4 статей
В статье рассматривается применение моделей на архитектуре Transformer в кардиологии для анализа ЭКГ, медицинских изображений и электронных карт. Авторы критически оценивают трансляционные ограничения, такие как качество данных и валидация, и определяют приоритеты для внедрения ответственного ИИ в клиническую практику.
В статье представлена новая архитектура искусственного интеллекта FairEnc, предназначенная для диагностики глаукомы на основе анализа медицинских изображений. Модель базируется на парадигме vision-language (визуальный язык), где ключевой инновацией является внедрение специализированных кодировщиков для визуальных и текстовых данных, обеспечивающих справедливость (fairness) предсказаний. Исследователи акцентируют внимание на устранении смещений (bias) в алгоритмах, которые часто возникают из-за неравномерного распределения данных по демографическим группам. Методология включает совместное обучение кодировщиков для достижения высокой точности при одновременном обеспечении эгалитарного отношения к разным подгруппам пациентов. Результаты демонстрируют значительное улучшение метрик справедливости по сравнению с существующими базовыми моделями, сохраняя при этом высокую диагностическую точность. Это исследование имеет критическое значение для клинической практики, так как позволяет создавать более надежные и этичные системы поддержки врачебных решений. Внедрение таких моделей может снизить риск ошибочных диагнозов для уязвимых групп населения и повысить доверие к ИИ-технологиям в офтальмологии.
Специалисты НМИЦ онкологии им. Н.Н. Блохина разработали специализированную методологию подготовки и контроля качества медицинских данных, необходимую для обучения систем искусственного интеллекта. Данная методология направлена на повышение точности ИИ-диагностики новообразований печени, охватывая полный жизненный цикл подготовки датасетов. Процесс включает в себя строгие этапы отбора клинических исследований, их обязательного обезличивания и последующей экспертной верификации разметки медицинских изображений. Внедрение стандартизированного алгоритма позволяет минимизировать ошибки при обучении нейросетей, вызванные некачественными или некорректно размеченными данными. Результаты разработки, обеспечивающие создание надежных диагностических инструментов, были официально опубликованы в журнале «Вестник Росздравнадзора». Данная работа имеет критическое значение для масштабирования медицинского ИИ в онкологической практике России.
Разработан алгоритм TRI_IF на основе глубокого обучения (архитектура Xception) и морфометрического анализа для автоматической количественной оценки интерстициального фиброза почки на гистологических слайдах без ручных аннотаций. Модель продемонстрировала высокую согласованность с оценками нефропатологов (R2=0.86-0.93, Cohen's kappa=0.86-0.91) и точно предсказывала клинические исходы (ЭСКП, снижение СКФ). Подход обеспечивает масштабируемое решение для клинической практики и исследований в нефропатологии.
