нейросети

Компания Ultrasound AI, Inc. получила два новых патента США на технологии искусственного интеллекта для медицинского визуализации. Патенты описывают методы использования нейросетей для анализа воздействия лекарств на плод и комплексной медицинской диагностики на основе медицинских изображений.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.

Разработана двухслойная двунаправленная LSTM-сеть с механизмом маскирования для динамического прогнозирования делирия у пациентов в отделении интенсивной терапии на основе 24-часовых скользящих окон наблюдений. Модель показала AUC-ROC 0,835 при внутренней и 0,830 при внешней валидации, а анализ SHAP выявил клинически значимые временные закономерности в предикторах (ИВЛ, pH, шкала SOFA).

Линус Торвальдс, создатель ядра Linux, выступил с резкой критикой использования нейросетей для генерации отчетов об ошибках в программном обеспечении. По его мнению, сгенерированные ИИ сообщения перегружают процесс разработки, создавая поток некачественного и «кривого» контента, который мешает инженерам фокусироваться на реальных проблемах. Несмотря на то, что ранее Торвальдс высказывался в позитивном ключе о возможностях ИИ в написании кода для непрофессионалов, текущая ситуация с автоматизированными отчетами вызывает у него серьезное недовольство. Данный инцидент подчеркивает растущую проблему «шума» в open-source проектах, вызванного бесконтрольным использованием LLM. Ситуация демонстрирует конфликт между автоматизацией процессов и необходимостью поддержания высокого качества технической документации и отчетов в критически важных системах.

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.

Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.

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.

Статья представляет собой обзор эволюции и влияния инициативы AlphaFold на структурную биологию и медицину, отмечая достижение AlphaFold 2024 года Нобелевской премии. Модели развивались от AF1 через AF2 (достигшую почти экспериментальной точности в сворачивании одиночных цепей белка) к AF3, которая расширяет предсказания на белок-лигандные, белок-нуклеиновые кислоты и белок-белковые комплексы. Архитектурные различия между версиями включают использование глубоких нейронных сетей в AF1, Evoformer для моделирования эволюционно связанных последовательностей в AF2 и Pairformer для парных аминокислотных взаимодействий в AF3. Ключевые результаты включают широкое внедрение инструментов AlphaFold, расширение структурного покрытия и повышение доступности через базу данных AlphaFold Database (AFDB). Основные приложения в медицине включают ускорение трансляционных исследований, особенно в разработке лекарств на основе структуры (SBDD) и изучении сложных макромолекулярных комплексов. Несмотря на достижения, остаются нерешённые задачи предсказания динамики белка и множественных конформационных состояний. Статья подчёркивает, что AlphaFold продолжает продвигать структурную биологию, особенно в биотехнологии и медицине, несмотря на существующие ограничения.

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.