машинное обучение

В статье представлен систематический обзор и метаанализ, посвященный применению методов искусственного интеллекта и машинного обучения для диагностики синдрома дефицита внимания и гиперактивности (СДВГ). Исследование анализирует эффективность различных алгоритмов ИИ при работе с разнородными медицинскими данными, включая нейровизуализацию, поведенческие метрики и клинические анкеты. Авторы оценивают точность, чувствительность и специфичность моделей, демонстрирующих способность отличать пациентов с СДВГ от здоровых контрольных групп. Метаанализ выявляет ключевые тенденции в использовании глубокого обучения для выявления биомаркеров расстройства, что позволяет преодолеть субъективность традиционных клинических оценок. Результаты показывают, что интеграция мультимодальных данных с помощью ИИ значительно повышает диагностическую точность по сравнению с изолированным использованием одного типа данных. Работа подчеркивает важность валидации моделей на независимых выборках и необходимость стандартизации подходов к сбору данных для обеспечения воспроизводимости результатов. Данное исследование имеет высокую значимость для развития персонализированной медицины и создания объективных инструментов скрининга СДВГ, особенно в педиатрической практике. Выводы статьи указывают на перспективность ИИ-технологий как вспомогательного средства для врачей, хотя и отмечают текущие ограничения в интерпретируемости моделей и их клинической интеграции.

В статье представлен метод машинного обучения (Random Forest) для точного определения точки B на импедансной кардиограмме, что критически важно для неинвазивного гемодинамического мониторинга. Метод значительно превосходит традиционные алгоритмы по точности и устойчивости к помехам, достигая ошибки ниже межэкспертной вариабельности.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена и верифицирована модель машинного обучения, предназначенная для прогнозирования трехлетней смертности от всех причин у пациентов с кардио-рено-метаболическим синдромом (КРМС) стадий 2–4. Анализ охватил масштабную когорту из 219 561 пациента, собранных из 29 медицинских центров Китая в рамках базы данных China Renal Data System. Выборка была строго разделена на обучающую подгруппу (132 404 человека), внутреннюю валидационную (56 744 пациента) и внешнюю валидационную по центрам (30 413 человек) для обеспечения надежности результатов. Средний возраст участников составил 62,9 года, при этом 59,5% приходилось на мужчин. Наиболее распространенными компонентами синдрома в выборке были гипертония, низкий уровень холестерина липопротеинов высокой плотности (ЛПВП), сахарный диабет, предиабет и ишемическая болезнь сердца. Модель использует всего восемь клинических показателей, что делает её легкой в интеграции в рутинную клиническую практику без необходимости сложного оборудования или дорогостоящих дополнительных тестов. Высокая прогностическая точность модели позволяет врачам своевременно выявлять пациентов группы высокого риска и корректировать тактику ведения, что критически важно для снижения смертности при сложных коморбидных состояниях. Данное исследование демонстрирует практическую применимость ИИ-алгоритмов в нефрологии и кардиологии для персонализированной медицины и управления рисками.

В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, оценивается эффективность телереабилитации, усиленной технологиями искусственного интеллекта, для пациентов с ранней стадией болезни Паркинсона. Это многоцентровое рандомизированное исследование с несколькими группами сравнения позволяет сопоставить результаты ИИ-ассистированной терапии с традиционными методами реабилитации и контрольной группой. Ключевым аспектом работы является интеграция алгоритмов машинного обучения для персонализации упражнений, адаптивной обратной связи в реальном времени и мониторинга моторных функций пациента удаленно. Методология включает сбор данных с носимых датчиков и видеоаналитику для оценки точности выполнения движений, что обеспечивает объективную количественную оценку прогресса. Результаты демонстрируют статистически значимое улучшение моторных показателей и качества жизни в группе, получавшей ИИ-поддержку, по сравнению с контрольными группами. Значимость исследования заключается в доказательстве того, что ИИ-системы могут эффективно компенсировать нехватку специалистов в реабилитации, обеспечивая доступную и высококачественную помощь на ранних этапах заболевания. Это открытие открывает новые перспективы для масштабирования телемедицинских решений в неврологии и хронической реабилитации.

Статья предлагает новую статистическую модель (WEL) для анализа времени до события и нейросетевую архитектуру (BC-VAESM), использующую вариационные автоэнкодеры для прогнозирования выживаемости пациентов. Модель обучается на реальных клинических данных с цензурированием и демонстрирует конкурентоспособность по сравнению с классическими методами, такими как модель Кокса.

В статье описывается система автоматической классификации типов свода стопы (плоскостопие, высокий свод, норма) на основе изображений отпечатков, полученных с помощью матрицы Харриса. Для анализа применяются методы машинного обучения, включая сверточную нейронную сеть (MobileNetV2) и метод опорных векторов (SVM), что позволяет автоматически выявлять патологии, влияющие на осанку и походку.

Систематический обзор и мета-анализ оценивают эффективность систем распознавания позы на базе машинного и глубокого обучения для предотвращения профессиональных заболеваний опорно-двигательного аппарата. Исследование показывает, что глубокое обучение превосходит классическое машинное обучение по точности и чувствительности, а гибридные решения достигают точности более 99%. Результаты подтверждают высокую эффективность ИИ-методов в эргономическом мониторинге, хотя уровень доказательности для реальных условий остается низким.

В статье представлен новый метод CLARA — иерархическая система обучения, предназначенная для решения проблемы дисбаланса классов в графовых нейронных сетях (GNN). Проблема заключается в том, что узлы меньшинства не только редки, но и структурно маргинализированы в графе. Метод CLARA разбивает задачу классификации узлов на два этапа: сначала грубый классификатор уровня подграфа определяет регионы, с высокой вероятностью содержащие экземпляры меньшинства, а затем детальный предиктор уровня узлов работает внутри этих выделенных регионов. Такой подход позволяет повысить чувствительность модели, сохраняя при этом масштабируемость, за счет фильтрации нерелевантных областей и фокусировки обучения на топологически значимых окрестностях. Эксперименты на стандартных наборах графовых данных показали существенное превосходство CLARA над существующими методами обработки дисбаланса, достигнув F1-меры на уровне 88.3%. Особое значение имеет применение стратегии в задаче предсказания сайтов связывания белок-лиганд, где метод также продемонстрировал значительное улучшение результатов. Это подтверждает широкую и последовательную эффективность подхода как в биологических, так и в общих задачах обучения на графах. Разработка актуальна для биоинформатики и разработки лекарств, где точное определение активных центров критически важно.

Компания Visiana получила разрешение FDA 510(k) на использование программного обеспечения BoneXpert, которое применяет машинное обучение для определения костного возраста по рентгеновским снимкам кистей рук. Исследование показало, что алгоритм точнее ручных оценок педиатрических радиологов, снижая вариативность результатов и помогая в диагностике нарушений роста и полового созревания.

Авторы разработали интерпретируемую модель scTIME, которая преобразует данные транскриптомики одиночных клеток в баллы для массовых образцов, чтобы прогнозировать ответ на иммунотерапию при немелкоклеточном раке легкого. Модель на базе алгоритма ElasticNet достигла ROC-AUC 0.810, выявив ключевые иммунные программы, связанные с ответом на лечение. Исследование демонстрирует потенциал многоомного подхода для разработки прозрачных биомаркеров без опоры на единичные пути.

В статье представлен новый метод анализа данных одноядерной РНК-секвенирования (scRNA-seq), названный c-TSNE и c-UMAP, который решает проблему неинтерпретируемости стандартных методов снижения размерности, таких как t-SNE и UMAP, основанных на евклидовой геометрии. Авторы предлагают фреймворк «слияния информации, управляемый клетками» (cell-driven information fusion), который строит матрицу аффинности напрямую из сырых счетных данных, интегрируя три биологических сигнала: паттерны обнаружения генов, величину экспрессии доминирующих транскриптов и глобальную корреляцию профилей. Метод использует оператор, адаптированный к разреженности данных, и диагностический инструмент для отслеживания того, какой именно биологический компонент определяет границы локальных кластеров, обеспечивая тем самым объяснимость результатов. Оценка проводилась на 29 наборах данных и двух протоколах против 11 базовых методов; c-UMAP показал наивысшие средние значения нормализованного и скорректированного индексов взаимной информации (NMI и AMI) во всех условиях, причем улучшения оставались статистически значимыми после поправки Бонферрони. Важным преимуществом является использование единого фиксированного вектора весов для всех наборов данных, что доказывает внутреннюю устойчивость алгоритма без необходимости подбора гиперпараметров под конкретный датасет. Метод масштабируется до 1,14 миллиона клеток, работая в 22 раза быстрее ведущих аналогов, и, что критически важно, избегает потери до 46,9% ключевых дифференциально экспрессируемых генов (таких как IAPP и FOXP3), характерной для методов, требующих отбора генов по дисперсии. Результаты демонстрируют совместимость атласного масштаба, сохранения сырых данных и механистической интерпретируемости в задачах клеточной биологии.

В исследовании, опубликованном в журнале npj Digital Medicine 2 октября 2026 года, представлена новая модель машинного обучения, способная прогнозировать риск трехлетней смертности у пациентов с кардиометаболическим синдромом почек (CKM). Данное состояние представляет собой комплексное нарушение, объединяющее сердечно-сосудистые заболевания, патологии почек и метаболические отклонения, что требует сложных подходов к оценке прогноза. Авторы разработали алгоритм, который анализирует клинические данные для выявления пациентов с высоким риском летального исхода в течение трех лет. Модель демонстрирует высокую точность предсказаний, что позволяет врачам своевременно корректировать тактику лечения и назначать агрессивную терапию группам повышенного риска. Использование ИИ в данном контексте решает проблему недостаточной эффективности традиционных шкал риска при комплексных мультиорганных патологиях. Результаты исследования подчеркивают важность интеграции методов искусственного интеллекта в клиническую практику для персонализации медицины и улучшения выживаемости пациентов с тяжелыми хроническими состояниями. Работа вносит значительный вклад в развитие цифровых инструментов поддержки принятия врачебных решений в кардиологии и нефрологии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлены результаты применения методов искусственного интеллекта для выявления нейробиологических маркеров, связанных с индексом массы тела (ИМТ). Авторы использовали машинное обучение для анализа данных нейровизуализации, чтобы определить специфические паттерны активности мозга, которые коррелируют с ИМТ и предсказывают риск развития кардиометаболических и респираторных заболеваний. Ключевым результатом стало создание прогностической модели, способной идентифицировать индивидуумов с высоким риском заболеваний на основе их мозговых сигнатур, что открывает новые возможности для ранней диагностики. Методология включала обработку больших объемов медицинских данных с применением алгоритмов глубокого обучения для выделения значимых признаков из сложных нейронных сетей. Результаты демонстрируют высокую точность предсказания, подчеркивая важность интеграции нейробиологических данных в клиническую практику для оценки метаболического здоровья. Это исследование вносит существенный вклад в развитие персонализированной медицины, предлагая неинвазивный инструмент для оценки рисков, связанных с ожирением и сопутствующими патологиями. Работа иллюстрирует потенциал ИИ в расшифровке сложных взаимосвязей между структурой мозга, метаболизмом и системными заболеваниями.

Исследователи из Массачусетского технологического института (MIT) применили алгоритмы машинного обучения для оптимизации состава липидных наночастиц (LNP), которые служат векторами для доставки мРНК в вакцинах. Традиционные мРНК-вакцины требуют строгого соблюдения холодовой цепи, что создает логистические барьеры при распределении в регионах с жарким климатом или слабой инфраструктурой. В ходе исследования ИИ-модель проанализировала огромное пространство возможных химических модификаций липидов, чтобы найти структуру, обеспечивающую стабильность молекул мРНК. Ключевым результатом стало создание вакцины, способной сохранять свою эффективность до одного года при комнатной температуре и до двух месяцев при температуре около 38°C. Это достижение кардинально меняет логистику вакцинации, устраняя необходимость в дорогостоящем оборудовании для сверхнизких температур. Технология открывает новые возможности для глобального здравоохранения, позволяя доставлять современные биотехнологические препараты в удаленные и развивающиеся регионы без потери качества. Использование ИИ в разработке фармацевтических формул демонстрирует переход от традиционного эмпирического поиска к предиктивному дизайну лекарств.

Еженедельный дайджест Vademecum, посвящённый применению искусственного интеллекта в здравоохранении за период с 28 сентября по 3 октября 2026 года. Среди ключевых материалов — исследование специалистов Университета Флориды, которое выявило, что молодые взрослые, обращающиеся к генеративному ИИ с вопросами о здоровье, значительно чаще получают положительный результат скрининга на клинически значимую тревогу и депрессию по сравнению с теми, кто не использует такие инструменты. Это указывает на то, что генеративные модели могут служить неформальным каналом выявления психических расстройств у молодёжи, которая не обращается к специалистам напрямую. Также в дайджесте описана работа, в которой исследователи применили алгоритм машинного обучения для оптимизации состава липидных наночастиц, используемых в качестве системы доставки мРНК-вакцин, что может ускорить разработку новых вакцинных платформ. Дайджест охватывает несколько дополнительных тем недели, связанных с внедрением ИИ в медицинскую практику.

В исследовании разработана и валидирована модель прогнозирования долгосрочного почечного прогноза у пациентов с васкулитом, ассоциированным с АНЦА, путем объединения радиомиксных признаков КТ почек и клинических маркеров. Модель на основе алгоритма XGBoost продемонстрировала высокую точность (AUC 0.93 для предсказания ЭПН через 3 года), значительно превосходя чисто клинические модели.

Разработана вероятностная модель на основе гауссовой смеси (GMM) с подходом «один против одного» для определения подтипа лёгочной гипертензии по неинвазивным сигналам (фотоплетизмография, ортогональный градиент напряжения) у пациентов с положительным результатом ранее валидированного ML-диагностического теста. Модель позволяет оценить вероятность прекапиллярного подтипа и поддержать исключение тяжёлой формы заболевания, что помогает в принятии решения о направлении к специалисту.

Исследование применяет алгоритмы машинного обучения (в частности, LightGBM) для прогнозирования психических расстройств (тревожность, бессонница, низкое качество жизни) у жителей неформальных поселений в Индии. Авторы используют методы объяснимого ИИ (SHAP) для интерпретации моделей и проводят строгую валидацию с учетом кластерной структуры данных, подчеркивая необходимость внешней проверки для клинического применения.

Исследование предлагает Instability Quotient Criterion (IQC) — метрику для количественной оценки стабильности отбора признаков в моделях машинного обучения, в частности в регрессии Elastic Net (ENET), которая широко применяется в биологии и общественном здравоохранении для выделения значимых предикторов из больших наборов данных. Основная проблема, которую решает IQC, — неспособность ENET обеспечивать воспроизводимый отбор признаков при малом числе наблюдений и высоком уровне шума, что критично для биомедицинских исследований. Методология IQC опирается на ансамблевое моделирование и энтропию Шеннона для определения стабильности выбранных признаков. С помощью симуляционных исследований авторы продемонстрировали, что IQC способен выявлять значительное снижение стабильности модели при уменьшении объёма данных, увеличении размерности и росте доли шумового сигнала, а также предложен наивный порог разделения на низкую и высокую стабильность. В кейс-стади на данных микрочипов экспрессии генов IQC выявил проблемы стабильности дифференциально-экспрессируемых генов при классификации подтипов острого лейкоза, несмотря на высокую точность классификации. Это указывает на то, что модельная нестабильность препятствует интерпретации биологически значимых генов для различения подтипов рака, что имеет прямое значение для персонализированной онкологии.