онкология

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.

Представлена новая гибридная модель Quantum-SpinalNet, сочетающая Swin ResUNet3+ для сегментации опухолей и квантовую нейронную сеть (DQNN) для классификации. Исследование показало высокую эффективность на наборах данных CBIS-DDSM и DDSM с точностью 93,8%, что делает метод перспективным для клинической диагностики.

В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.

Разработан мультимодальный ИИ-фреймворк, объединяющий гистопатологические изображения и клинические данные для диагностики рака эндометрия. Модель демонстрирует высокую точность (AUC 0.95), обеспечивая при этом интерпретируемость результатов и защиту конфиденциальности данных пациентов.

Исследователи представили StriMap — единую платформу на базе глубокого обучения, предназначенную для высокоточного предсказания взаимодействий между Т-клеточными рецепторами (TCR), пептидами и молекулами HLA. В отличие от существующих методов, StriMap интегрирует физико-химические свойства, контекст последовательностей и структурные особенности интерфейсов распознавания, что позволяет моделировать сложные трехсторонние взаимодействия. В ходе тестирования платформа продемонстрировала передовые показатели точности (state-of-the-art) и высокую обобщающую способность. В качестве практического применения была проведена масштабная проверка 13 миллионов пептидов, полученных из 43 241 бактериального белка, в контексте болезни Бехтерева (анкилозирующего спондилоартрита). Исследование выявило молекулярные мимики, которые были экспериментально подтверждены как активаторы Т-клеток, связанных с данным заболеванием. Особую значимость представляет обнаружение пептида, обогащенного у пациентов с воспалительными заболеваниями кишечника (IBD), что указывает на общие микробные триггеры этих патологий. Разработка открывает новые возможности для рационального проектирования иммунотерапии и изучения антигенных драйверов аутоиммунных процессов.

В статье представлен новый вычислительный метод под названием U-method, предназначенный для решения проблемы идентификации маркеров в анализе транскриптомики единичных клеток. В отличие от традиционных подходов, опирающихся на средние различия в экспрессии, которые часто искажаются из-за разреженности и гетерогенности данных, U-method использует вероятностный подход. Алгоритм сравнивает вероятность экспрессии гена внутри целевого кластера с его максимальной вероятностью в любом другом кластере, что позволяет фокусироваться на стабильности обнаружения, а не на абсолютной величине экспрессии. Методология была протестирована на наборах данных секвенирования РНК единичных клеток при раке толстой кишки, молочной железы, поджелудочной железы и легких, успешно выявив как канонические маркеры линий, так и новые специфические гены. Особую значимость представляет применение метода к пространственной транскриптомике Visium HD: использование сырых данных экспрессии топ-маркеров позволило визуализировать четкую структуру тканей без необходимости сложного сглаживания или деконволюции. Таким образом, U-method предлагает эффективный и быстрый инструмент для высокоточного поиска биологических маркеров и пространственной интерпретации данных.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования визуально-языковых моделей (VLM) для глубокого анализа легочных узлов. Авторы предлагают подход «graphicalized vision-language modeling», который объединяет визуальные признаки КТ-снимков с текстовыми описаниями для более точной интерпретации патологий. Данная модель направлена на автоматизацию процесса обнаружения узлов и, что более важно, на эффективную стратификацию рисков злокачественности. Использование графических структур позволяет нейросети лучше понимать пространственные взаимосвязи между компонентами узла и окружающими тканями. Внедрение подобных систем в клиническую практику может значительно снизить нагрузку на радиологов и повысить точность ранней диагностики рака легких. Результаты демонстрируют потенциал интеграции мультимодальных данных для создания более надежных систем поддержки принятия врачебных решений в онкологии.

В исследовании проводится сравнительный анализ эффективности шести популярных инструментов поиска соматических вариантов (FreeBayes, MuTect2, Pisces, Platypus, VarDict и VarScan) в рамках клинической молекулярной диагностики. Авторы интегрировали эти инструменты в конвейер Snakemake для обработки данных ампликонного секвенирования коммерческого референсного стандарта HD789, полученных с платформ Illumina MiSeq и NextSeq 2000. Методология включала секвенирование в трех повторностях и использование образца с разведением 1:4 для определения пределов обнаружения вариантов. Результаты показали, что FreeBayes выявляет наибольшее количество соматических вариантов, однако характеризуется повышенным количеством артефактов. Наилучшие показатели точности и согласованности на данных HD789 продемонстрировали алгоритмы FreeBayes, VarScan, MuTect2 и Pisces. Исследование имеет высокую практическую значимость для оптимизации биоинформатических пайплайнов в лабораторной диагностике рака.

Исследователи представили TopicVI — инновационную глубокую интерпретируемую модель, предназначенную для анализа данных секвенирования РНК единичных клеток (scRNA-seq) и пространственной транскриптомики. В отличие от традиционных методов, полагающихся на жестко заданные биологические априорные знания, TopicVI использует теорию оптимального транспорта для гибкого совмещения существующих генных программ с наблюдаемыми данными. Это позволяет модели обнаруживать специфические для конкретного контекста (например, при болезнях) изменения в экспрессии генов, которые часто упускаются стандартными методами кластеризации. Бенчмаркинг показал, что TopicVI превосходит существующие аналоги по показателям биологической консервативности, коррекции пакетных эффектов (batch correction), связности тем и способности идентифицировать редкие типы клеток. При применении модели к наборам данных глиобластомы удалось выявить генные программы, связанные с регуляцией клеточного цикла и сигнализацией EGFR, что позволило обнаружить конвергентные состояния опухоли при различных лекарственных воздействиях. Данная разработка значительно расширяет возможности интерпретации сложных транскриптомных данных для понимания терапевтических механизмов.

В статье представлен PERREO — новый комплексный биоинформатический инструмент, предназначенный для глубокого анализа экспрессии повторяющихся элементов (транспозонов) на основе данных секвенирования коротких и длинных чтений. Традиционные методы RNA-seq часто игнорируют или недооценивают молекулы РНК, происходящие из повторяющихся элементов, так как они оптимизированы под аннотированные гены. PERREO решает эту проблему, обеспечивая полный цикл обработки данных: от контроля качества и специфического для повторов выравнивания до анализа дифференциальной экспрессии и сборки транскриптов de novo. Авторы провели валидацию инструмента на клеточных линиях, опухолевых тканях и жидкостной биопсии, подтвердив его превосходную чувствительность к сигнатурам повторяющейся РНК по сравнению со стандартными подходами. Интеграция прогностического моделирования в пайплайн позволяет выявлять биологические ассоциации и строить сети ко-экспрессии. Данная разработка значительно снижает биоинформатический порог входа для исследователей, открывая новые возможности для изучения роли репотома в развитии онкологических заболеваний и других патологий.

В данной статье рассматриваются продвинутые методы контрастивного анализа главных компонент (PCA), предназначенные для снижения размерности данных путем максимизации дисперсии целевого набора данных при одновременной минимизации дисперсии фонового шума. Авторы представляют два ключевых расширения метода: k-ρPCA, использующий весовые коэффициенты ядра для контрастирования пространственных и не пространственных осей вариации, и f-ρPCA, решающий задачу коэффициента Рэлея в пространстве коэффициентов базисных функций для анализа функциональных данных. Предложенный математический аппарат позволяет объединить разрозненные подходы пространственного и функционального анализа в единую концептуальную структуру. Практическая значимость методов продемонстрирована на реальных биомедицинских данных из области геномики. В частности, алгоритмы успешно применены для анализа экспрессии генов при раковых заболеваниях и изучения иммунного ответа на вакцинацию, что подтверждает их эффективность в поиске биологически значимых сигналов на фоне высокого уровня шума.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология сегментации печени и опухолей на основе компьютерной томографии (КТ). Авторы разработали систему, которая использует интерактивную коррекцию с учетом неопределенности (uncertainty-aware interactive rectification), позволяющую алгоритму подстраиваться под предпочтения врача. Основная идея заключается в том, что модель не просто выполняет сегментацию, а анализирует зоны своей неуверенности, запрашивая уточнение у специалиста в наиболее критических точках. Это позволяет значительно повысить точность выделения границ опухолей, которые часто имеют нечеткие контуры. Использование механизмов выравнивания предпочтений (user-preference alignment) минимизирует количество необходимых правок со стороны радиолога, оптимизируя рабочий процесс. Применение данного подхода в клинической практике может существенно ускорить диагностику и снизить риск ошибок при планировании хирургических вмешательств на печени.

Исследование посвящено преобразованию гетерогенных онкологических данных из локальных электронных медицинских карт в стандартизированную модель OMOP-CDM. Процесс гармонизации позволил создать базу данных для крупномасштабного анализа и участия в федеративных сетевых исследованиях.

Исследование представляет новый геометрически-ориентированный фреймворк для приоритизации лиганд-рецепторных (LR) взаимодействий в данных пространственной транскриптомики. Авторы разработали метод, который позволяет математически разделить два часто смешиваемых понятия: коммуникацию, происходящую на границах клеточных популяций (интерфейсах), и истинную пространственную локализацию экспрессии. Методология включает использование взвешенного по расстоянию показателя границ на графе пространственных соседей и модели нулевой гипотезы с перестановкой меток для сохранения геометрии ткани. При тестировании на наборах данных рака молочной железы, колоректального рака, меланомы и аденокарциномы поджелудочной железы было показано, что учет геометрии существенно меняет ранжирование путей, связанных с внеклеточным матриксом, адгезией и иммунным ответом. Вместо дискретных режимов коммуникации модель выявила непрерывный континуум пространственных ограничений, определяемых архитектурой ткани. Это исследование критически важно для точной интерпретации клеточного взаимодействия в микроокружении опухоли и предотвращения ложных выводов о локализации сигнальных молекул.

В исследовании представлен новый вычислительный фреймворк для пространственного вывода регуляторных программ, предназначенный для глубокого анализа меланомы. Авторы решают проблему разделения данных: пространственная транскриптомика (ST) дает информацию об архитектуре ткани, но не о регуляции, а мультиомные методы на уровне единичных клеток не сохраняют пространственный контекст. Предложенный метод интегрирует данные Visium ST с данными single-cell multiome, используя пространственно-регуляризованное картирование «клетка-пятно» (cell-to-spot mapping) на базе алгоритма GraphST. В ходе работы исследователи успешно перенесли данные о доступности хроматина и активности мотивов транскрипционных факторов непосредственно в тканевое пространство. Применение фреймворка к образцам меланомы позволило выявить локализованные в пространстве регуляторные программы, которые ранее были недоступны. Результаты показывают, что стратегия назначения клеток критически влияет на стабильность последующего регуляторного анализа. Данный модульный подход обеспечивает интерпретируемые данные на уровнях генов, пиков и транскрипционных факторов, что имеет высокую значимость для точной диагностики и понимания микроокружения опухоли.

Исследование представляет инновационный метод интеграции различных базовых моделей (foundation models) для компьютерной патологии с целью преодоления ограничений их индивидуальной специализации. Авторы разработали фреймворк, который использует легковесную весовую сеть для адаптивного объединения эмбеддингов нескольких моделей, преобразуя их в единые предсказания на уровне генов и пространственных локаций. Методология опирается на данные пространственной транскриптомики, что позволяет сопоставлять генетическую и морфологическую информацию из одного и того же образца ткани. В ходе тестирования на наборах данных пространственной транскриптомики предложенный подход продемонстрировал превосходство над отдельными моделями и классическими методами ансамблирования. Применительно к раку молочной железы система показала значительный рост точности предсказания клинически важных маркеров подтипов PAM50 и генов, являющихся мишенями для лекарственных препаратов. Кроме того, архитектура повышает интерпретируемость результатов, выявляя специфический вклад каждой модели в зависимости от анализируемого гена. Данная работа открывает новые возможности для высокоточной молекулярной диагностики на основе стандартных гистологических изображений.

Исследователи представили STDrug — инновационную вычислительную платформу, предназначенную для персонализированного подбора лекарственных средств с учетом пространственного контекста тканей. В отличие от традиционных методов, основанных на секвенировании РНК единичных клеток (scRNA-seq), STDrug интегрирует данные пространственной транскриптомики, графовое моделирование и мультимодальное обучение. Методология включает использование графовых сверточных сетей и метода когерентного точечного дрейфа для выравнивания пространственных доменов между здоровыми и пораженными тканями. Система ранжирует потенциальные препараты, комбинируя сигнатуры обратимых генов опухоли, оценки возмущений и весовые коэффициенты генов на основе биологических знаний. В ходе тестирования на данных гепатоцеллюлярной карциномы и рака простаты метод продемонстрировал превосходство над существующими аналогами, достигнув точности предсказания AUC в диапазоне 0,81–0,82. Валидация результатов с помощью электронных медицинских карт и тестов in vitro подтверждает высокую трансляционную значимость платформы для точной медицины.

Компания QT Imaging представила обновление ПО версии 4.5.0, использующее оптимизированную деконволюцию и слияние данных скорости звука с отраженными сигналами для улучшения качества изображений. Новые алгоритмы позволяют более точно характеризовать ткани и анализировать анатомические особенности, такие как малый размер груди или наличие имплантатов.

Анонс ежегодного собрания Общества ядерной медицины и молекулярной визуализации (SNMMI), которое пройдет в мае-июне 2026 года. Программа охватывает новейшие исследования в области тераностики, онкологии, кардиологии и технологий визуализации.