4 статей
В статье представлен метод машинного обучения (Random Forest) для точного определения точки B на импедансной кардиограмме, что критически важно для неинвазивного гемодинамического мониторинга. Метод значительно превосходит традиционные алгоритмы по точности и устойчивости к помехам, достигая ошибки ниже межэкспертной вариабельности.
В данной работе представлен уникальный открытый набор данных трёхмерных численных симуляций кровотока и сеток коронарных артерий, реконструированных из инвазивных рентгеновских коронарных ангиограмм клинического исследования FAME 2 (Fractional Flow Reserve versus Angiography for Multivessel Evaluation 2). Из 914 клинических изображений успешно реконструировано и обработано 779 сосудов, остальные 135 отклонены из-за самопересекающейся геометрии при реконструкции. Сетки выполнены в гексаэдрическом формате с идентичной топологией и количеством вершин, их высокое качество подтверждено стандартными метриками качества сеток. Симуляции проведены методом конечных элементов (FEM) с применением современных граничных условий для коронарного кровотока на выходных участках. Мотивация проекта обусловлена критическим дефицитом общедоступных данных численной гемодинамики несмотря на растущий интерес к методам машинного обучения и data-driven моделированию в кардиологии. База данных доступна по ссылке DOI 10.7910/DVN/GPCUNS и предназначена для разработки и валидации алгоритмов искусственного интеллекта в диагностике ишемической болезни сердца. Этот ресурс может ускорить создание ML-моделей для неинвазивной оценки фракционного резерва кровотока (FFR) и персонализированного планирования коронарных вмешательств.
Группа российских исследователей, включая специалистов из НИУ ВШЭ (Санкт-Петербург), разработала уникальную открытую базу данных, предназначенную для глубокого изучения механизмов концентрации внимания человека. Проект направлен на создание стандартизированного набора данных, который может быть использован для обучения алгоритмов машинного обучения и разработки систем мониторинга когнитивного состояния. Методология исследования включает сбор и структурирование параметров, характеризующих устойчивость внимания в различных условиях. Данная база данных представляет значительный интерес для разработки ИИ-решений в области нейропсихологии и создания систем адаптивного обучения или контроля усталости. Несмотря на то, что работа носит фундаментальный характер, результаты могут быть применены в создании медицинских инструментов для диагностики когнитивных расстройств и мониторинга состояния пациентов. Открытый доступ к данным способствует ускорению междисциплинарных исследований на стыке ИИ и когнитивистики.
Nextstrain — это онлайн-платформа для автоматизированного генетического надзора за 21 вирусом и бактериальным патогеном Mycobacterium tuberculosis, обеспечивающая непрерывное обновление данных в реальном времени. Система автоматически выполняет цепочку операций: получение и курирование открытых последовательностей генома, классификация по установленным номенклатурным системам, филодинамический анализ и публичная публикация результатов. Большинство анализов выполняются ежедневно, предоставляя актуальные снимки эволюции патогенов. Платформа использует исключительно открытые данные последовательностей, что делает её доступной для научного сообщества. Все исходные коды доступны на GitHub, результаты визуализации и скачивания — на nextstrain.org/pathogens, а открытые данные и метаданные размещены в отдельном каталоге файлов. Такой подход позволяет общественному здравоохранению получать почти мгновенную информацию об эволюционных и эпидемиологических динамических процессах, что критически важно для принятия своевременных и целенаправленных мер по контролю заболеваний. Платформа демонстрирует, как автоматизация и машинное обучение могут трансформировать эпидемиологический надзор и реагирование на вспышки инфекционных заболеваний.
