радиология

Исследование демонстрирует, что автоматизированная сегментация предстательной железы на основе нейросети nnU-Net обеспечивает более точный расчет плотности ПСА по сравнению с традиционными методами, улучшая диагностику клинически значимого рака простаты. Автоматизированный подход показал диагностическую эффективность, сопоставимую с ручной сегментацией, что подтверждает его потенциал для внедрения в клиническую практику.

В статье, опубликованной в журнале npj Digital Medicine 7 октября 2026 года, представлена новая методология предварительного обучения (pretraining) моделей искусственного интеллекта для анализа компьютерной томографии (КТ). Авторы предлагают подход «поэтапного предварительного обучения» (stage-wise pretraining), который позволяет создавать универсальные представления медицинских изображений, охватывающие широкий спектр задач — от базовой анатомической сегментации до выявления сложных фенотипов заболеваний. Методология предполагает последовательное обучение модели на различных этапах: сначала на крупных наборах данных для изучения общей анатомической структуры, а затем на специализированных наборах, связанных с патологиями. Это позволяет модели эффективно переносить знания (transfer learning) на узкоспециализированные клинические задачи с меньшим объемом размеченных данных. Исследование демонстрирует высокую эффективность предложенного подхода в задачах диагностики, где традиционные методы часто требуют значительных вычислительных ресурсов и больших объемов размеченных данных. Результаты показывают, что универсальные представления значительно улучшают точность диагностики и обобщающую способность моделей в различных клинических сценариях. Работа вносит существенный вклад в развитие ИИ-инструментов для радиологии и цифровой медицины, предлагая масштабируемое решение для создания надежных диагностических систем.

В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, представлена инновационная методология применения агентного искусственного интеллекта (agentic AI) для автономного обнаружения новых визуальных признаков (imaging signs) при глиобластоме. В отличие от традиционных подходов, опирающихся на заранее заданные количественные признаки, предложенная система самостоятельно исследует медицинские изображения, выявляя скрытые паттерны, которые могут быть неочевидны для человека-эксперта. Методология использует автономные AI-агенты, способные формулировать гипотезы, проверять их на наборах данных и итеративно уточнять результаты без постоянного вмешательства человека. Это позволяет перейти от ручного извлечения признаков к полностью автоматизированному процессу открытия новых прогностических или диагностических маркеров на основе МРТ-снимков. Исследование демонстрирует потенциал агентного ИИ не просто как инструмента классификации, но как активного участника научного процесса в радиологии и нейроонкологии. Результаты работы открывают новые возможности для персонализированной медицины, позволяя быстрее выявлять биомаркеры, связанные с выживаемостью пациентов и ответом на терапию. Данный подход может стать стандартом для анализа сложных медицинских изображений, снижая субъективность и увеличивая скорость научных открытий в области онкологии.

GE HealthCare и Mass General Brigham объявили о партнерстве для разработки инструмента на основе генеративного ИИ, который поможет онкологам-радиологам быстро анализировать структурированные и неструктурированные данные для планирования лучевой терапии. Цель проекта — интеграция решения в платформу iRT для сокращения ручного труда, унификации рабочих процессов и ускорения перехода пациента от диагноза к лечению.

Компания Visiana получила разрешение FDA 510(k) на использование программного обеспечения BoneXpert, которое применяет машинное обучение для определения костного возраста по рентгеновским снимкам кистей рук. Исследование показало, что алгоритм точнее ручных оценок педиатрических радиологов, снижая вариативность результатов и помогая в диагностике нарушений роста и полового созревания.

Исследователи из NYU Langone Health разработали систему на базе ИИ (с использованием ChatGPT-4o), которая анализирует ежедневные клинические отчеты ординаторов по радиологии. Инструмент выявляет пробелы в их практике и автоматически подбирает целевые учебные случаи для восполнения недостающего опыта, что повышает эффективность персонализированного обучения.

Siemens Healthineers запустила решение для лучевой терапии Accela, основанное на архитектуре NeoArc, которое сочетает высокую скорость и точность лечения. Продвинутое программное обеспечение для планирования использует искусственный интеллект и алгоритмы для оптимизации качества плана и скорости доставки дозы, что позволяет сократить время нахождения пациента на столе.

Исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай и других институтов разработали модель глубокого обучения для анализа Т1-взвешенных МРТ-снимков головного мозга. Модель способна не только оценивать индекс массы тела (ИМТ), но и извлекать специфические мозговые сигнатуры, связанные с кардиометаболическими рисками. Обучение алгоритма проводилось на обширном наборе данных, включавшем 45 702 участника из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD. Ключевым результатом работы стало демонстрация того, что ИИ-анализ структуры мозга может предсказывать кардиометаболические заболевания с большей точностью, чем традиционный ИМТ. Это открывает новые возможности для ранней диагностики метаболических нарушений через нейровизуализацию. Методология использует мощь глубокого обучения для выявления скрытых паттернов в мозге, которые коррелируют с системным здоровьем. Результаты публикации в журнале npj Digital Medicine подчеркивают потенциал ИИ в интеграции неврологических и кардиологических данных для улучшения превентивной медицины.

Исследование оценивает влияние количества временных фаз и размера обучающей выборки на точность глубокого обучения для сегментации структур сердца в кинематографической КТ-ангиографии. Показано, что обучение на полном цикле (cine) дает более высокую точность и стабильность по сравнению с однофазным подходом, а использование двух фаз может быть эффективным компромиссом для снижения затрат на аннотирование.

В данной статье Келли Лонди из GE HealthCare рассматривает ключевые проблемы внедрения искусственного интеллекта в радиологию. Автор описывает необходимые условия для того, чтобы технологии ИИ действительно приносили пользу в клинической практике, а не оставались лишь теоретической концепцией. Основной акцент делается на преодолении разрыва между разработкой алгоритмов и их реальным использованием врачами при работе с пациентами. Статья анализирует барьеры, такие как интеграция в рабочие процессы, интерпретируемость моделей и доверие со стороны медицинского персонала. Предлагается стратегический подход к интеграции ИИ-инструментов, который учитывает специфику радиологической диагностики. Обсуждаются вопросы эффективности, безопасности и экономической целесообразности применения нейросетей в рутинной работе. Материал представляет собой аналитический обзор, направленный на специалистов в области здравоохранения и разработчиков медицинских ИИ-решений. Цель текста — показать путь от внедрения технологии к получению измеримых клинических результатов.

В статье представлен систематический обзор исследований 2020–2026 годов, посвященных применению ИИ, глубокого обучения и генеративных моделей для диагностики остеопороза и прогнозирования переломов. Авторы анализируют эффективность методов, включая объяснимый ИИ (XAI) и мультимодальное обучение, и выявляют ключевые пробелы в валидации и регуляторной готовности. На основе анализа предлагается новая архитектура MXGNet для создания клинически применимых и интерпретируемых инструментов.

В статье предлагается метод PEAT для точной сегментации почек и почечных опухолей на КТ-снимках, объединяющий фундаментальные модели (MedSAM) с задачами конкретного домена. Метод достигает высоких показателей Dice (97.69% для почек и 91.83% для опухолей на датасете KiTS21), превосходя существующие подходы за счет использования предварительных знаний и эффективного механизма внимания.

В статье предложен новый гибридный метод LCCSE-IPCNN-ViT, объединяющий улучшенную параллельную сверточную нейронную сеть (IPCNN) и Vision Transformer (ViT) для классификации рака легкого и оценки его стадии. Модель демонстрирует высокую точность (97,3%) и чувствительность (97,8%), превосходя существующие методы по скорости и снижению ложноположительных срабатываний, что делает её перспективной для ранней диагностики.

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.

Больница SMRMC установила первую в США КТ-систему Philips Rembra, предназначенную для работы в условиях высокой нагрузки и экстренной помощи. Устройство использует ИИ-оптимизированные рабочие процессы и быструю реконструкцию изображений для сокращения времени сканирования и ускорения клинических решений в неотложных состояниях.

Радиологическое общество Северной Америки (RSNA) запустило программу сертификации для радиологов, направленную на обучение практическому применению и оценке ИИ в медицинской визуализации. Курс включает шесть модулей с кейсами и ориентирован на ответственное внедрение технологий ИИ в клиническую практику.

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 исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена новая архитектура зрительно-языкового моделирования (vision-language modeling) для анализа компьютерной томографии (КТ). Авторы разработали метод, способный обобщать знания на популяционном уровне, позволяя не только диагностировать конкретные патологии, но и прогнозировать риски развития различных заболеваний на основе визуальных данных КТ. Методология включает обучение нейросетей на больших наборах данных, объединяющих медицинские изображения и текстовые описания, что позволяет модели понимать сложные клинические контексты и выявлять скрытые корреляции между анатомическими изменениями и системными рисками. Ключевые результаты демонстрируют высокую точность предсказаний в задачах стратификации пациентов по группам риска, превосходя традиционные подходы, основанные только на визуальной диагностике. Значимость работы заключается в возможности интеграции таких моделей в клиническую практику для превентивной медицины и персонализированного подхода к лечению, что особенно важно для управления здоровьем больших популяций. Исследование закладывает основу для создания универсальных ИИ-систем, способных адаптироваться к различным клиническим сценариям без необходимости переобучения для каждой отдельной задачи.