медицинская визуализация

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.

Систематический обзор 128 исследований (2021-2026) оценивает применение трансформерных архитектур в медицинской визуализации: сегментация, классификация, реконструкция и регистрация изображений. Наиболее убедительные результаты достигаются гибридными моделями, сочетающими локальную экстракцию признаков с глобальным контекстом, а не чистыми трансформерами. Выявлены ключевые проблемы: отсутствие стандартизированных бенчмарков, ограниченная внешняя валидация, недостаточная доступность кода и слабая клиническая оценка.

GE HealthCare запустила новые решения для УЗИ молочной железы Invenia ABUS Prime и ABUS StreamVue с интегрированными ИИ-инструментами Verisound AI и QVCAD для оценки качества сканирования и обнаружения поражений. ИИ-ассистент демонстрирует сокращение времени чтения на 33% и чувствительность до 93% для детекции опухолей, что особенно важно для женщин с плотной тканью молочной железы.

Исследователи представили ComBatFamQC — комплексный R-пакет для диагностики и гармонизации эффектов пакетов (batch effects) в нейровизуализационных данных. Пакет решает критическую проблему многоцентровых исследований: статистические искажения, возникающие при агрегации данных из разных источников и сканеров. ComBatFamQC интегрирует методы семейства ComBat, включая классический ComBat, лонгитюдный ComBat, ComBat-GAM и CovBat, обеспечивая единый интерфейс для гармонизации. Инструмент предоставляет интерактивное Shiny-приложение для визуальной диагностики эффектов пакетов, статистические тесты для оценки качества гармонизации и поддержку как внутри выборки, так и вне выборки. Пакет включает функции для пост-гармонизационного анализа, что упрощает последующее статистическое моделирование. Модульная архитектура позволяет систематически добавлять новые методы гармонизации в будущем. Это важный инструмент для исследователей, работающих с многоцентровыми нейровизуализационными данными, поскольку корректная гармонизация необходима для достоверности выводов и совместимости с методами машинного обучения.

Искусственный интеллект стремительно трансформирует медицинскую визуализацию, обеспечивая автоматическое обнаружение, классификацию и прогнозирование рисков в растущем числе клинических применений. В исследовании, опубликованном в The Lancet Digital Health, Ян Чжоу и коллеги представляют MerMED-FM — мультимодальную фундаментальную модель медицинской визуализации для множественных заболеваний. Модель обучена на более чем 3,3 миллиона изображений, охватывающих семь различных модальностей визуализации и более десяти клинических специальностей. Ключевая инновация заключается в способности модели интегрировать информацию across различных типов медицинских изображений, что отражает реальную клиническую практику, где врачи routinely объединяют данные из разных источников. Фундаментальные модели представляют собой следующий этап развития ИИ в медицине, позволяя создавать универсальные системы вместо узкоспециализированных решений для отдельных задач. MerMED-FM демонстрирует потенциал для улучшения диагностической точности, сокращения времени анализа и поддержки клинических решений в разнообразных медицинских контекстах. Разработка таких моделей требует значительных вычислительных ресурсов и тщательно курированных датасетов, но обещает стандартизацию подходов к ИИ-диагностике. Внедрение единых фундаментальных моделей может упростить регуляторное одобрение и клиническую валидацию ИИ-решений в здравоохранении.

MerMED-FM представляет собой новую фундаментальную модель искусственного интеллекта для медицинской визуализации, разработанную для работы в нескольких медицинских специальностях одновременно. Модель является мультимодальной, что означает способность обрабатывать и интегрировать различные типы медицинских изображений (рентген, КТ, МРТ, УЗИ и другие форматы). Ключевая особенность MerMED-FM — кросс-специальностная адаптивность: модель обучена интерпретировать изображения для диагностики множественных заболеваний, а не ограничивается одной областью медицины. Архитектура фундаментальной модели позволяет дообучать систему под конкретные клинические задачи с минимальными дополнительными данными. Потенциальное применение включает поддержку врачей в диагностике, скрининговые программы, автоматизацию рутинной интерпретации снимков. Детали архитектуры, результаты валидации и метрики точности в предоставленном материале не указаны — требуется доступ к полной версии статьи для оценки технических характеристик и клинической эффективности модели.

Ученые Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы разработали систему искусственного интеллекта для автоматического контроля качества рентгенограмм органов грудной клетки. Алгоритм анализирует снимки и выявляет дефекты в среднем за 14 секунд, что значительно ускоряет процесс проверки по сравнению с ручной оценкой. В ходе пилотного исследования система продемонстрировала высокую эффективность в обнаружении двух типов ошибок: неправильного позиционирования пациентов при съемке и некорректного заполнения метаданных снимков. Решение направлено на снижение количества бракованных исследований и повышение диагностической точности рентгенографии. Результаты работы опубликованы в рецензируемом журнале Digital Diagnostics, что подтверждает научную ценность разработки. Внедрение такого ИИ-инструмента в клиническую практику может существенно улучшить организацию рентгенологических исследований в медицинских учреждениях.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 3 августа 2026 года и посвящено критически важной проблеме справедливости искусственного интеллекта в медицинской диагностике. Работа фокусируется на визуально-языковых моделях (VLM) — современном классе нейросетей, сочетающих обработку изображений и текста, — применяемых для классификации заболеваний по медицинским снимкам. Центральная тема исследования — интерсекциональная справедливость, то есть оценка того, как алгоритмы работают для пациентов с множественными пересекающимися демографическими характеристиками (пол, раса, возраст, социально-экономический статус). Проблема актуальна, поскольку медицинские ИИ-системы часто демонстрируют смещённые результаты для меньшинств, что может усугублять неравенство в здравоохранении. Полное содержание статьи недоступно в предоставленном материале, однако публикация в npj Digital Medicine указывает на высокий научный стандарт и практическую значимость для разработчиков медицинских ИИ-систем, регуляторов и клиницистов, внедряющих диагностические алгоритмы.

Исследователи из Сколтеха, Курчатовского института и РАН провели работу по изучению структуры панциря микроводорослей с использованием методов сверхвысокого разрешения. В ходе эксперимента ученым удалось увеличить элементы микроскопического панциря в тысячи раз, что позволило обнаружить уникальные оптические свойства материала. Ключевым результатом стало выявление специфического оптического эффекта, который может быть адаптирован для создания новых инструментов медицинской визуализации. Данная технология потенциально позволит повысить точность и детализацию при проведении неинвазивных диагностических процедур. Методология исследования базируется на сочетании нанотехнологий и передовых методов оптической микроскопии. Полученные данные открывают перспективы для разработки новых биомиметических материалов, способных улучшить качество визуализации биологических структур на клеточном уровне.

Исследование посвящено проблеме переобучения при использовании автоматизированного поиска нейронных архитектур (NAS) в задачах анализа медицинских КТ-изображений. Установлено, что методы ансамблевого обучения и аугментации данных не всегда обеспечивают синергию в условиях дефицита данных, что ставит под сомнение текущие подходы к оптимизации архитектур.

Авторы представляют FLMMIF — фреймворк на базе федеративного обучения и низкоранговой адаптации (LoRA) для безопасного объединения мультимодальных медицинских изображений. Метод позволяет эффективно балансировать между глобальной обобщающей способностью модели и персонализацией под конкретные локальные данные, обеспечивая при этом защиту конфиденциальности пациентов.

Систематический обзор 24 исследований, посвященных применению ИИ и глубокого обучения для диагностики заболеваний по данным рентгена, КТ, МРТ и других методов визуализации. Основное внимание уделяется вопросам прозрачности, объяснимости (Grad-CAM, SHAP), справедливости алгоритмов и клинического доверия к системам.

В статье представлен FairGen — инновационный метод на основе диффузионных моделей, разработанный для решения проблемы демографического смещения при синтезе медицинских изображений. Исследователи внедрили механизм выравнивания предпочтений (preference-alignment), который позволяет генерировать высокореалистичные медицинские данные, сохраняя при этом справедливость в отношении различных демографических групп (пол, возраст, этническая принадлежность). Методология направлена на устранение систематических ошибок, которые часто возникают в обучающих выборках и приводят к снижению точности диагностики для определенных групп населения. Результаты показывают, что FairGen значительно улучшает репрезентативность синтетических наборов данных, обеспечивая высокое качество визуализации, сопоставимое с реальными снимками. Использование данного подхода критически важно для создания сбалансированных датасетов, на которых обучаются диагностические системы ИИ, что напрямую влияет на минимизацию медицинских ошибок и обеспечение равного качества медицинской помощи для всех пациентов. Технология открывает новые возможности для обучения нейросетей в условиях дефицита специфических клинических данных.

В статье представлен инновационный подход к анализу медицинских изображений, объединяющий концепцию федеративного обучения и визуальные базовые модели (Vision Foundation Models). Исследователи разработали метод генеративного обучения промптов, который позволяет эффективно обучать модели на данных из нескольких медицинских центров без необходимости передачи конфиденциальных изображений в центральное хранилище. Это решает критическую проблему защиты данных пациентов при сохранении высокой точности диагностики. Методология фокусируется на адаптации универсальных предобученных моделей к специфическим медицинским задачам через оптимизацию промптов, что значительно снижает вычислительные затраты по сравнению с полным дообучением (fine-tuning). Ключевые результаты демонстрируют превосходство предложенного метода в многоцентровых исследованиях, обеспечивая высокую точность и универсальность для различных типов медицинских визуализаций. Данная технология имеет высокую практическую значимость для внедрения ИИ в клиническую практику, позволяя создавать масштабируемые и безопасные системы поддержки принятия врачебных решений.

В статье представлена инновационная архитектура нейронной сети PDAFormer 3+, предназначенная для высокоточной сегментации трехмерных медицинских изображений. Основная особенность метода заключается в использовании модифицированного трансформера с механизмом параллельного двойного внимания (parallel dual attention), что позволяет эффективнее улавливать как локальные, так и глобальные пространственные зависимости в данных. Исследование направлено на решение проблемы вычислительной сложности при обработке объемных медицинских данных (КТ/МРТ) без потери детализации структур. Методология PDAFormer 3+ оптимизирует процесс извлечения признаков, обеспечивая более четкие границы сегментируемых органов или патологий. Результаты демонстрируют превосходство предложенного подхода над существующими архитектурами в задачах 3D-сегментации. Данная разработка имеет критическое значение для автоматизации радиологического анализа и повышения точности постановки диагнозов на основе визуализации.

Данная научная работа представляет собой комплексный обзор современных методов глубокого обучения, применяемых в анализе медицинских изображений в условиях ограниченного объема размеченных данных. Авторы исследуют переход от классического обучения с учителем (supervised learning) к более эффективным парадигмам, таким как обучение без учителя (unsupervised), самообучение (self-supervised) и полуавтоматическое обучение (semi-supervised). В статье подробно анализируется, как различные уровни супервизии влияют на точность сегментации и классификации патологий в радиологии, МРТ и КТ. Особое внимание уделяется методам обучения с малым количеством меток (few-shot learning) и переносу обучения (transfer learning), что критически важно для медицины из-за высокой стоимости экспертной разметки. Исследование демонстрирует, что использование самообучения позволяет достичь точности, сопоставимой с полностью размеченными датасетами, при снижении затрат на аннотирование на 40-60%. Работа служит важным руководством для разработчиков медицинских ИИ-систем, стремящихся оптимизировать использование данных.

В исследовании представлен инновационный фреймворк двухпотокового сжатия для 16-битных медицинских изображений, предназначенный для сохранения тонких вариаций интенсивности, критически важных для клинической интерпретации. Авторы предложили раздельное моделирование наиболее значимых битов (MSB) и наименее значимых битов (LSB): структурный поток MSB кодируется методом JPEG со стратегией пропуска дублирующихся сегментов (DSS), а поток деталей LSB сжимается с помощью методов глубокого обучения. Эксперименты на четырех наборах данных МРТ и КТ показали, что предложенный метод превосходит традиционные и современные нейросетевые кодеки, обеспечивая минимальную скорость передачи битов при сохранении высокой точности реконструкции. Важным аспектом является сохранение локальных профилей интенсивности и консистентности при последующей сегментации изображений. Кроме того, авторы продемонстрировали возможность интеграции сжатых битовых потоков в ДНК-кодирование для создания последовательностей с благоприятными биохимическими свойствами, что открывает новые горизонты в долгосрочном хранении медицинских данных.

В данной работе исследователи представляют инновационный метод коррекции аттенуации и рассеяния для позитронно-эмиссионной томографии (ПЭТ), который исключает необходимость использования предварительного КТ-сканирования. Основная проблема традиционной ПЭТ заключается в зависимости от КТ для построения карт коэффициентов поглощения, что увеличивает лучевую нагрузку и сложность процедуры. Авторы предложили подход на основе кросс-доменной адаптации с использованием стратегии few-shot learning, что позволяет модели эффективно переносить знания между различными типами сканеров и анатомическими структурами. Методология направлена на преодоление проблемы обобщающей способности нейросетей при работе с новыми наборами данных. Результаты исследования демонстрируют, что предложенный алгоритм обеспечивает высокую точность реконструкции изображений, сопоставимую с классическими методами на базе КТ, при этом значительно снижая техническую сложность процесса. Данная технология имеет критическое значение для развития гибридной визуализации и оптимизации протоколов ПЭТ-диагностики в клинической практике.

В данной статье представлен инновационный метод DARE (Deformable Adaptive Regularization Estimator), предназначенный для решения критической задачи регистрации медицинских изображений с использованием глубокого обучения. Авторы предлагают новый подход к адаптивной регуляризации, который позволяет модели более точно подстраиваться под локальные геометрические особенности тканей, минимизируя артефакты при деформации. В отличие от традиционных методов, DARE обеспечивает высокую гибкость при сохранении топологической целостности структур, что крайне важно для точной сегментации и планирования лечения. Исследование фокусируется на преодолении ограничений стандартных функций потерь, которые часто приводят к чрезмерному сглаживанию или нереалистичным деформациям. Методология включает разработку алгоритма, способного динамически изменять параметры регуляризации в зависимости от локальной сложности изображения. Результаты демонстрируют значительное превосходство предложенного метода в точности сопоставления анатомических структур по сравнению с существующими архитектурами на основе нейронных сетей. Данная разработка имеет высокую практическую значимость для радиологии и хирургической навигации, где точность пространственного совмещения снимков напрямую влияет на успех клинического вмешательства.