3 статей
Авторы предлагают комплексную структуру использования ИИ для борьбы с ожирением, объединяющую геномные, клинические и данные с носимых устройств в динамический показатель риска. Предложенный подход включает создание «цифровых двойников» метаболизма для тестирования вмешательств in silico и акцентирует внимание на объяснимости и справедливости алгоритмов.
В исследовании представлен Prostate-TriMod — инновационный тримодальный датасет для анализа рака предстательной железы, созданный для обучения мультимодальных моделей ИИ. Данный ресурс объединяет три типа данных: мультимасштабные виртуальные фрагменты H&E (разрешением от 224px до 2040px), пространственные карты тканей и текстовые описания, сгенерированные на основе данных единичных клеток. Использование платформы мультиплексной визуализации Cell DIVE позволило синхронизировать морфологический контекст с паттернами иммунной инфильтрации, идентифицируемыми с помощью моделей TOPAZ и CAT. Датасет включает критически важные клинические аннотации, такие как группы грейда (Grade Groups) и статус биохимического рецидива (BCR). Разработка Prostate-TriMod открывает новые возможности для создания ИИ-фреймворков, способных связывать гистологическую морфологию и иммунный контекст с реальными клиническими прогнозами. Этот инструмент станет важной базой для бенчмаркинга в области мультимодального обучения представлений и пространственного анализа тканей.
В статье представлен HESTIA (Histology-Enhanced Scalable cross-Resolution inTegration for spatial trAnscriptomics) — инновационный мультимодальный алгоритм, разработанный для анализа крупномасштабных данных пространственной омики. Основная проблема текущих методов заключается в огромных объемах данных и высокой разреженности транскриптомных данных при переходе к субклеточному уровню, что вызывает дефицит памяти у существующих систем. HESTIA решает эту задачу за счет оптимизации вычислений, позволяя обрабатывать массивы данных, недоступные для других алгоритмов. Исследование показало, что метод превосходит текущие аналоги по точности кластеризации и пространственной непрерывности, обеспечивая четкое разграничение структурных границ тканей. При применении алгоритма к патологическим образцам легких и колоректального рака удалось успешно картировать внутриопухолевую гетерогенность и идентифицировать специфические иммунные микроокружения. Данная разработка имеет критическое значение для прецизионной диагностики и понимания механизмов развития онкологических заболеваний на молекулярном уровне.
