радиология

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 статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.

В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.

В журнале npj Digital Medicine опубликовано исследование, посвященное оценке клинических компетенций современных vision-language моделей (VLM) — систем, способных одновременно анализировать изображения и текст. Авторы разработали новый бенчмарк, специально нацеленный на проверку способности моделей к клиническому рассуждению, а не просто к распознаванию паттернов на медицинских изображениях. Результаты показали, что даже самые передовые VLM демонстрируют значительный разрыв между формальной точностью ответов и реальной глубиной клинического мышления: модели часто дают уверенные, но поверхностные или фактически неверные заключения, создавая «иллюзию компетентности». Бенчмарк включает задачи, требующие многошагового анализа, интерпретации результатов визуализации в контексте истории болезни и обоснования дифференциального диагноза. Количественные метрики показали, что лучшие модели достигают лишь около 60-70% точности на простых задачах, но падают ниже 40% на сложных клинических сценариях, требующих интеграции данных. Исследователи подчеркивают, что существующие методы оценки переоценивают возможности ИИ в медицине, и предлагают новый стандарт для валидации систем перед их внедрением в клиническую практику. Работа имеет прямое значение для разработчиков медицинского ПО и регуляторов, подчеркивая необходимость более строгих испытаний на клиническую компетентность, а не только на техническую точность.

В статье, опубликованной в журнале Artificial Intelligence in Medicine, представлена новая объяснимая парадигма на основе контрфактических примеров и оценки неопределенности для автоматического обнаружения и сегментации кист почек на контрастных КТ-изображениях брюшной полости. Исследование является многоцентровым и включает данные от нескольких медицинских учреждений, что повышает обобщаемость результатов. Авторы разработали модель глубокого обучения, которая не только выполняет сегментацию, но и предоставляет объяснения своих решений через контрфактические примеры — альтернативные сценарии, показывающие, как изменение входных данных повлияло бы на результат. Дополнительно модель оценивает неопределенность своих предсказаний, что критически важно для клинического применения, где ложные срабатывания могут привести к ненужным инвазивным процедурам. Такой подход повышает доверие врачей к системе и позволяет им лучше понимать, когда можно полагаться на автоматические результаты. Исследование демонстрирует, что интеграция объяснимости и оценки неопределенности в медицинские ИИ-системы является перспективным направлением для внедрения в клиническую практику, особенно в задачах радиологии, где точность и прозрачность решений имеют первостепенное значение.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.

Систематический обзор 128 исследований (2021-2026) оценивает применение трансформерных архитектур в медицинской визуализации: сегментация, классификация, реконструкция и регистрация изображений. Наиболее убедительные результаты достигаются гибридными моделями, сочетающими локальную экстракцию признаков с глобальным контекстом, а не чистыми трансформерами. Выявлены ключевые проблемы: отсутствие стандартизированных бенчмарков, ограниченная внешняя валидация, недостаточная доступность кода и слабая клиническая оценка.

Представлен фреймворк TeleZK-FL для приватного федеративного обучения диагностических ИИ-моделей в телемедицине с использованием квантования и zero-knowledge доказательств непосредственно на граничных устройствах. Система ускоряет генерацию криптографических доказательств в 25 раз, сокращает объём передаваемых данных на 75% при сохранении диагностической точности (AUC 0.877 для рентгена грудной клетки, 0.891 для ЭКГ).

GE HealthCare запустила новые решения для УЗИ молочной железы Invenia ABUS Prime и ABUS StreamVue с интегрированными ИИ-инструментами Verisound AI и QVCAD для оценки качества сканирования и обнаружения поражений. ИИ-ассистент демонстрирует сокращение времени чтения на 33% и чувствительность до 93% для детекции опухолей, что особенно важно для женщин с плотной тканью молочной железы.

DeepHealth получила разрешение FDA 510(k) на ИИ-решение для УЗИ молочной железы, которое автоматизирует обнаружение поражений, характеристику и отчётность с точностью локализации >98%. Система внедряется в сети RadNet и потенциально охватит более 700 000 исследований annually, сокращая время интерпретации радиологами на 37%.

Искусственный интеллект стремительно трансформирует медицинскую визуализацию, обеспечивая автоматическое обнаружение, классификацию и прогнозирование рисков в растущем числе клинических применений. В исследовании, опубликованном в The Lancet Digital Health, Ян Чжоу и коллеги представляют MerMED-FM — мультимодальную фундаментальную модель медицинской визуализации для множественных заболеваний. Модель обучена на более чем 3,3 миллиона изображений, охватывающих семь различных модальностей визуализации и более десяти клинических специальностей. Ключевая инновация заключается в способности модели интегрировать информацию across различных типов медицинских изображений, что отражает реальную клиническую практику, где врачи routinely объединяют данные из разных источников. Фундаментальные модели представляют собой следующий этап развития ИИ в медицине, позволяя создавать универсальные системы вместо узкоспециализированных решений для отдельных задач. MerMED-FM демонстрирует потенциал для улучшения диагностической точности, сокращения времени анализа и поддержки клинических решений в разнообразных медицинских контекстах. Разработка таких моделей требует значительных вычислительных ресурсов и тщательно курированных датасетов, но обещает стандартизацию подходов к ИИ-диагностике. Внедрение единых фундаментальных моделей может упростить регуляторное одобрение и клиническую валидацию ИИ-решений в здравоохранении.

MerMED-FM представляет собой новую фундаментальную модель искусственного интеллекта для медицинской визуализации, разработанную для работы в нескольких медицинских специальностях одновременно. Модель является мультимодальной, что означает способность обрабатывать и интегрировать различные типы медицинских изображений (рентген, КТ, МРТ, УЗИ и другие форматы). Ключевая особенность MerMED-FM — кросс-специальностная адаптивность: модель обучена интерпретировать изображения для диагностики множественных заболеваний, а не ограничивается одной областью медицины. Архитектура фундаментальной модели позволяет дообучать систему под конкретные клинические задачи с минимальными дополнительными данными. Потенциальное применение включает поддержку врачей в диагностике, скрининговые программы, автоматизацию рутинной интерпретации снимков. Детали архитектуры, результаты валидации и метрики точности в предоставленном материале не указаны — требуется доступ к полной версии статьи для оценки технических характеристик и клинической эффективности модели.

Ученые Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы разработали систему искусственного интеллекта для автоматического контроля качества рентгенограмм органов грудной клетки. Алгоритм анализирует снимки и выявляет дефекты в среднем за 14 секунд, что значительно ускоряет процесс проверки по сравнению с ручной оценкой. В ходе пилотного исследования система продемонстрировала высокую эффективность в обнаружении двух типов ошибок: неправильного позиционирования пациентов при съемке и некорректного заполнения метаданных снимков. Решение направлено на снижение количества бракованных исследований и повышение диагностической точности рентгенографии. Результаты работы опубликованы в рецензируемом журнале Digital Diagnostics, что подтверждает научную ценность разработки. Внедрение такого ИИ-инструмента в клиническую практику может существенно улучшить организацию рентгенологических исследований в медицинских учреждениях.

Исследование представляет систему мультимодального глубокого обучения для предоперационной оценки степени инвазивности узелков аденокарциномы лёгкого — критически важной задачи для определения оптимальной хирургической тактики. Модель интегрирует множественные типы данных (вероятно, КТ-изображения, клинические параметры и возможно гистологические маркеры) для стратификации риска до операции. Разработка направлена на решение ключевой проблемы торакальной онкологии: дифференциацию минимально инвазивных форм аденокарциномы от более агрессивных вариантов без необходимости инвазивной биопсии. Ожидаемые клинические преимущества включают снижение количества избыточных радикальных операций, оптимизацию объёма резекции и улучшение прогнозирования исходов лечения. Публикация в npj Digital Medicine указывает на прохождение рецензирования и соответствие стандартам исследований в области цифровой медицины. Данное исследование вносит вклад в развитие прецизионной онкологии с применением искусственного интеллекта для персонализированного принятия клинических решений.

HOPPR представила фундаментальную модель HOPPR EF Chest CT Narrative, которая обрабатывает 3D-объёмы КТ грудной клетки и генерирует текстовые описания характеристик изображений across лёгких, сердца, аорты и других структур. Модель обучена на данных из множественных клинических центров США с акцентом на редкие но серьёзные состояния (эмболия лёгочной артерии, пневмоторакс, переломы рёбер) и доступна через HIPAA-совместимую инфраструктуру HOPPR AI Foundry.