радиология

В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.

В статье представлен повествовательный обзор, посвященный внедрению платформ самообслуживания для записи на медицинские процедуры в радиологических отделениях больниц Китая. Авторы анализируют роль цифровой трансформации в контексте стратегии точной медицины и требований к сертификации электронных медицинских карт (EMR) 5-го уровня. Отмечается, что автоматизация записи вытесняет ручную регистрацию, снижая административную нагрузку и повышая операционную эффективность отделений. Однако исследование выявляет существенные недостатки текущих систем: отсутствие дифференциации рабочих процессов, недостаточную оценку рисков перед визуализацией, сложность доступа для пожилых пациентов и проблемы интеграции между разрозненными информационными системами. В качестве ключевых направлений будущего развития предлагается внедрение алгоритмов искусственного интеллекта для персонализированного планирования расписания, создание замкнутого цикла управления процессом обследования и координация записи между различными клиническими дисциплинами. Авторы подчеркивают необходимость перехода к более интеллектуальной и ориентированной на пациента модели обслуживания. Работа носит обзорный характер и не представляет новых эмпирических данных, но систематизирует текущие вызовы в области цифровой организации радиологической помощи. Исследование актуально для специалистов в области управления здравоохранением и медицинских информатиков, интересующихся оптимизацией потоков пациентов.

В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, оценивается эффективность применения больших языковых моделей (LLM) в качестве инструмента поддержки предоперационного общения с пациентами, страдающими раком предстательной железы. Это проспективное рандомизированное клиническое исследование фазы II направлено на решение двух ключевых проблем: высокого уровня предоперационной тревожности у пациентов и высокой рабочей нагрузки на медицинский персонал. Исследователи использовали LLM для генерации персонализированных, понятных и эмпатичных ответов на вопросы пациентов, а также для структурирования медицинской информации перед хирургическим вмешательством. Ключевые результаты показали статистически значимое снижение уровня тревожности у пациентов в группе с использованием ИИ по сравнению с контрольной группой, получавшей стандартную помощь. Одновременно было зафиксировано существенное сокращение времени, затрачиваемого врачами на коммуникацию с пациентами, что свидетельствует об эффективном снижении административной и клинической нагрузки. Значимость работы заключается в демонстрации того, что ИИ-ассистенты могут не только улучшать психологический комфорт пациентов, но и оптимизировать рабочие процессы в онкологии. Результаты открывают перспективы для внедрения LLM в клиническую практику для повышения качества предоперационной подготовки и эффективности использования ресурсов здравоохранения.

В исследовании разработана мультимодальная модель ИИ, объединяющая данные КТ-визуализации (с использованием предобученной нейросети DINOv3) и клинические переменные для предоперационной оценки инвазивности легочных узлов. Модель продемонстрировала высокую точность (средний AUC 0.8566) в дифференциации предраковых поражений и инвазивной аденокарциномы легкого на внутреннем наборе данных.

Статья представляет SSLVNet — гибридную модель на базе самообучения и Vision Transformers для автоматической многоклассовой диагностики заболеваний сетчатки по фотографиям глазного дна. Модель достигает высокой точности (84.44%) и обеспечивает интерпретируемость предсказаний с помощью Grad-CAM, что критически важно для внедрения в клиническую практику.

Компания a2z Radiology AI получила разрешение FDA на использование своего ИИ-продукта a2z-Abdo-Triage для выявления 10 патологий на КТ-снимках органов брюшной полости и таза. Система помогает радиологам приоритизировать исследования, автоматически отмечая подозрительные случаи, что позволяет ускорить оказание помощи пациентам с критическими состояниями.

Панель экспертов рекомендует внедрять инструменты ИИ для поддержки принятия клинических решений при обнаружении амилоид-связанных изменений на МРТ у пациентов, получающих терапию против болезни Альцгеймера. Исследование показывает, что ИИ повышает чувствительность диагностики на 16% для ARIA-E и на 10% для ARIA-H, хотя и требует обязательного участия радиолога для финальной интерпретации.

Компания DeepHealth получила одобрение FDA 510(k) для решения Chest XRay — системы компьютерного обнаружения (CADe) на основе фундаментальной модели ИИ, предназначенной для выявления и локализации патологий грудной клетки на рентгенограммах. Система анализирует четыре категории находок, включая узлы, консолидацию и пневмоторакс, и уже используется в Европе, обрабатывая более 2,8 млн исследований ежегодно.

Компания Merge представила MergeIQ — слой искусственного интеллекта, интегрированный в платформу корпоративной медицинской визуализации. Первые приложения RelevancyIQ и NaviIQ помогают радиологам находить релевантную предыдущую информацию и клинический контекст непосредственно в рабочем процессе, что снижает нагрузку и повышает эффективность диагностики.

Компания Ultrasound AI, Inc. получила два новых патента США на технологии искусственного интеллекта для медицинского визуализации. Патенты описывают методы использования нейросетей для анализа воздействия лекарств на плод и комплексной медицинской диагностики на основе медицинских изображений.

В ретроспективном исследовании с участием 229 пациентов разработана и валидирована интерпретируемая модель машинного обучения на основе радиомических признаков многофазной КТ для различения липид-бедных аденом и феохромоцитом. Модель дерева решений достигла AUC 0.977–0.983, а анализ важности признаков выявил кистозную дегенерацию как ключевой дискриминатор, обеспечивая прозрачные клинические пути принятия решений.

В исследовании, опубликованном в npj Digital Medicine 7 сентября 2026 года, представлена мультимодальная модель искусственного интеллекта для прогнозирования риска рецидива менингиомы после радиотерапии. Модель объединяет перитуморальные МРТ-изображения (область вокруг опухоли) с клиническими данными пациентов, что позволяет более точно стратифицировать пациентов по группам риска по сравнению с традиционными подходами. Авторы использовали методы глубокого обучения для анализа радиомических признаков перитуморальной зоны, которые отражают микроинвазию и биологическое поведение опухоли, недоступные при стандартной оценке только самой опухоли. Валидация модели проводилась на ретроспективных когортах пациентов с менингиомой, получавших лучевую терапию, с оценкой дискриминационной способности через AUC (площадь под ROC-кривой). Результаты показали значительное улучшение точности прогноза рецидива по сравнению с моделями, использующими только клинические параметры или только внутриопухолевые МРТ-признаки. Интеграция перитуморальных радиомических характеристик позволила выявить скрытые паттерны, связанные с агрессивностью опухоли, что может помочь в персонализации адъювантной терапии и выборе тактики наблюдения. Работа подчеркивает потенциал мультимодального ИИ в нейроонкологии для улучшения стратификации риска и принятия клинических решений, однако требует проспективной валидации перед внедрением в рутинную практику.

В исследовании изучается возможность использования GPT-4o для автоматической генерации бинарных меток заболеваний из радиологических отчетов и применения этих меток для обучения сверточных нейронных сетей (ResNet-18, DenseNet-121, EfficientNet-B1, ConvNeXt-Tiny) для классификации рентгенограмм грудной клетки. GPT-4o достиг точности 92,9% по сравнению с экспертными метками, а ConvNeXt-Tiny показал наилучшую производительность (AUC=0,832). Подход предлагает масштабируемое и экономичное решение для скрининга в условиях ограниченных ресурсов.

В статье представлена модель DiffCAS — диффузионный подход для коррекции затухания (attenuation correction) в однофотонной эмиссионной компьютерной томографии (SPECT) сердца, который не требует отдельного КТ-сканирования на этапе вывода. Традиционно для коррекции затухания в SPECT необходима КТ-карта ослабления, что увеличивает дозу облучения пациента и стоимость процедуры. DiffCAS использует диффузионную модель, обученную на парах SPECT-изображений и соответствующих КТ-картах, и генерирует синтетические карты затухания непосредственно из SPECT-данных. Ключевая особенность — физически-осведомлённый подход: модель учитывает физику ослабления гамма-излучения в тканях, что повышает точность коррекции. В экспериментах на клинических данных модель показала улучшение качества изображений: средняя абсолютная ошибка (MAE) снизилась на 18% по сравнению с базовыми методами, а коэффициент корреляции с эталонными КТ-картами достиг 0.94. Метод также продемонстрировал устойчивость к шуму и артефактам движения. Авторы отмечают, что DiffCAS может быть интегрирован в существующие клинические протоколы SPECT без изменения оборудования, что делает его перспективным для широкого внедрения в кардиологическую диагностику. Работа опубликована в журнале Artificial Intelligence in Medicine (Volume 181, ноябрь 2026 года).

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026), авторы Zhiqiang Shen, Qingshan Hou, Peng Cao, Jinzhu Yang, Huazhu Fu, Osmar R. Zaiane и Zhaolin Chen представляют новый метод полууправляемой сегментации медицинских изображений, устойчивый к смене доменов (domain generalization). Проблема заключается в том, что модели глубокого обучения, обученные на данных одного медицинского учреждения или сканера, резко теряют точность при применении к данным из других источников из-за различий в распределении изображений. Предложенный подход основан на совместном обучении (co-training) двух ветвей: ветви сегментации и ветви синтеза изображений. Ветвь синтеза генерирует разнообразные варианты изображений с различными стилистическими и доменными характеристиками, что позволяет ветви сегментации обучаться на более широком распределении данных без необходимости разметки новых доменов. Метод использует полууправляемую парадигму: лишь небольшая часть данных имеет аннотации, остальные используются в неразмеченном виде для улучшения обобщающей способности. Авторы провели эксперименты на нескольких публичных наборах данных медицинской сегментации, включая сегментацию сердца и полипов, и показали, что предложенный метод превосходит существующие подходы к доменной генерализации и полууправляемому обучению. В частности, метод демонстрирует значительное улучшение метрики Dice coefficient (до 5-7 процентных пунктов) по сравнению с базовыми моделями при тестировании на невидимых доменах. Работа имеет высокую практическую значимость, поскольку позволяет создавать более надежные модели сегментации, которые можно безопасно развертывать в различных клинических условиях без дорогостоящей повторной разметки данных. Код и модели планируются к публикации для воспроизводимости результатов.

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.

Представлена мультимодальная глубокая обучающая система VHealth-MFusion, объединяющая рентгенографию грудной клетки и структурированные клинические данные для многоклассовой диагностики пневмонии. Модель достигла точности 97,2%, превзойдя базовый уровень 95,9%, что подтверждает эффективность интеграции изображений и клинической информации для телемедицины.

В статье представлен мини-обзор гибридных архитектур, объединяющих большие языковые модели и vision-трансформеры для медицинской диагностики, с акцентом на радиологию и визуальные вопросы-ответы. Авторы анализируют проблемы внедрения таких систем в условиях низкоресурсного здравоохранения, включая нехватку данных, ограничения памяти и вычислительных мощностей, и предлагают пути решения через параметрически эффективную адаптацию, квантизацию, федеративное обучение и мультиязычную поддержку. Ключевой вывод — необходимость перехода от масштабирования моделей к легковесным, интерпретируемым и аппаратно-ориентированным решениям.

В статье представлен обзор применения ИИ для автоматической оценки коронарного кальция (AI-CAC) на компьютерной томографии грудной клетки с целью стратификации сердечно-сосудистого риска. Показано, что AI-CAC последовательно ассоциируется с общей и сердечно-сосудистой смертностью, а также с неблагоприятными сердечно-сосудистыми событиями, при этом радиомика может улучшить прогностическую точность. Авторы подчеркивают необходимость проспективных исследований внедрения, стандартизации и оценки экономической эффективности для реализации клинического потенциала.