онкология

В исследовании представлен новый биоинформатический инструмент multiScaleAC, предназначенный для анализа пространственной транскриптомики и изучения взаимодействия клеток в опухолевом микроокружении. Авторы решают проблему предвзятости при выборе фиксированного радиуса взаимодействия, предлагая использовать расширенный индекс Морана с применением гауссова ядра и варьируемой шириной полосы пропускания (h). Методология позволяет анализировать взаимодействия на различных пространственных масштабах, используя функциональный анализ данных. В ходе симуляций метод продемонстрировал высокую статистическую мощность: показатель 1.00 при полосах пропускания более 5 для истинных взаимодействий. При тестировании на 8 образцах ткани толстой кишки (Visium) инструмент выявил профили лиганд-рецепторных взаимодействий с точностью 73.7%–87.2% по сравнению с методом spatialDM. Применение метода к данным по почечно-клеточной карциноме показало, что показатели функционального компонента 1 коррелируют с воздействием иммунотерапии: в стромальных тканях, подвергшихся лечению, наблюдался значительно более высокий уровень взаимодействий COL4A1-ITGAV. Это делает multiScaleAC важным инструментом для более точного понимания архитектуры тканей и ответа на терапию.

Компания Tempus, специализирующаяся на использовании данных и ИИ в медицине, объявила о стратегическом приобретении компании Personalis, эксперта в области геномики рака, за 1,5 миллиарда долларов. Данная сделка завершает трехлетнее партнерство между компаниями и направлена на значительное расширение возможностей Tempus в области онкологической диагностики. Интеграция технологий Personalis позволит Tempus глубже анализировать генетические данные пациентов, что критически важно для разработки персонализированных планов лечения. Основная цель сделки — объединение мощных аналитических платформ для ускорения выявления биомаркеров и улучшения точности прогнозов в онкологии. Это приобретение укрепляет позиции Tempus как лидера в области применения больших данных и машинного обучения для прецизионной медицины. Для клинической практики это означает потенциальное ускорение доступа к высокоточным генетическим тестам, основанным на глубоком анализе данных.

Компания Tempus объявила о стратегическом приобретении Personalis с целью интеграции передовых технологий мониторинга минимальной остаточной болезни (MRD) в свою мультимодальную ИИ-платформу для прецизионной онкологии. Сделка объединяет коммерческие масштабы и обширные наборы данных Tempus с высокоточными методами анализа Personalis, что позволит значительно улучшить процесс мониторинга рецидивов рака у пациентов. Основная цель интеграции заключается в использовании искусственного интеллекта для глубокого анализа молекулярных данных, что ускорит получение инсайтов о течении заболевания и поможет персонализировать терапию. Это расширение охватывает весь цикл оказания онкологической помощи, обеспечивая доступ к передовым технологиям мониторинга на ранних стадиях. В результате Tempus планирует ускорить рост и углубить свои возможности в области точной диагностики и прогнозирования клинических исходов.

Разработан новый вычислительный фреймворк на основе машинного обучения и вложенного конформного прогнозирования для перехода к мультилейбл-классификации при малых выборках. Метод позволяет эффективно проводить подтипирование пациентов (на примере данных РНК-секвенирования рака молочной железы) с учетом неопределенности и гетерогенности образцов.

Представлен SMART (Somatic Mutation Annotation and Reporting Tool) — специализированный Docker-контейнеризированный конвейер для интерпретации соматических вариантов в онкологических панелях. Основная проблема, которую решает инструмент, заключается в непоследовательной приоритизации транскриптов и сложности интеграции доказательной базы OncoKB в воспроизводимые исследовательские процессы. Методология SMART включает объединение данных из VEP, CIViC, Cancer Hotspots, ClinVar, SpliceAI, REVEL, LOEUF и gnomAD с применением единой трехступенчатой системы приоритизации транскриптов (whitelist > MANE Select > VEP fallback). Инструмент интегрирует уровни доказательности OncoKB (терапевтические, резистентность, диагностические, прогностические и уровни FDA) непосредственно в VCF-рабочий процесс. Валидация системы показала полную согласованность (100% совпадение) по 804 проверкам на уровне полей при сравнении с эталонными API. SMART генерирует три типа выходных данных, адаптированных для вычислительных, биоинформатических и исследовательских задач, что значительно ускоряет процесс интерпретации геномных данных в онкологии.

В исследовании представлен LiFT — автоматизированный конвейер анализа изображений на базе Python, разработанный для точного количественного анализа кинетики двухцепочечных разрывов ДНК (DSB), вызванных радиацией. Традиционный ручной анализ данных микроскопии в реальном времени является трудоемким и подвержен субъективности оператора, что снижает воспроизводимость результатов в онкологических исследованиях. Алгоритм LiFT позволяет сегментировать и отслеживать ядра клеток без необходимости использования специальных красителей, а также корректировать межфреймовое движение с помощью регистрации изображений. Система автоматически обнаруживает и отслеживает фокусы белков репарации внутри ядер, что дает возможность напрямую измерять динамику отдельных событий восстановления ДНК. Эффективность метода была подтверждена на клеточных линиях PLC/PRF/5 и U2OS-SSTR2, продемонстрировав высокую масштабируемость и универсальность для различных конфигураций микроскопии. Разработчики выпустили LiFT как open-source пакет с графическим интерфейсом пользователя (GUI), что значительно упрощает внедрение инструмента в повседневную лабораторную практику.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования машинного обучения для интеграции мультиомных данных с целью прогнозирования эффективности терапии у пациенток с раком яичников. Авторы разработали модель слияния данных (multi-omics fusion), которая объединяет геномные, транскриптомные и протеомные профили для создания комплексного биомаркерного ландшафта. Применение алгоритмов машинного обучения позволило значительно повысить точность предсказания ответа на химиотерапию по сравнению с традиционными методами анализа одиночных типов данных. Результаты исследования демонстрируют, что такая интеграция данных способствует переходу к прецизионному общественному здравоохранению, позволяя персонализировать протоколы лечения на популяционном уровне. Данная работа имеет критическое значение для онкологии, так как предлагает инструмент для минимизации неэффективных терапевтических вмешательств и оптимизации выбора лекарственных препаратов на основе глубокого молекулярного профилирования.

Министерство науки и высшего образования РФ объявило о запуске масштабного конкурса с бюджетом 1,218 млрд рублей в рамках программы Союзного государства «Союз-Биомембраны». Целью инициативы является создание комплексной технологической платформы, которая позволит автоматизировать поиск новых молекулярных мишеней и ускорить разработку перспективных лекарственных препаратов. Проект охватывает широкий спектр терапевтических направлений, включая онкологию, сердечно-сосудистые, инфекционные, аутоиммунные и нейродегенеративные заболевания. Особое внимание будет уделено технологиям клеточной терапии, что открывает новые возможности для персонализированной медицины. Реализация программы рассчитана на длительный период — до ноября 2030 года. Несмотря на отсутствие прямого упоминания алгоритмов машинного обучения в тексте, создание подобных высокотехнологичных платформ для поиска мишеней неразрывно связано с применением методов биоинформатики и вычислительных методов обработки данных.

Специалисты НМИЦ онкологии им. Н.Н. Блохина разработали специализированную методологию подготовки и контроля качества медицинских данных, необходимую для обучения систем искусственного интеллекта. Данная методология направлена на повышение точности ИИ-диагностики новообразований печени, охватывая полный жизненный цикл подготовки датасетов. Процесс включает в себя строгие этапы отбора клинических исследований, их обязательного обезличивания и последующей экспертной верификации разметки медицинских изображений. Внедрение стандартизированного алгоритма позволяет минимизировать ошибки при обучении нейросетей, вызванные некачественными или некорректно размеченными данными. Результаты разработки, обеспечивающие создание надежных диагностических инструментов, были официально опубликованы в журнале «Вестник Росздравнадзора». Данная работа имеет критическое значение для масштабирования медицинского ИИ в онкологической практике России.

Исследование, опубликованное в npj Digital Medicine, представляет инновационный метод прогнозирования выживаемости для пациентов с немелкоклеточным раком легкого, разработанный группой Ruffini et al. Основная проблема современных ИИ-алгоритмов заключается в их зависимости от полноты мультимодальных данных (биопсия, КТ-снимки, клинические характеристики), что ограничивает их применение в реальной клинической практике, где данные часто отсутствуют. Авторы разработали подход, «учитывающий пропущенные данные» (missing data aware), который позволяет проводить стратификацию рисков даже при неполном наборе входных параметров. Методология позволяет алгоритму эффективно работать с мультимодальными данными, не требуя обязательного наличия всех модальностей для выдачи прогноза. Это значительно повышает клиническую полезность инструмента, позволяя врачам использовать ИИ-поддержку принятия решений в условиях типичной для медицины неопределенности и неполноты информации. Данная разработка критически важна для внедрения предиктивной аналитики в повседневную онкологическую практику.

В статье представлен инновационный метод ORBIT, предназначенный для высокоточного поиска драйверных генов, ответственных за развитие онкологических заболеваний. Исследователи Sang-Pil Cho и Young-Rae Cho разработали архитектуру, использующую контрастивное обучение би-прототипов в гиперболическом пространстве, что позволяет лучше моделировать сложные иерархические структуры биологических данных. В отличие от традиционных методов в евклидовом пространстве, гиперболическое представление обеспечивает более эффективное разделение онкогенных и нейтральных признаков. Методология позволяет значительно повысить точность идентификации ключевых генетических мутаций, что критически важно для персонализированной медицины. Результаты исследования демонстрируют превосходство ORBIT над существующими моделями машинного обучения в задачах биоинформатического анализа. Данная разработка открывает новые возможности для разработки таргетной терапии и улучшения стратегий ранней диагностики рака на молекулярном уровне.

Данная научная работа представляет собой систематический обзор охвата (scoping review), посвященный применению алгоритмов искусственного интеллекта и машинного обучения в области ранней диагностики рака полости рта. Исследование анализирует текущее состояние технологий, которые используются для автоматизированного скрининга новообразований, позволяя выявлять патологии на стадиях, когда хирургическое вмешательство наиболее эффективно. Авторы систематизируют различные подходы, включая использование сверточных нейронных сетей (CNN) для анализа изображений и методов компьютерного зрения. В обзоре рассматриваются методологии обучения моделей на наборах данных клинических фотографий и гистологических срезов, а также оценивается точность, чувствительность и специфичность существующих решений. Работа подчеркивает потенциал ИИ в снижении нагрузки на стоматологов и онкологов, обеспечивая более доступную и быструю первичную диагностику. Результаты исследования указывают на необходимость стандартизации наборов данных для улучшения обобщающей способности моделей в реальных клинических условиях.

Данная научная статья представляет собой комплексный обзор применения технологий TinyML (маломощного машинного обучения) в задачах раннего обнаружения колоректального рака. Авторы анализируют переход от ресурсоемких моделей глубокого обучения к оптимизированным алгоритмам, способным работать непосредственно на периферийных устройствах и встроенных сенсорах. В работе рассматриваются методологии сжатия моделей, квантования и дистилляции знаний, которые позволяют интегрировать ИИ в портативные диагностические инструменты. Исследование выделяет ключевые достижения в области повышения точности классификации новообразований при экстремально ограниченных вычислительных мощностях. Особое внимание уделяется текущим барьерам, таким как ограничения памяти, энергопотребления и необходимость обеспечения высокой надежности в клинических условиях. Результаты подчеркивают потенциал TinyML для создания автономных систем мониторинга, которые могут радикально изменить подходы к скринингу рака кишечника в условиях ограниченных ресурсов.

Обзор посвящен анализу ИИ-решений для цифровой гистопатологии, прошедших одобрение FDA и европейскую сертификацию. Авторы сравнивают рыночные продукты с исследовательскими моделями, выделяя лучшие практики разработки, вопросы регуляции и потенциал трансформерных архитектур в диагностике рака.

В статье анализируются методологические и технологические сложности проведения рандомизированных клинических исследований с использованием цифровых платформ на смартфонах пациентов. На примере исследования BD4QoL авторы предлагают рекомендации по преодолению проблем гетерогенности устройств, регуляторных барьеров и внедрению подходов BYOD (принеси свое устройство) для мониторинга качества жизни онкобольных.

Обзор анализирует стандарты документирования преаналитических факторов (подготовка образцов, сканирование, аннотация) в исследованиях ИИ для цитологии шейки матки. Авторы выявили значительные пробелы в отчетности и предложили специализированный чек-лист PRECY-AI для повышения воспроизводимости и клинической применимости моделей.

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.

Разработана модель глубокого обучения с механизмом последовательного внимания для прогнозирования выживаемости клеток при радиационном воздействии. Исследование демонстрирует высокую точность в предсказании относительной биологической эффективности (RBE), подчеркивая важность нано- и микродозиметрических параметров по сравнению с ЛЭТ.

В исследовании представлен Histo3D-MO — инновационный гибридный экспериментально-вычислительный конвейер, предназначенный для реконструкции 3D-карт пространственного мультиомикса с разрешением на уровне отдельных клеток. Основная технология базируется на методе SPONGE, который интегрирует разреженные и несвязанные пространственные омиксные измерения с плотными данными гистологии (окрашивание гематоксилином и эозином). Разработанный алгоритмический комплекс позволяет проводить 3D-пропагацию типов клеток и аннотацию тканевых доменов, обеспечивая полную характеристику объема опухолевого микроокружения. При тестировании на данных гепатоцеллюлярной карциномы метод выявил сложные паттерны эффективности трансляции и траектории дифференцировки моноцитов в зависимости от глубины ткани. Histo3D-MO значительно превосходит существующие методы прогнозирования омиксных данных, предлагая масштабируемое решение для изучения организации сложных биологических систем. Это открывает новые возможности для высокоточной диагностики и понимания архитектуры опухолей на молекулярном уровне.