онкология

В этом систематическом обзоре, опубликованном в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), авторы проводят критическую методологическую оценку исследований, использующих искусственный интеллект (ИИ), машинное обучение (МО) и традиционные статистические методы для прогнозирования исходов при трех видах рака: молочной железы, колоректальном раке и раке поджелудочной железы. Цель работы — выйти за рамки простого сравнения прогностической эффективности и оценить качество методологии, включая обработку дисбаланса классов, выбор метрик, валидацию моделей и соблюдение стандартов отчетности (например, TRIPOD). Авторы проанализировали значительное число публикаций, выявив распространенные недостатки, такие как недостаточная внешняя валидация, переобучение моделей и игнорирование клинической полезности. Обзор подчеркивает необходимость стандартизации методологических подходов и повышения воспроизводимости исследований в области ИИ в онкологии. Результаты показывают, что, несмотря на высокие показатели точности, многие модели не готовы к клиническому применению из-за методологических ограничений. Работа предлагает практические рекомендации для исследователей и рецензентов, направленные на улучшение качества будущих исследований и ускорение внедрения ИИ в клиническую практику.

В статье, опубликованной в npj Artificial Intelligence 2 сентября 2026 года, представлен метод UPMA (unspecified pretraining and modular adaptation) — подход к автоматическому оконтуриванию (сегментации) клинических целевых объемов (CTV) при адаптивной лучевой терапии рака пищевода. Метод сочетает неспецифицированное предобучение на больших наборах медицинских изображений с модульной адаптацией, что позволяет учитывать контекст анатомических изменений между фракциями облучения. Авторы решают ключевую проблему адаптивной радиотерапии: необходимость пересчета дозовых карт при изменении формы опухоли и окружающих тканей в процессе лечения. UPMA использует архитектуру на основе трансформеров с модулями адаптации, которые настраиваются на конкретного пациента с минимальным количеством размеченных данных. В экспериментах на клинических данных метод показал средний коэффициент Dice 0.87 для CTV, что на 6-8% выше по сравнению с базовыми моделями (U-Net и nnU-Net), а также снижение времени обработки одного случая до 12 секунд. Особое внимание уделено контекстной адаптации: модель учитывает предыдущие фракции облучения и текущие анатомические изменения, что повышает точность сегментации на 12% при значительных деформациях тканей. Разработка имеет прямое практическое значение для клиник, внедряющих адаптивную лучевую терапию, поскольку позволяет сократить ручную работу онкологов-радиологов и повысить точность лечения. Авторы отмечают, что метод может быть распространен на другие локализации опухолей и другие задачи медицинской сегментации.

В статье оценивается диагностическая точность пяти архитектур сверточных нейронных сетей (EfficientNetB7, MobileNet, ResNet50, ResNet152, InceptionNetV3) для автоматизированной классификации аномалий клеток шейки матки по изображениям мазков Папаниколау. EfficientNetB7 показал наилучшие результаты (F1 = 0.9324, точность = 0.9775), что подтверждает потенциал ИИ для скрининга рака шейки матки в условиях ограниченных ресурсов.

В исследовании разработана модифицированная модель на основе ResNet50 (ResNet50-SCPA-Net) для автоматической классификации стадий цирроза печени по МРТ-изображениям. Модель объединяет SE-канальное и CBAM-пространственное внимание в параллельной структуре с обучаемым параметром слияния. Достигнута точность 80.82%, сбалансированная точность 81.93%, F1-мера 82.55% и AUC 93.05%, что подтверждает эффективность подхода.

В статье представлен метод прогнозирования выживаемости при немелкоклеточном раке легкого (НМРЛ) с использованием мультимодального подхода, объединяющего КТ-изображения, радиомику, клинические данные и шесть симуляционных прокси-признаков, моделирующих взаимодействие гетерогенности и морфологии опухоли. Модель на основе трансформерного маскированного автоэнкодера (TMAE) достигла C-index 0.641 на публичной когорте Lung1, что превосходит предыдущие мультимодальные результаты и демонстрирует потенциал симуляционных признаков для улучшения стратификации риска.

Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.

В статье сравниваются два полууправляемых подхода к классификации опухолевых патчей на гистологических изображениях рака молочной железы: базовый, использующий контролируемую модель для генерации псевдометок, и улучшенный, применяющий состязательное контрастивное обучение (AdCo) на 347 884 неразмеченных патчах. AdCo заменяет фиксированную очередь памяти на обучаемый банк состязательных негативов, что повышает качество представлений. Методы оцениваются на 18 комбинациях архитектур и четырех наборах данных, показывая преимущества состязательного самоконтролируемого предобучения.

Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.

В исследовании на основе клинического испытания COMPASS созданы молекулярные цифровые двойники пациентов с помощью байесовской фундаментальной модели рака FarrSight®. Индивидуальные прогнозы ответа на mFOLFIRINOX показали значительно лучшие показатели AUC, точности, PPV и NPV по сравнению с классификацией Moffitt, что указывает на потенциал для улучшения отбора пациентов на терапию.

В статье представлен AnnFlux — новый метод на основе нейронных стохастических дифференциальных уравнений (SDE), который моделирует динамику клеточных популяций в ответ на генетические и химические вмешательства (возмущения). В отличие от большинства существующих моделей, которые учат статическое отображение между возмущением и конечным состоянием клеток, AnnFlux обучает дрейфовое поле в латентном пространстве клеточных состояний, учитывая временную эволюцию и комбинаторные эффекты возмущений. Ключевая особенность — объектно-обусловленное conditioning: модель позволяет запрашивать дрейф для каждого отдельного возмущающего объекта (гена или лекарства), что делает дрейфы сопоставимыми между разными генами и препаратами. Метод продемонстрировал способность интерполировать пропущенный временной шаг в тайм-курсе эпителиально-мезенхимального перехода и предсказывать ответы на невиданные ранее возмущения. Кроме того, AnnFlux улучшает точность распределения (distributional fidelity) и предсказывает ответы на комбинации возмущений, которые не встречались в обучающих данных. В независимом пан-раковом пространственном атласе предсказанный AnnFlux IFN-сигнатурный ответ был ассоциирован с близостью к TLS (третичным лимфоидным структурам), что подтверждает биологическую значимость предсказаний. Предложенная структура позволяет отображать эволюцию клеточных состояний как непрерывные траектории и представлять невиданные возмущения с помощью эмбеддингов на основе предварительных знаний. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области персонализированной медицины и понимания механизмов действия лекарств.

Исследование, опубликованное в виде научного препринта, посвящено истинной полицитемии (PV) — редкому хроническому миелопролиферативному заболеванию, вызванному мутацией JAK2V617F и характеризующемуся неконтролируемой пролиферацией эритроидных клеток. Хотя мутация возникает в гемопоэтических стволовых клетках, стадия дифференцировки, на которой её транскрипционные последствия впервые становятся биологически значимыми, оставалась неопределённой. Авторы применили многоуровневый транскриптомный подход, объединивший дифференциальную экспрессию генов, анализ лиганд-рецепторных взаимодействий NicheNet, траекторный анализ псевдовремени и профилирование CNV на данных scRNA-seq с последующей валидацией на объемных транскриптомах. В результате базофильные эритробласты идентифицированы как критическая точка перехода, где JAK2V617F переключается из состояния «геномно присутствующей, но транскрипционно молчащей» мутации в активный драйвер заболевания, изменяющий траекторию дифференцировки и отвечающий на терапию. Дифференциальная экспрессия выявила качественно отличный сигнатурный профиль на этой стадии, включая ERFE-опосредованную дисрегуляцию железа, коактивацию RAS/MAPK через MAP2K2 и эпигенетическое перепрограммирование. NicheNet показал формирование оси ремоделирования ниши, управляемой суперсемейством TGF-β и хемокинами, а псевдовременной анализ продемонстрировал, что базофильные эритробласты — первая эритроидная популяция с дивергенцией траекторий, зависящей от состояния, тогда как более ранние предшественники не проявляли её, несмотря на носительство мутации. Лечение интерфероном давало наиболее широкий контр-ответ именно на этой стадии, резко снижаясь впоследствии, что определяет базофильные эритробласты как главную терапевтическую мишень и точку максимальной уязвимости при PV. Работа имеет прямое значение для понимания патогенеза и оптимизации таргетной терапии миелопролиферативных заболеваний.

В статье представлен spatialMET — открытый программный фреймворк для сквозного анализа данных визуализации масс-спектрометрии (MSI), позволяющий получать пространственно разрешенные метаболомные данные из срезов тканей. Платформа объединяет предобработку, обнаружение пространственных доменов и визуализацию в едином интерфейсе, устраняя необходимость комбинировать несколько разрозненных инструментов или использовать проприетарное ПО вендоров. Ключевой особенностью является алгоритм hcdist — реализация иерархической кластеризации на C, которая значительно снижает время выполнения и потребление памяти по сравнению с существующими R-решениями. Фреймворк работает как через интерактивное R Shiny-приложение, так и через командную строку для высокопроизводительных вычислительных сред. На данных MALDI-MSI мелкоклеточного рака легкого мыши (284 673 пикселя) spatialMET идентифицировал опухолевые, стромальные и прилегающие легочные домены, совпадающие с гистологией. Дифференциальный анализ выявил 117 m/z-признаков, различающихся между опухолевыми и стромальными областями, а анализ пространственной автокорреляции показал структурированные паттерны распределения метаболитов. Масштабируемость подтверждена на данных аденокарциномы легкого мыши (338 477 пикселей), где платформа захватила пространственную гетерогенность опухоли и окружающей ткани. spatialMET распространяется в виде Docker-контейнера для воспроизводимого развертывания, исходный код доступен на GitHub.

Детская глиома низкой степени злокачественности (pLGG) — наиболее распространенный тип опухоли мозга у детей, составляющий около 30% всех опухолей центральной нервной системы у детей. pLGG имеет множество молекулярных подтипов, различающихся по прогрессированию заболевания, характеру рецидивов и ответу на лечение. Традиционные лабораторные методы молекулярного профилирования и гистопатологии трудоемки, дороги и медленны. Существующие методы ИИ/МО для молекулярной классификации pLGG обычно выделяют лишь два-три подтипа. Авторы разработали интегрированный подход мета-кластеризации Meta-pLGG, который позволяет выявлять высокоразрешающие молекулярные подтипы и их транскрипционную гетерогенность. Метод включает многократную случайную проекцию (RP) для снижения размерности транскриптомных данных, кластеризацию с помощью шести алгоритмов (иерархическая, K-means, SOM, NMF, GMM, спектральная) и взвешенную мета-кластеризацию (wMetaC) для объединения результатов. На данных 532 пациентов с pLGG подход показал превосходную стабильность и дискриминационную способность по сравнению с традиционными методами. Анализ консенсусной матрицы выявил два основных мега-подтипа, один из которых делится на три подгруппы, другой — на две. Дифференциальный анализ экспрессии генов, молекулярных путей и связей ген-лекарство-болезнь показал значительную транскрипционную гетерогенность между пятью подгруппами. Результаты демонстрируют более высокую производительность и надежность мета-кластеризации для выявления подтипов pLGG, что может способствовать более точной молекулярной классификации и персонализированной терапии.

Пространственные омиксные технологии позволяют изучать молекулярную экспрессию и пространственную организацию тканей на уровне отдельных клеток, однако профилирование целых слайдов остаётся дорогостоящим. На практике обычно анализируются лишь несколько областей интереса (ROI), а остальная ткань остаётся неизученной. Ранее предложенный фреймворк S2-omics объединял выбор ROI с предсказанием вне ROI, но работал на суперпикселях, а не на отдельных клетках, и предсказывал дискретные типы клеток вместо непрерывных молекулярных профилей. В новой работе представлен RECON — двухэтапный фреймворк, который выполняет выбор ROI и реконструкцию молекулярных профилей всего слайда с разрешением отдельных клеток, предсказывая как непрерывные молекулярные профили, так и дискретные типы клеток. На первом этапе RECON извлекает морфологические и микросредовые признаки из отдельных клеток для идентификации репрезентативной ROI для пространственного молекулярного профилирования. На втором этапе RECON обучает модели глубокого обучения на молекулярных измерениях, полученных в выбранной ROI, и реконструирует транскриптомные или протеомные профили для всех остальных клеток на слайде. В сравнении с аннотациями патологов выбор ROI в RECON превосходит подходы на основе суперпикселей S2-omics (IoU: 0.75 против 0.64). Для транскриптомики переход от суперпикселей к отдельным клеткам улучшает корреляцию Пирсона по генам на 22%. Для протеомики RECON превосходит современный метод ROSIE по всем 16 маркерам, достигая медианной корреляции Пирсона на клетку 0.91 против 0.84. Кроме того, RECON delineates границы опухолей и области с различной плотностью иммунных клеток, а также выявляет кандидатные третичные лимфоидные структуры. Эти результаты демонстрируют, что RECON обеспечивает информативный выбор ROI и реконструкцию молекулярных профилей всего слайда с разрешением отдельных клеток как для пространственной транскриптомики, так и для пространственной протеомики.

QuickSeg — это новый алгоритм для сегментации числа копий ДНК в данных секвенирования, основанный на точном динамическом программировании и медианной функции ошибки. Он решает проблему баланса между вычислительной эффективностью и точностью, а также устойчивости к техническим артефактам. Авторы обнаружили, что распределение глубины секвенирования содержит небольшое, но pervasive количество выбросов, что делает медианный подход более робастным к шуму и снижает вычислительную сложность. На данных полногеномного секвенирования раковых когорт QuickSeg показал улучшенную точность сегментации по сравнению с методами CBS и PCF при различных порогах чувствительности, а также превзошел их по скорости и использованию памяти. Это позволяет анализировать большие когорты с минимальными вычислительными ресурсами, что важно для клинических и исследовательских применений в онкологии. Алгоритм представляет собой значительный шаг вперед в области биоинформатики и геномной диагностики рака.

В статье представлен FACTMx — вариационный фреймворк для совместного моделирования структурированных и простых видов данных с целью обучения интерпретируемых представлений пациентов. Метод решает проблему интеграции мультимодальных данных (например, секвенирование РНК отдельных клеток, пространственная транскриптомика, протеомика, гистология), где каждый пациент имеет множество поднаблюдений — отдельных клеток, пространственных точек или патчей. В отличие от существующих подходов, которые полагаются на отдельно предвычисленные сводки и теряют информацию из структурированных представлений, FACTMx связывает латентные факторы пациентов с кластеризацией поднаблюдений и пропорциями компонентов для каждого пациента, что обеспечивает прямую интерпретацию и последующий анализ ассоциаций. Фреймворк поддерживает различные предположения о смесях для структурированных представлений, включая тематические и гауссовы структуры, сохраняя модульные параметризации кодера-декодера. В симуляциях, охватывающих разреженные и плотные зависимости и несколько режимов шума, FACTMx улучшил реконструкцию, интеграцию и восстановление структурированных компонентов по сравнению с предыдущими методами. При применении к когортам немелкоклеточного рака легкого FACTMx выявил связанные с выживаемостью латентные сигналы, связанные с иммунным микроокружением, путями экспрессии генов и пространственно когерентными гистологическими паттернами. В продольной когорте коронарного синдрома FACTMx выделил ось, связанную с исходами, сопряженную с изменением фракции выброса, состояниями иммунных клеток, растворимыми медиаторами и маркерами повреждения сердца. Результаты подтверждают ценность совместного структурированно-простого моделирования для интерпретируемой мультимодальной стратификации пациентов.

В статье представлен интерактивный транскрипционный ландшафт рака молочной железы, построенный на основе интеграции данных РНК-секвенирования 2284 образцов пациентов из 13 исследований. Авторы использовали гармонизированный конвейер обработки, коррекцию батч-эффектов, консенсусную кластеризацию и метод снижения размерности PaCMAP для визуализации гетерогенности заболевания в единой системе координат. Консенсусная кластеризация выявила пять основных регионов, аннотированных с помощью PAM50-подобных оценок: Luminal A, Luminal B, HER2-обогащенный и два базальных кластера. Базальные кластеры разделились на иммунно-богатую область с T-клеточным воспалением, опухоль-ассоциированными макрофагами (TAM) и низкой чистотой опухоли, а также на область, управляемую клеточным циклом, с пролиферацией и репликацией ДНК. Наложение маркерных генов, сигнатур путей, киназ, нейрональных сигнальных программ, состояний рак-ассоциированных фибробластов (CAF) и программ TAM выявило пространственно организованную биологию подтипов и гетерогенность микросреды. Проекция сигнатур устойчивости к терапии показала регионы, связанные с прогнозируемой резистентностью к HER2-направленной и гормональной терапии. Этот ресурс предоставляет сообществу основу для поиска биомаркеров и интерактивного изучения транскрипционных состояний, что может ускорить разработку персонализированных подходов к лечению рака молочной железы.

HiC-LEGO — это новая вычислительная платформа для реконструкции трёхмерной структуры хромосом из Hi-C карт контактов. Она решает ключевую проблему: иерархическую организацию генома, которая требует согласования локальной структуры с ограничениями на уровне всей хромосомы. Метод объединяет ансамблевое выделение доменов хроматина с графовым структурным обучением и поэтапной сборкой хромосом, что снижает зависимость от конкретных определений доменов и сохраняет локальную организацию при сборке масштаба хромосомы. На пяти линиях человеческих клеток с разрешением 5 кб HiC-LEGO показал более высокую согласованность реконструкции по сравнению с современными методами, лучше сохраняя доменную организацию. При разрешении 1 кб метод реконструировал полную хромосому 8 линии GM12878 и восстановил тесную пространственную близость между эпигеномно подтверждённым дистальным энхансером MYC и его промотором. Реконструкции из данных Micro-C с разрешением 5 кб показали, что 249 экспериментально определённых взаимодействий микрокомпартментов RCMC в локусе Ppm1g занимают компактные 3D-конфигурации. В наборе данных рака молочной железы HiC-LEGO воспроизвёл стабильную организацию TAD в здоровой ткани, первичных опухолях и метастазах в печень, выявив при этом большую межпациентную структурную гетерогенность в образцах злокачественного плеврального выпота. Валидация с помощью Pore-C показала, что экспериментально наблюдаемые многоточечные контакты протяжённостью 1–5 Мб обогащены в компактных реконструированных конфигурациях на всех 23 хромосомах. Таким образом, HiC-LEGO сохраняет регуляторные взаимодействия, ассоциированную с заболеваниями организацию хроматина и пространственные отношения высшего порядка, выходящие за рамки простого соответствия парных контактов.

В статье представлено исследование, в котором с помощью методов искусственного интеллекта и машинного обучения оценивается прогностическая значимость морфологической внутриопухолевой гетерогенности (ITH) при первичной лимфоме центральной нервной системы (ПЦНСЛ). Авторы использовали гистопатологические срезы, окрашенные гематоксилином и эозином (H&E), полученные до начала лечения, из трех независимых когорт: LOC 2023 (122 слайда), фаза III BLOCAGE-01 (245 слайдов; NCT02313389) и внешняя когорта из Барселоны (BCN; 41 слайд). Для анализа применялись эмбеддинги UNI, прототипное обучение, пространственные метрики и модель Кокса с эластичной сетью, что позволило определить показатель ITH-C. Модели достигли скорректированной по бутстрэпу конкордантности 0.797–0.834. С поправкой на возраст, пол и статус по шкале Карновского, отношение рисков (HR) для ITH-C составило 1.29 (95% ДИ 1.01–1.64) в когорте LOC, 1.27 (1.07–1.51) в BLOCAGE-01 и 2.13 (1.35–3.37) в BCN. Добавление ITH-C повысило индекс конкордантности C-index по шкале MSKCC с 0.671 до 0.717, с 0.560 до 0.593 и с 0.588 до 0.706 соответственно. Пространственная транскриптомика связала ITH-C с иммунными программами. Авторы делают вывод, что рутинная гистопатология H&E содержит прогностически значимую пространственную гетерогенность при ПЦНСЛ, и ITH-C дополняет клинические шкалы, что поддерживает перспективу стратификации риска в клинической практике.