325 статей
PATHOS — новая система на основе множественного обучения (MIL) и сегментации для предсказания ответа на неоадъювантную химиотерапию при раке яичников по гистологическим изображениям. Модель выделяет около 10% области слайда как информативную и идентифицирует ключевые патологические признаки, связанные с прогрессией заболевания.
Исследование представляет метод автоматической классификации тканей поджелудочной железы с помощью комбинации ближнеинфракрасной гиперспектральной визуализации и машинного обучения. Оптимизированная модель достигла 84% сбалансированной точности, что на 10 процентных пунктов лучше традиционных подходов, что может улучшить раннюю диагностику рака поджелудочной железы.
Статья о применении машинного обучения для анализа реальных данных (RWE) в фармацевтической отрасли и регуляторных процессах FDA. ML-модели позволяют создавать синтетические контрольные группы, идентифицировать подгруппы пациентов, предсказывать ответ на терапию и обнаруживать нежелательные события. FDA выпустило руководство по использованию ИИ/ML в жизненном цикле разработки лекарств.
Компания Verily, ранее входившая в корпорацию Alphabet, привлекла раунд инвестиций в размере 300 миллионов долларов для ускорения разработок в области искусственного интеллекта и прецизионного здравоохранения. Верили — это компания, специализирующаяся на применении технологий в медицине, включая разработку диагностических инструментов, систем мониторинга здоровья и ИИ-решений для клинической практики. Инвестиции будут направлены на расширение дорожной карты по внедрению машинного обучения в медицинские приложения, что включает улучшение алгоритмов диагностики, анализ медицинских изображений и персонализированные подходы к лечению. Переход в статус независимой компании позволяет Verily ускорить темпы разработки и коммерциализации продуктов, не будучи ограниченной корпоративными процессами Alphabet. Это финансирование демонстрирует продолжающийся интерес инвесторов к медицинским ИИ-технологиям, несмотря на экономическую неопределённость. Успешное привлечение 300 миллионов долларов подтверждает коммерческую жизнеспособность ИИ-решений в здравоохранении и их потенциал для трансформации медицинской практики.
Исследование посвящено разработке объективных биомаркеров для ранней диагностики старческой астении (frailty) с использованием биоинформатического анализа и машинного обучения. Авторы использовали два независимых транскриптомных датасета из базы GEO: GSE144304 (n=80) и GSE287726 (n=70). Методология включала анализ дифференциальной экспрессии генов, обогащение GO, KEGG и GSEA, а также построение ML-моделей с разделением данных 70% на обучение и 30% на валидацию. Ключевые результаты показали, что метаболизм витамина D, ABC-транспортеры и воспалительные/иммунные пути являются согласованно обогащёнными и подтверждёнными через GSEA. Выявленные биомаркеры демонстрируют благоприятную диагностическую производительность ML-моделей. Исследование демонстрирует, что нарушения метаболизма витамина D и хроническое воспаление являются основными молекулярными особенностями старческой астении. Результаты открывают новые стратегии для базовых исследований, ранней клинической диагностики и разработки терапевтических мишеней.
