онкология

Компании Accuray и RaySearch заключили соглашение о сотрудничестве для внедрения онлайн-адаптивной лучевой терапии. Решение объединяет аппаратные платформы Accuray с программным обеспечением RaySearch для планирования лечения и управления рабочими процессами, позволяя корректировать планы облучения непосредственно перед процедурой на основе текущей анатомии пациента.

Крупная страховая компания Cigna Group объявила о стратегическом партнерстве с технологическим гигантом OpenAI. Целью сотрудничества является разработка более персонализированных систем поддержки для пациентов, страдающих сложными хроническими заболеваниями. В рамках первого этапа проекта фокус будет направлен на онкологических пациентов, что требует глубокого анализа индивидуальных медицинских данных и истории болезни. Партнерство предполагает использование передовых языковых моделей и технологий искусственного интеллекта для создания инструментов, помогающих пациентам лучше понимать свое состояние и варианты лечения. Хотя конкретные технические детали реализации и используемые алгоритмы пока не раскрыты, сам факт интеграции ИИ-решений от OpenAI в процессы страховой медицины указывает на значительный шаг в сторону цифровизации здравоохранения. Это сотрудничество может привести к созданию новых стандартов в области персонализированной медицины и улучшения качества обслуживания пациентов с высокими потребностями в медицинской помощи. Проект находится на ранней стадии, поэтому ожидаемые результаты и временные рамки внедрения пока не определены.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология многокритериальной оценки неопределенности (uncertainty estimation) для систем искусственного интеллекта, применяемых в дерматологии. Основной целью работы является повышение надежности алгоритмов глубокого обучения при обнаружении сдвигов распределения данных (distribution shift detection), что критически важно для безопасного внедрения ИИ в клиническую практику. Авторы разработали подход, который позволяет модели не только классифицировать кожные новообразования на злокачественные и доброкачественные, но и точно оценивать степень своей уверенности в каждом предсказании. Использование нескольких критериев неопределенности помогает системе выявлять случаи, выходящие за рамки обучающей выборки, предотвращая ошибочные диагнозы на атипичных или редких примерах. Результаты показывают значительное улучшение показателей чувствительности и специфичности по сравнению с традиционными методами, что напрямую влияет на безопасность пациентов. Данный подход решает одну из главных проблем ИИ в медицине — проблему «черного ящика» и доверия к предсказаниям модели в условиях изменчивости реальных клинических данных. Исследование демонстрирует, что интеграция оценки неопределенности является необходимым шагом для создания надежных систем поддержки принятия врачебных решений в онкодерматологии.

В статье представлен новый фреймворк BenSParX, разработанный для автоматизированного выявления болезни Паркинсона на основе анализа акустических характеристик разговорной речи на бенгальском языке. Исследование решает важную проблему нехватки данных и моделей для немаргинализированных языков, применяя передовые методы машинного обучения к лингвистическим особенностям бенгальской диаспоры. Авторы использовали набор данных, включающий записи речи пациентов с подтвержденным диагнозом и здоровых контрольных групп, извлекая такие признаки, как мел-кепстральные коэффициенты, интонационные паттерны и темп речи. Ключевой особенностью системы является интеграция методов объяснимого ИИ (XAI), что позволяет врачам понимать, какие именно акустические параметры повлияли на решение алгоритма, повышая доверие к диагностике. Модель продемонстрировала высокую точность классификации, превосходя традиционные методы анализа речи, и показала устойчивость к шуму и вариациям в произношении. Результаты исследования подтверждают потенциал использования доступных технологий анализа речи для скрининга нейродегенеративных заболеваний в регионах с ограниченным доступом к специализированной медицинской помощи. Работа вносит вклад в развитие персонализированной медицины и цифровых биомаркеров для неврологии.

В данном исследовании представлена новая архитектура для автоматической сегментации опухолей печени на медицинских изображениях, основанная на адаптации фундаментальной модели Segment Anything Model (SAM). Авторы интегрировали в базовую модель методы контрастной многообразной регуляризованной самообучающейся разметки (SSL), что позволяет эффективно использовать большие объемы неразмеченных данных для улучшения обобщающей способности нейросети. Дополнительно внедрен механизм промптов на базе архитектуры YOLO, который значительно повышает точность локализации интересующих областей, устраняя типичные для SAM проблемы с детекцией мелких или атипичных структур. Методология сочетает преимущества предобученных фундаментальных моделей с доменно-специфической оптимизацией, что критически важно для задач медицинской визуализации, где качество данных часто ограничено. Исследование демонстрирует высокую эффективность предложенного подхода в условиях нехватки размеченных клинических данных, обеспечивая надежную сегментацию патологий печени. Результаты работы подтверждают значительный потенциал гибридных ИИ-систем для поддержки радиологов в диагностике онкологических заболеваний. Разработка направлена на снижение субъективности оценки и ускорение обработки медицинских изображений в клинической практике.

В статье представлена новая полуобучаемая нейросетевая архитектура, предназначенная для улучшения качества визуализации вентиляции легких на основе 4D компьютерной томографии (КТ). Методология основана на двойном механизме внимания, который одновременно учитывает динамические изменения анатомии органов дыхания и движения тканей во время дыхательного цикла. Использование полуобучаемого подхода позволяет эффективно использовать как размеченные, так и большие объемы неразмеченных данных, что критически важно в медицинской визуализации, где получение точных экспертных меток затруднено. Исследование демонстрирует, что интеграция информации о движении и анатомической структуре в единую сеть повышает точность регистрации изображений и снижает артефакты, возникающие при деформации тканей. Ключевые результаты показывают значительное улучшение метрик сходства изображений и согласованности векторов смещения по сравнению с существующими методами, что напрямую влияет на надежность клинических выводов. Данный подход имеет высокую значимость для практики, так как позволяет более точно оценивать региональную функцию легких, что необходимо для планирования лучевой терапии при онкологии легких и мониторинга прогрессирования заболеваний. Разработка решает одну из ключевых проблем медицинской физики — необходимость точного сопоставления анатомических структур в разные фазы дыхания без избыточных вычислительных затрат.

В данном ретроспективном исследовании разработана и валидирована модель машинного обучения VARM-7 (Valencia At-Risk MASH) для неинвазивного выявления лиц с риском метаболического дисфункционного стеатогепатита (MASH). Модель обучалась на выборке из 2267 пациентов с использованием алгоритмов Random Forest и XGBoost, применяя 10-кратную перекрестную проверку. В качестве целевых показателей использовались данные вибрационной контролируемой трансэластографии (VCTE): параметр затухания (CAP) ≥ 275 дБ/м, жесткость печени (LSM) > 8 кПа и/или индекс FAST > 0.35. Итоговая модель VARM-7 включает возраст и шесть стандартных лабораторных показателей. При независимой валидации VARM-7 продемонстрировала значительное превосходство над традиционным индексом FIB-4: площадь под ROC-кривой (AUROC) составила 0.84 против 0.64 (p < 0.001). Применение модели к базе данных общественного здравоохранения Валенсии (более 3.4 млн человек) показало, что 11.7% общей популяции имеют риск MASH, а среди пациентов с ожирением и сахарным диабетом 2 типа этот показатель достигает 29.4% и 44.0% соответственно. Результаты подтверждают высокую эффективность ИИ-подхода для скрининга и оптимизации маршрутизации пациентов, хотя требуется внешняя валидация перед внедрением в клиническую практику.

В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.

В статье представлен новый метод глубокого обучения AGMNet (Adaptive Gated Multimodal Network), предназначенный для классификации болезни Паркинсона. Модель интегрирует данные структурной магнитно-резонансной томографии (МРТ), визуализации транспортера дофамина (DaT), а также признаки асимметрии и биомаркеры. Для обеспечения интерпретируемости решений нейросети используется метод Grad-CAM, позволяющий визуализировать области на снимках, наиболее влияющие на классификацию. Оценка производительности проводилась с помощью пятикратной перекрестной проверки и сравнения с базовыми архитектурами, такими как VGG16, VGG19, InceptionV3 и Xception. Результаты показали точность 0.8318, сбалансированную точность 0.8278, чувствительность 0.8556 и специфичность 0.8000. Площадь под ROC-кривой (AUC) составила 0.711, а коэффициент корреляции Мэтьюса (MCC) — 0.6458. Исследование демонстрирует, что адаптивное мультимодальное слияние данных улучшает интеграцию структурной, функциональной и асимметричной информации по сравнению с использованием только МРТ. Модель AGMNet показала конкурентоспособные результаты относительно существующих архитектур глубокого обучения. Веса затворов подтвердили высокую значимость функциональных данных и признаков асимметрии для точной диагностики. Предложенный подход предлагает перспективный и интерпретируемый инструмент для помощи в диагностике болезни Паркинсона на основе мультимодальных медицинских изображений.

Представлена обновленная версия платформы BiomiX 3.0, предназначенная для упрощения интеграции мультиомиксных данных неопытными пользователями. В новую версию включены четыре метода интеграции: Similarity Network Fusion (SNF), NEighborhood-based Multi-Omics clustering (NEMO), DIABLO и новый метод PRAMIGO, основанный на гетерогенных графовых трансформерах (HGT). Исследователи провели бенчмаркинг всех пяти методов (включая MOFA) на двух независимых наборах данных: когорта хронического лимфоцитарного лейкоза (CLL) и коорта туберкулеза легких (PTB). Результаты показали, что контролируемые методы (DIABLO, PRAMIGO) обеспечивают лучшую дискриминацию состояний, тогда как неконтролируемые (SNF, NEMO) выявляют альтернативные стратификации пациентов. Анализ выявил 154 общих биологических признака (116 генов, 38 метаболитов) и множество уникальных для каждого метода сигналов, что доказывает необходимость использования нескольких стратегий интеграции. PRAMIGO продемонстрировал уникальную способность моделировать кросс-модальные молекулярные взаимодействия, выявляя специфические пути, такие как регуляция ncRNA и разнообразие иммуноглобулинового репертуара. Платформа решает проблему сложности выбора методов и интерпретации результатов в мультиомиксных исследованиях.

Компания Radformation получила разрешение Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) по процедуре 510(k) (номер K261718) на расширение применения своего программного обеспечения EZFluence. Теперь в него включен модуль OptiPlan, предназначенный для автоматизированного планирования лучевой терапии с модуляцией интенсивности (VMAT). Это решение позволяет генерировать высококачественные планы лечения, опираясь на анатомию пациента и клинические приоритеты, заданные через шаблоны ClearCheck, без необходимости предварительного обучения моделей или длительной комиссионной настройки. Система автоматизирует рутинные этапы оптимизации, сохраняя за клиницистами полный контроль над принятием решений и возможность сравнения нескольких вариантов планов для достижения баланса между покрытием мишени и защитой органов риска. Получение одобрения FDA делает технологию доступной для клинического использования в США, расширяя её присутствие после успешного внедрения в Европе и Канаде. Продукт разработан для повышения эффективности работы планировщиков лучевой терапии, позволяя им уделять больше времени сложным клиническим задачам, требующим экспертной оценки.

В статье рассматривается инвестиционная деятельность фонда Arben Ventures, основанного Ариэль Ганц, которая после личного опыта диагностики рака сделала ставку на прецизионное здравоохранение и долголетие. Фонд профинансировал 83 стартапа на ранней стадии, среди которых есть компании, разрабатывающие ИИ-решения для медицины. Ключевым примером является Allia Health — платформа электронных медицинских карт (EHR), построенная на принципах AI-native, которая используется около 8000 врачей и способна автоматически выявлять пропущенные диагнозы, такие как ранний психоз или заболевания щитовидной железы, путем анализа клинических заметок. Также упоминается компания Malcova, создающая систему визуализации для раннего выявления рака молочной железы, которая может заменить маммографию для женщин с плотной тканью груди, что подразумевает использование сложных алгоритмов обработки изображений. Портфель фонда привлек более 200 млн долларов последующих инвестиций, а четыре компании получили одобрение FDA. Статья фокусируется на бизнес-аспектах и диверсификации портфеля, где ИИ является одним из важных технологических компонентов, но не единственным предметом обсуждения.

В статье представлен SpiderNet — интерпретируемая вычислительная методология на основе обучения с представлением (representation learning), предназначенная для выявления направленных программ клеточной коммуникации из данных пространственной транскриптомики. Метод объединяет анализ регуляторов отправителя, пар лиганд-рецептор и мишеней получателя, формируя компактный базис мета-взаимодействий (MIs) и определяя зоны их активности в соседних клеточных парах. Исследование валидировано на симуляциях и реальных наборах данных, охватывающих более 5,8 миллиона пространственно профилированных клеток, показав превосходство над альтернативными методами в согласовании с кураторскими регуляторными программами. Ключевые результаты включают обнаружение ретрансляции SPP1-THBS между моноцитами, фибробластами и опухолевыми клетками в нише иммунного подавления при раке яичников, а также предсказание ответов Т-клеток на возмущения в меланоме. Дополнительно выявлена программа старения мозга, ассоциированная с Т-клетками, и консервативная программа взаимодействия фибробластов и опухолей, связанная с коллагеном, избыток которой коррелирует с худшим выживанием и неэффективностью иммунотерапии в когортах пациентов с различными типами рака. SpiderNet устанавливает мета-взаимодействия как переиспользуемый организационный уровень, связывающий молекулярные взаимодействия с фенотипами тканей, что открывает новые возможности для сравнения, отслеживания и модуляции мультиклеточной регуляции in situ.

В исследовании представлена методология классификации колоректального рака (КРР) с использованием глубокого обучения на базе архитектуры VGG16 для морфологического анализа 63 образцов органоидов от 22 пациентов. Метод позволяет с точностью 98,5% (64 из 65 образцов) разделять опухоли на два фенотипа: компактный железистый тип, ассоциированный с доминированием промотора P1 гена MDM2, и кистозный муцинозный тип, связанный с промотором P2. Полученные результаты были валидированы на внешних наборах данных TCGA-COAD/READ и GSE39582, охватывающих 1160 случаев, что подтвердило связь использования промоторов с консенсусными молекулярными подтипами (CMS) и статусом микросателлитной нестабильности (MSI). Исследование также выявило, что опухоли с диким типом гена TP53 демонстрируют более высокий индекс P2, так как этот промотор индуцируется p53, и являются более чувствительными к ингибитору MDM3 Nutlin-3a по сравнению с мутантными линиями. Анализ зависимости от генов в скрининге DepMap CRISPR и корреляция с 198 препаратами из GDSC2 показали, что чувствительность к Nutlin-3a наиболее сильно коррелирует с высоким баллом P2. Авторы заключают, что соотношение промоторов MDM2 P1/P2, измеряемое методами ПЦР в реальном времени или таргетного НGS, может служить надежным биомаркером для стратификации терапии и классификации подтипов рака, напрямую зависящим от статуса TP53 и MSI.

В статье представлен новый вычислительный конвейер, использующий топологический анализ данных (TDA) для интеграции мультиомных данных и оценки значимости генов в развитии заболеваний. Авторы применяют метод гармонической персистентной гомологии (HPH), который позволяет учитывать сложные графовые взаимодействия в биологических системах, обеспечивая при этом интерпретируемость результатов и устойчивость к шуму в данных. Для снижения вычислительной нагрузки и объединения различных омик-слоев (метилирование и экспрессия генов) используется инструмент iNETgrate, что расширяет применимость HPH с уровня отдельных пациентов на молекулярные данные. Валидация метода проведена на известном наборе данных TCGA по раку молочной железы, где результаты конвейера сравнивались с установленными биомаркерами. Разработанный подход демонстрирует высокую эффективность в ранжировании генов по их релевантности заболеванию, предлагая надежный инструмент для биоинформатического анализа. Методология подчеркивает важность устойчивости к возмущениям входных данных, что критично для работы с зашумленными омик-данными. Полученные результаты открывают новые возможности для персонализированной медицины и поиска новых терапевтических мишеней.

В статье представлен новый вычислительный фреймворк HR-FRGS (Hypergraph Regularised Fuzzy Rough Gene Selection), предназначенный для обнаружения биомаркеров из высокоразмерных данных РНК-секвенирования (NGS). Авторы решают проблему ложноположительных взаимодействий и шума, характерных для традиционных методов, таких как анализ дифференциальной экспрессии и анализ взвешенных ко-экспрессионных сетей (WGCNA). Методология включает интеграцию кластеризации белков, энтропийной фильтрации и отсеченных взаимодействий PPI для формирования двухслойного гиперграфа. Для оценки важности генов применяется комбинированный подход, сочетающий алгоритм Random Walk with Restart и центральность гиперграфового посредничества (Hypergraph Betweenness Centrality). Ключевой особенностью является использование автономных нечетких грубых множеств для отбора генов, что устраняет зависимость от произвольных пороговых значений. Исследование было применено к четырем когортам рака из базы TCGA: аденокарцинома легкого, рак головы и шеи, почечно-клеточный рак и рак толстой кишки. Алгоритм позволил сократить более 60 000 транскриптов до компактных панелей биомаркеров. Валидация с помощью классических алгоритмов машинного обучения показала, что предложенные панели превосходят или сопоставимы с полной транскриптомой по качеству классификации (AUC > 0.99, MCC > 0.94) и демонстрируют хорошую обобщающую способность (MCC ≥ 0.893). Функциональный анализ обогащения подтвердил биологическую релевантность выявленных генов, отразив как общие для рака механизмы, так и специфичные для конкретных когорт онкогенные пути.

В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, оценивается эффективность применения больших языковых моделей (LLM) в качестве инструмента поддержки предоперационного общения с пациентами, страдающими раком предстательной железы. Это проспективное рандомизированное клиническое исследование фазы II направлено на решение двух ключевых проблем: высокого уровня предоперационной тревожности у пациентов и высокой рабочей нагрузки на медицинский персонал. Исследователи использовали LLM для генерации персонализированных, понятных и эмпатичных ответов на вопросы пациентов, а также для структурирования медицинской информации перед хирургическим вмешательством. Ключевые результаты показали статистически значимое снижение уровня тревожности у пациентов в группе с использованием ИИ по сравнению с контрольной группой, получавшей стандартную помощь. Одновременно было зафиксировано существенное сокращение времени, затрачиваемого врачами на коммуникацию с пациентами, что свидетельствует об эффективном снижении административной и клинической нагрузки. Значимость работы заключается в демонстрации того, что ИИ-ассистенты могут не только улучшать психологический комфорт пациентов, но и оптимизировать рабочие процессы в онкологии. Результаты открывают перспективы для внедрения LLM в клиническую практику для повышения качества предоперационной подготовки и эффективности использования ресурсов здравоохранения.

В статье представлен обзор применения методов глубокого обучения (EfficientNetB0, Cervical Net) и ансамблевых подходов для улучшения точности и масштабируемости скрининга рака шейки матки. Особое внимание уделено решению проблем дисбаланса классов через адаптивный SMOTE Tomek и обеспечению конфиденциальности данных с помощью федеративного обучения.

В исследовании разработана система глубокого обучения для автоматической сегментации и количественной оценки фиброза и неопластических изменений на гистологических срезах печени крыс. Модель успешно выявила снижение нагрузки патологических изменений в группе, получавшей водород, что демонстрирует потенциал ИИ для объективного анализа экспериментальной патологии печени.