нейровизуализация

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.

Исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай и других институтов разработали модель глубокого обучения для анализа Т1-взвешенных МРТ-снимков головного мозга. Модель способна не только оценивать индекс массы тела (ИМТ), но и извлекать специфические мозговые сигнатуры, связанные с кардиометаболическими рисками. Обучение алгоритма проводилось на обширном наборе данных, включавшем 45 702 участника из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD. Ключевым результатом работы стало демонстрация того, что ИИ-анализ структуры мозга может предсказывать кардиометаболические заболевания с большей точностью, чем традиционный ИМТ. Это открывает новые возможности для ранней диагностики метаболических нарушений через нейровизуализацию. Методология использует мощь глубокого обучения для выявления скрытых паттернов в мозге, которые коррелируют с системным здоровьем. Результаты публикации в журнале npj Digital Medicine подчеркивают потенциал ИИ в интеграции неврологических и кардиологических данных для улучшения превентивной медицины.

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.

В исследовании, опубликованном в декабре 2026 года в журнале Artificial Intelligence in Medicine, представлена новая методология предсказания биологического возраста мозга на основе концепции свободных прототипов (free-prototype modeling). Авторы, включая исследователей из инициативы Alzheimer’s Disease Neuroimaging Initiative (ADNI) и австралийского исследования Australian Imaging Biomarkers and Lifestyle, предлагают подход, который позволяет создавать динамические возрастные атласы мозга, адаптируясь к индивидуальным вариациям старения. Методология использует нейросетевые архитектуры для обучения представлений, которые не жестко привязаны к фиксированным возрастным группам, что повышает точность оценки отклонений от нормы. Ключевая значимость работы заключается в улучшении ранней диагностики нейродегенеративных заболеваний, таких как болезнь Альцгеймера, путем более точного выявления аномального старения мозга на ранних стадиях. Исследование демонстрирует, что использование свободных прототипов позволяет лучше улавливать нелинейные паттерны старения по сравнению с традиционными регрессионными моделями. Результаты показывают высокую корреляцию между предсказанным возрастом мозга и клиническими маркерами когнитивного снижения, что делает метод перспективным инструментом для клинической практики. Работа вносит вклад в развитие персонализированной медицины, предлагая более чувствительные инструменты мониторинга здоровья нервной системы. Это исследование подчеркивает важность применения передовых методов глубокого обучения в нейровизуализации для улучшения прогностической ценности биомаркеров старения.

В исследовании с участием 1 612 участников PPMI оценивалась связь исходного настроения и немоторных симптомов с когнитивным прогрессированием при болезни Паркинсона. Каждое стандартное отклонение увеличения бремени было связано с повышением шансов прогрессирования (скорректированное ОШ 1,37), однако добавление этого показателя к клиническим ковариатам дало лишь скромное улучшение AUC (с 0,665 до 0,682). Авторы подчеркивают, что результаты могут поддержать будущие исследования по обогащению риска, но не готовы к клиническому применению из-за ограниченного прироста и отсутствия внешней валидации.

В исследовании, опубликованном в npj Digital Medicine 5 сентября 2026 года, оценивалась валидность удаленных когнитивных тестов на смартфоне для выявления ранней болезни Альцгеймера (БА). Авторы провели когортное исследование с участием пациентов с ранней стадией БА и здоровых контролей, сравнивая результаты смартфон-тестов с традиционными нейропсихологическими батареями и биомаркерами (амилоидный ПЭТ и МРТ). Использовались тесты на эпизодическую память, исполнительные функции и скорость обработки информации, адаптированные для самостоятельного выполнения. Была подтверждена высокая осуществимость (более 90% завершаемость) и ретестовая надежность (ICC > 0.8). Ключевым результатом стала нейроанатомическая валидность: показатели смартфон-тестов коррелировали с объемом гиппокампа (r = 0.62, p < 0.001) и уровнем амилоидной нагрузки (r = 0.55, p < 0.01), что сопоставимо с традиционными тестами. Чувствительность и специфичность различения БА от контроля составили 84% и 79% соответственно. Исследование демонстрирует, что удаленные когнитивные оценки могут быть не только удобны, но и нейробиологически значимы, открывая путь к масштабному скринингу и мониторингу БА в домашних условиях. Это особенно важно для клинических испытаний и персонализированного наблюдения, снижая нагрузку на пациентов и систему здравоохранения.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из Эдинбургского университета провели сравнительный анализ стратегий обучения моделей глубокого обучения для автоматической сегментации гиперинтенсивностей белого вещества (WMH) и инсультных поражений на FLAIR-МРТ изображениях. Актуальность работы обусловлена тем, что ручная сегментация этих биомаркеров трудоемка и требует высокой экспертизы, а полностью размеченные наборы данных ограничены. Авторы (Jesse Phitidis, Alison Q. Smithard, William N. Whiteley, Joanna M. Wardlaw, Miguel O. Bernabeu, Maria Valdés Hernández) сравнили несколько стратегий обучения: обучение на полностью размеченных данных, обучение на частично размеченных данных с использованием методов полууправляемого обучения, а также комбинированные подходы с псевдо-метками и совместным обучением на нескольких наборах данных. В качестве архитектуры использовалась U-Net, стандартная для задач медицинской сегментации. Ключевые результаты показали, что стратегии с частичной разметкой достигают сопоставимой точности (Dice-коэффициент в диапазоне 0.78–0.85 для WMH и 0.65–0.74 для инсультных поражений) по сравнению с полностью размеченным обучением, при этом сокращая затраты на аннотацию до 40%. Особенно эффективным оказался подход с итеративным добавлением псевдо-меток, который улучшал Dice на 3–5% по сравнению с базовой полууправляемой моделью. Значимость работы для практики высока: предложенные стратегии позволяют клиническим исследователям использовать крупные неразмеченные или частично размеченные архивы МРТ для обучения моделей, что ускоряет внедрение автоматической сегментации в исследования сосудистых заболеваний мозга и инсульта, а также в клиническую практику для оценки бремени поражений.

В статье представлен открытый программный пакет DYNAM-O (Dynamic Oscillation Toolbox) для анализа электроэнцефалограммы (ЭЭГ) сна, который позволяет выявлять индивидуальные нейронные сигнатуры. В отличие от традиционных методов, основанных на предопределенных частотных диапазонах и усреднении, DYNAM-O использует мультитаперные спектрограммы и новую мультиразрешающую процедуру для идентификации транзиторных осцилляций как пиков в частотно-временной области. Для каждого события вычисляются внутренние и внешние (зависящие от стадии сна) признаки, а распределения десятков тысяч пиков представляются в виде гистограмм, отражающих частоту осцилляций, мощность медленных волн и их фазу. Такой подход сохраняет непрерывную вариативность мозговой активности, которая может теряться при усреднении по стадиям сна. Пакет включает методы снижения размерности на основе гауссовых и сплайновых базисов, визуализацию и статистические тесты для анализа гистограмм. Для демонстрации возможностей авторы проанализировали ночные записи ЭЭГ (канал C3) 133 взрослых участников (71 женщина, 72 мужчины, возраст 20–35 лет) из исследования Cleveland Family Study. Анализ подтвердил известное различие в центральной частоте быстрых сонных веретен у женщин и выявил более высокую активность транзиторных осцилляций в низкоальфа-диапазоне у женщин, что выходит за рамки традиционного диапазона веретен. DYNAM-O предоставляет полный цикл анализа — от извлечения пиков до статистического вывода, что делает его доступным и интерпретируемым инструментом для изучения индивидуальной физиологии сна и поиска тонких воспроизводимых электрофизиологических паттернов.

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.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен инновационный метод контрастного моделирования мозга для классификации подтипов депрессивных расстройств. Авторы применили передовые алгоритмы машинного обучения для анализа нейровизуализационных данных, что позволило идентифицировать специфические биологические подгруппы пациентов. Исследование демонстрирует, что выявленные подтипы имеют фундаментально разные траектории клинического прогрессирования и по-разному реагируют на стандартную терапию. Использование ИИ-моделей позволило достичь высокой точности в дифференциации состояний, которые ранее считались однородными. Результаты подчеркивают потенциал персонализированной психиатрии, где нейровизуализационные биомаркеры, обработанные ИИ, определяют наиболее эффективную стратегию лечения. Это открывает путь к внедрению прецизионных методов диагностики в клиническую практику для снижения риска неэффективного лечения депрессии.

Компании Viz.ai и Cortechs.ai объявили о партнерстве для интеграции инструментов количественного анализа нейровизуализации в платформу Viz.ai. Основное внимание будет уделено рассеянному склерозу, что позволит врачам быстрее идентифицировать пациентов и точнее управлять лечением с помощью ИИ-анализа МРТ.

В исследовании представлен новый метод генеративного обучения без учителя под названием Latent Event Mapping (LEMING), предназначенный для реконструкции траекторий прогрессирования нейродегенеративных заболеваний на воксельном уровне. В отличие от существующих подходов, LEMING обеспечивает высокую вычислительную масштабируемость и интерпретируемость, создавая латентную карту событий вдоль единой псевдовременной шкалы. Авторы применили метод к данным ПЭТ-сканирования амилоида и структурной МРТ из инициативы ADNI (Alzheimer's Disease Neuroimaging Initiative). Результаты позволили впервые визуализировать воксельные траектории событий при болезни Альцгеймера и выявить новые механизмы прогрессирования. В частности, было обнаружено, что плотность ацетилхолиновых рецепторов значимо положительно коррелирует как с поздними стадиями накопления амилоида, так и с процессами атрофии мозга. Это открытие указывает на то, что ацетилхолиновые рецепторы могут становиться мишенью на более поздних этапах болезни, что имеет критическое значение для разработки стратегий раннего терапевтического вмешательства.

В данном исследовании представлена инновационная разработка в области нейровизуализации — модель глубокого обучения, предназначенная для интеграции топографических карт мозга и функциональных коннектомов. Авторы использовали архитектуру Surface Vision Transformer (ViT) для создания метода, который позволяет переводить карты пространственной организации сетей в индивидуализированные коннектомы на основе данных функциональной МРТ в состоянии покоя (rsfMRI). Результаты тестирования показали высокую точность реконструкции на уровне 0.73 (±0.09) и успешную трансляцию топографии в коннектом с коэффициентом 0.43 (±0.08). Важным достижением является то, что полученные синтетические коннектомы сохраняют способность к идентификации личности и корректно отражают связи между структурой мозга и когнитивными функциями. Данная методология позволяет объединить разрозненные подходы в изучении rsfMRI, обеспечивая более глубокое и целостное понимание человеческого коннектома. Практическая значимость работы заключается в создании инструмента для более точного моделирования индивидуальных особенностей работы мозга.

Исследование посвящено критической проблеме воспроизводимости фенотипов изображений, извлеченных из МРТ головного мозга с помощью методов глубокого обучения без учителя (unsupervised deep learning). Авторы проверяли стабильность полученных признаков при различных условиях: изменении случайных seed-параметров, разделении данных при кросс-валидации и использовании независимых когорт (UK Biobank и ADNI). В работе сравнивались архитектуры сверточных нейросетей (CNN) и трансформеров (ViT). Результаты показали высокую стабильность представлений ViT: средний показатель CKA составил 0.74 против 0.27 у случайных моделей, а KCCA — 0.84 против 0.60. Важным достижением стало подтверждение биологической значимости: коэффициент перекрытия генетических локусов (loci overlap ratio) для ViT составил 0.45, что значительно выше 0.08 у необученных моделей (p < 0.001). Исследование доказывает, что такие фенотипы (UDIPs) надежно отражают биологическую структуру мозга, а не артефакты обучения, что делает их перспективным инструментом для исследований в области нейрогенетики.

В статье представлен инновационный подход к диагностике расстройств аутистического спектра (РАС) с использованием передовых архитектур глубокого обучения. Исследователи разработали специализированную модель на базе Vision Transformer (ViT), интегрирующую механизмы контрастивной реконструкции для повышения точности анализа медицинских изображений. Основная методология заключается в обучении модели выделять наиболее значимые паттерны, характерные для аутизма, путем сравнения реконструированных признаков. Использование архитектуры трансформеров позволяет учитывать глобальные пространственные зависимости в данных, что критически важно для нейровизуализации. Данная разработка направлена на автоматизацию скрининга РАС, обеспечивая высокую чувствительность и специфичность при выявлении биомаркеров заболевания. Внедрение подобных интеллектуальных систем в клиническую практику может значительно ускорить постановку диагноза и снизить нагрузку на специалистов.

Обзорный анализ применения методов машинного и глубокого обучения (CNN, RNN, GAN и др.) для диагностики болезни Альцгеймера на основе нейровизуализационных данных. Особое внимание уделяется мультимодальным подходам, объединяющим МРТ и ПЭТ, а также методам предобработки и аугментации данных для повышения точности классификации.

Исследование предлагает практический фреймворк для малоэталонного развертывания предобученных трансформеров МРТ в различных задачах нейровизуализации. Авторы используют стратегию предобучения Masked Autoencoder на 31 миллионе 2D срезов МРТ и демонстрируют state-of-the-art результаты с точностью 99.24% и превосходными показателями сегментации.

Исследователи разработали систему искусственного интеллекта для анализа изменений на снимках мозга, способную выявлять ранние признаки болезни Альцгеймера с точностью почти 93 процента. Методология исследования основана на применении алгоритмов машинного обучения для выявления тонких структурных изменений в мозге, которые предшествуют клиническим проявлениям заболевания. Ключевой результат — достижение 93-процентной точности прогнозирования, что значительно превышает возможности традиционных методов диагностики. Раннее выявление болезни Альцгеймера критически важно для своевременного начала лечения и замедления прогрессирования заболевания. Технология может быть интегрирована в клиническую практику для скрининга пациентов из групп риска, что позволит выявлять болезнь на доклинической стадии. Исследование демонстрирует потенциал искусственного интеллекта в области нейровизуализации и неврологии, открывая новые возможности для персонализированной медицины.