нейросети

Исследователи из МФТИ и ННГУ имени Лобачевского разработали уникальную многоуровневую компьютерную модель, имитирующую работу вкусовых рецепторов человека. В основе проекта лежит создание «цифрового двойника», который моделирует взаимодействие молекул веществ с рецепторными белками на различных биологических уровнях. Методология исследования включает интеграцию данных молекулярной динамики и нейросетевых алгоритмов для предсказания вкусового отклика. Ключевым результатом стала возможность виртуально тестировать тысячи химических соединений без проведения реальных лабораторных опытов на живых тканях. Это достижение открывает колоссальные перспективы для персонализированной нутрициологии и разработки новых пищевых продуктов с заданными свойствами. Технология может значительно ускорить процесс создания специализированного питания для пациентов с нарушениями метаболизма или специфическими диетическими потребностями.

Систематический обзор анализирует современные методы машинного и глубокого обучения для автоматического обнаружения внутричерепных кровоизлияний по КТ-снимкам без контраста. Исследование охватывает архитектуры CNN, 3D-CNN, гибридные и трансформерные модели, а также методы объяснимого ИИ для интерпретируемости. Результаты показывают высокую диагностическую эффективность, однако сохраняются проблемы с обобщаемостью и клинической валидацией.

Исследование представляет применение архитектуры жидких нейронных сетей (LNN) для диагностики пародонтита у пациентов с диабетом на основе метаболического анализа слюны. Методология включает сбор слюнных образцов от пациентов с диабетом и последующий метаболический профилирование с использованием масс-спектрометрии. Разработанная модель LNN обучалась на метаболических отпечатках для выявления пациентов с высоким риском развития пародонтита. Ключевые результаты показывают высокую точность классификации, превосходящую традиционные методы диагностики. Применение лёгких нейронных сетей позволяет снизить вычислительные требования, делая технологию пригодной для клинического использования в условиях ограниченных ресурсов. Исследование демонстрирует перспективность неинвазивных методов диагностики в сочетании с современным ИИ для скрининга осложнений диабета. Работа опубликована в ведущем журнале npj Digital Medicine, что подтверждает её научную значимость и соответствие стандартам цифрового здравоохранения.

Исследование Yakdan и коллег посвящено проблеме переносимости фундаментальных моделей (foundation models) в клинической практике. Авторы обучили модели для прогнозирования шейного спондилотического миелопатии на основе данных электронных медицинских карт. На внутренних валидационных наборах данных фундаментальные модели превзошли традиционные подходы машинного обучения. Однако при внешней валидации в разных клинических настройках преимущество моделей исчезло. Это указывает на то, что сложные, плотно-сигнальные паттерны, выученные фундаментальными моделями, могут плохо обобщаться между популяциями и средами. Особенно критична эта проблема для редких исходов, где дефицит данных усугубляет вопросы переносимости. Авторы рекомендуют проводить локальную валидацию, анализ подгрупп и учитывать нагрузку на внедрение перед клиническим использованием. Исследование имеет важное значение для планирования систем здравоохранения и ответственного внедрения ИИ в медицину.

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.

Обзорная статья оценивает применение искусственного интеллекта и глубокого обучения (CNN, гибридные архитектуры) для неинвазивной диагностики опухолей мозга с использованием тепловизуализации и симулированных тепловых карт. Основные результаты включают анализ методов предобработки тепловых данных, сегментации опухолей и прогнозирования злокачественности, а также выявление ключевых проблем — ограниченность мультимодальных наборов данных и необходимость клинической валидации.

Команда Penn Medicine разработала ИИ-систему для интерпретации МРТ-сканов сердца, обученную на 300,000+ видео МРТ от 20,000 пациентов. Модель оценивает функцию сердца и диагностирует 39 сердечных заболеваний с точностью до 0.97 AUC, выявив 112 ранее недиагностированных случаев гипертрофической кардиомиопатии в 40,000+ сканах.

Исследование оценивает эффективность модели DeepSeek в генерации экзаменационных вопросов для обучения радиологов-резидентов. Работа опубликована в журнале npj Digital Medicine 24 марта 2026 года. Исследование фокусируется на применении больших языковых моделей в медицинском образовании, что является важной областью цифровизации здравоохранения. Авторы анализируют качество сгенерированных вопросов, их соответствие образовательным стандартам и соответствие клинической практике радиологии. Результаты показывают потенциал ИИ-моделей для автоматизации создания учебных материалов, что может снизить нагрузку на преподавателей и стандартизировать оценку знаний резидентов. Работа демонстрирует практическое применение ИИ не только в клинической диагностике, но и в подготовке медицинских кадров. Исследование имеет значение для развития адаптивных образовательных платформ в радиологии и смежных медицинских специальностях.

Систематический обзор с использованием структурного тематического моделирования (STM) анализирует 211 публикаций о технологиях для людей с ограниченными возможностями за 2015-2024 годы. Исследование выявило 6 ключевых тем, включая ИИ-решения для когнитивных и сенсорных нарушений, с акцентом на интерпретацию жестового языка, реабилитацию и цифровые обучающие инструменты.

Исследование оценивает производительность 8 алгоритмов ИИ на основе сверточных нейронных сетей (CNN) для обнаружения диабетической ретинопатии, возрастной макулярной дегенерации, глаукомы и других патологий сетчатки. Система UPRETINA продемонстрировала высокую точность (чувствительность/специфичность 82.7-94.9%) в классификации изображений, что позволяет оптимизировать ресурсы скрининга.

Представлена сеть SDNet — двухпараметрическая система глубоких сверточных нейронных сетей для многоклассовой диагностики кожных заболеваний. Модель достигает точности 99,1% на датасете DermNet, превосходя традиционные методы. Исследование демонстрирует применение объяснимого ИИ (XAI) для точного выявления кожных патологий.