов транспозонов. Отравление всего 5% обучающих данных привело к успеху атак от 91,4% до 100% во всех тестированных моделях, при этом увеличение масштаба параметров не улучшало устойчивость. Производительность на немодифицированных последовательностях сохранилась: в 79,4% конфигураций изменение составило не более двух процентных пунктов. Предложен двухэтапный метод защиты, сочетающий скрининг чувствительности к одиночным нуклеотидным мутациям с валидацией по референсной базе данных, достигший 100% точности и медианной полноты 92,95%. Результаты подчёркивают необходимость усиленного контроля происхождения данных и посттренировочного аудита безопасности для медицинских ИИ-систем, работающих с геномными данными.

Исследователи представили MAXWELL (Matrix-wise Landscape Learning) — новый метод пост-обучения для калибровки вероятностных выходов языковых моделей белков с целью прогнозирования влияния мутаций на стабильность белков. Метод позволяет генерировать мутационные ландшафты, количественно оценивающие эффекты отдельных аминокислотных замен на стабильность белка, что критически важно для белковой инженерии и разработки терапевтических препаратов. При применении к модели ProteinMPNN MAXWELL продемонстрировал результаты уровня state-of-the-art, превзойдя ThermoMPNN и другие представительные методы на курированном бенчмарке экспериментально измеренных изменений стабильности. Экспериментальная валидация включала дизайн десяти точечных мутаций в дегалогеназе DhaA, из которых семь (70%) увеличили термическую стабильность белка. Наибольшее улучшение показала мутация G171W с измеренным значением ΔT 4.91°C. Эти результаты подтверждают MAXWELL как практическую стратегию для дизайна стабилизирующих мутаций с потенциальным применением в разработке ферментных терапевтических препаратов и биотехнологии.