онкология

Исследователи представили ClumPyCells — новый статистический фреймворк для анализа пространственной организации клеток в тканях с коррекцией на морфологические различия. Ключевая проблема, которую решает инструмент: различия в размерах клеток вводят значительные смещения при количественной оценке агрегации клеток или их молекулярных признаков, что может приводить к ошибочным интерпретациям данных пространственной транскриптомики и протеомики. Методология включает алгоритмы, позволяющие измерять агрегацию клеток и маркеров в ткани, одновременно корректируя влияние размера морфологии и исключая мешающие типы клеток или не связанные с исследованием области ткани. Валидация проводилась на нескольких типах опухолей, включая меланому и колоректальный рак, демонстрируя способность инструмента выявлять новые паттерны и структуры ткани без морфологических помех. Это имеет практическое значение для онкологических исследований, где точное понимание пространственной организации клеток критично для понимания развития опухоли, гомеостаза и патогенеза заболеваний. Инструмент позволяет исследователям интерпретировать пространственную агрегацию, обходя помехи от интерферирующих типов клеток.

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.

Компании Eli Lilly и Insilico Medicine углубляют партнёрство в области разработки лекарств с помощью ИИ, заключив соглашение стоимостью до $2.75 млрд. Платформа Insilico позволит идентифицировать многоцелевые мишени для терапии различных заболеваний, что ускорит открытие новых молекул.

Статья описывает применение ИИ-моделей в Geisinger Health System (2019-2022) для анализа факторов риска колоректального рака и выявления пациентов, нуждающихся в скрининге. ИИ-система оценивала риск на основе биомаркеров крови, возраста и пола, а медсёстры проводили целевой контакт с пациентами, что привело к увеличению количества колоноскопий на 214% и снижению смертности на 43%.

Исследование представляет scMagnifier — фреймворк консенсус-кластеризации для анализа данных одноядерного секвенирования РНК (scRNA-seq), который решает проблему выявления тонких подтипов клеток, чьи транскрипционные различия часто маскируются техническим шумом и разреженностью данных. Методология включает генерацию in silico возмущений кандидатных транскрипционных факторов (TF), распространение эффектов возмущений через кластер-специфичные сети регуляции генов (GRN) для симуляции профилей экспрессии после возмущения, и интеграцию результатов кластеризации across множественных возмущений в стабильные назначения подтипов. Дополнительно разработан rpcUMAP — визуализация, aware возмущений, обеспечивающая четкое разделение между подтипами клеток и помогающая выбрать оптимальное число кластеров. В бенчмарках как для single-batch, так и multi-batch данных scMagnifier последовательно улучшает разрешение и точность идентификации тонких типов клеток. При интеграции со методами пространственной кластеризации, такими как STAGATE, метод совместим с рабочими процессами пространственной транскриптомики и эффективно выявляет подтипы опухолевых клеток и их пространственную организацию в раке яичников. Это имеет значимость для персонализированной онкологии, позволяя точнее классифицировать опухолевые популяции для таргетной терапии.

Компания Tempus AI, лидер в области искусственного интеллекта и прецизионной медицины, объявила о стратегическом сотрудничестве с фармацевтической компанией Daiichi Sankyo (TSE: 4568). Партнёрство направлено на ускорение клинической разработки и дифференциации программы антитело-лекарственного конъюгата (ADC) в области онкологии. Ключевым элементом сотрудничества является использование ИИ-технологий для открытия биомаркеров, что позволяет более точно идентифицировать пациентов, которые могут получить максимальную пользу от терапии. ADC-программы представляют собой перспективное направление в лечении рака, где антитело доставляет цитотоксический препарат непосредственно к раковым клеткам, минимизируя повреждение здоровых тканей. Применение алгоритмов машинного обучения для анализа биомаркеров позволяет оптимизировать дизайн клинических испытаний и повысить вероятность их успеха. Это сотрудничество демонстрирует растущую интеграцию ИИ в процесс разработки онкологических препаратов, особенно в области таргетной терапии. Успех такого подхода может привести к более персонализированному лечению и улучшению клинических исходов для пациентов с различными типами рака.

Консорциум CAN.HEAL предлагает европейскую цифровую рамку для онкологических инструментов поддержки принятия решений (oncDST), направленную на интеграцию существующих инструментов через гармонизированную, интероперабельную архитектуру. Рамка включает интеграцию искусственного интеллекта для улучшения точной онкологии, непрерывного наблюдения за пациентами и создания обучающейся онкологической системы.

Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.

Leica Biosystems представила сканер для цифровой патологии с интегрированным ИИ-программным обеспечением для автоматического контроля качества. Система автоматически обнаруживает артефакты на слайдах и ускоряет процесс QC на 69%, что критично для онкологических исследований и диагностики.

Исследование сравнивает алгоритм QuPath для автоматической оценки индекса пролиферации Ki-67 в нейроэндокринных опухолях с ручной оценкой патологов. Алгоритм показал умеренное согласие с патологами (Kappa = 0.32) и чаще присваивал более высокие степени опухоли (42% случаев), подчеркивая необходимость стандартизации критериев.

Статья о внедрении роботизированной бронхоскопии второго поколения в общинных больницах для диагностики рака легких. Интеграция роботизированных платформ с продвинутой визуализацией (флуороскопия, C-arm томография) обеспечивает непрерывную навигацию, упрощает рабочие процессы и улучшает диагностическую точность периферических легочных образований без увеличения затрат.

Исследователи разработали вычислительную методику для реконструкции сигнальных сетей EGFR (рецептор эпидермального фактора роста) с использованием алгоритмов обхода графов — поиска в ширину (BFS) и поиска с лучом (Beam Search). Метод преобразует количественные данные фосфопротеомики в бинарные состояния активации белков во времени, затем применяет алгоритмы к базе данных белковых взаимодействий STRING для восстановления путей передачи сигналов. Исследование проведено на трёх условиях: клетки HeLa, клетки тройного негативного рака молочной железы MDA-MB-468 и те же клетки после обработки ингибитором SHP099. Получено 260 путей в HeLa (117 уникальных топологий), 293 пути в MDA-MB-468 (155 уникальных) и 292 пути при ингибировании SHP2 (85 уникальных). Клетки HeLa показали архитектуру с доминированием SRC и эффекторов ERBB2/SHC1, тогда как MDA-MB-468 демонстрировали двойную ось PIK3CA/PTPN11. Ингибирование SHP2 устранило PTPN11-опосредованные пути и вызвало доминирование PIK3CA (69,2% первого шага) с компенсаторным вовлечением ERBB3. Методология позволяет систематически преобразовывать фосфопротеомные данные в механистические гипотезы для моделирования лекарственной устойчивости в онкологии.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.

Данная статья представляет систематический обзор современных методов машинного и глубокого обучения, применяемых для диагностики острого лимфобластного лейкоза (ALL) — наиболее распространённого вида рака у детей. Авторы проанализировали исследования, использующие различные алгоритмы ИИ для анализа медицинских изображений, лабораторных данных и геномной информации с целью выявления заболевания на ранних стадиях. Обзор охватывает применение сверточных нейронных сетей для анализа микроскопических изображений клеток крови, методов обработки естественного языка для извлечения информации из электронных медицинских карт, а также ансамблевых алгоритмов для прогнозирования риска развития лейкоза. Ключевые результаты показывают, что ИИ-модели демонстрируют точность диагностики от 85% до 97% в зависимости от типа входных данных и архитектуры алгоритма. Исследование подчёркивает важность валидации моделей на разнообразных популяциях пациентов и стандартизации протоколов сбора данных. Работа имеет значимость для клинической практики, так как автоматизированные системы диагностики могут сократить время постановки диагноза, снизить субъективность оценки и улучшить выживаемость пациентов за счёт раннего выявления заболевания.

Статья представляет собой обзор применения искусственного интеллекта и технологии цифровых двойников для персонализированной медицины при множественной миеломе. Рассматриваются возможности ИИ для точной стратификации риска, выбора терапии и создания предиктивных моделей на основе больших клинических данных. Описываются перспективы и ограничения цифровых двойников как виртуальных реплик пациентов для динамического мониторинга заболевания.

Исследование представляет автоматизированный пайплайн на основе глубокого обучения (UNet) и радиомикой для сегментации и классификации опухолей молочной железы по ультразвуковым снимкам. Система достигает точности классификации 97,8% и среднего IoU 0,94231, что демонстрирует потенциал для снижения участия человека в диагностическом процессе.

Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.

Исследование применяет методы трансферного обучения (VGG16, VGG19, ResNet) для классификации типов рака на основе данных RNA-Seq экспрессии генов. VGG16 показал наилучшие результаты с точностью 95%, что демонстрирует эффективность глубокого обучения для медицинской диагностики.

Предложена объяснимая многомодальная система глубокого обучения для диагностики рака, объединяющая радиологические изображения и клинические данные с использованием внимания. Модель показала превосходство над одно-модальными подходами на наборах данных CBIS-DDSM, Duke Breast Cancer MRI и TCGA, обеспечив баланс между чувствительностью и специфичностью без потери точности.