самообучение

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.

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.

В статье представлен инновационный подход к автоматическому обнаружению апноэ во сне с использованием архитектуры глубокого обучения. Исследователи разработали фреймворк на основе самообучения (self-supervised learning), интегрированный с иерархической остаточной сетью перекрестного слияния (hierarchical residual cross fusion network). Данная методология позволяет эффективно извлекать и объединять признаки из различных временных масштабов сигналов полисомнографии, что критически важно для точной диагностики нарушений дыхания. Использование механизмов перекрестного слияния помогает минимизировать потерю информации при анализе сложных паттернов сна. Предложенная модель демонстрирует высокую точность в классификации эпизодов апноэ, превосходя существующие аналоги за счет более глубокого понимания контекстуальных зависимостей в данных. Результаты исследования имеют высокую практическую значимость для автоматизации скрининга расстройств дыхания во сне и снижения нагрузки на врачей-сомнологов.

В исследовании представлен SST-MAE — инновационный фреймворк на основе самообучения (self-supervised learning), предназначенный для анализа гиперспектральных данных развития растений. Основная проблема текущих методов заключается в необходимости дорогостоящей аннотации признаков и игнорировании временной динамики роста. Авторы предложили архитектуру Masked Autoencoder (MAE), которая обучается восстанавливать скрытую информацию из траекторий развития, не требуя фенотипических меток. Модель была протестирована на 194 генотипах салата, собранных в полевых условиях в восьми временных точках. Результаты показали высокую эффективность: показатель AUROC превысил 0,89 для SNP, отвечающих за пигментацию антоцианами, и составил 0,77 для признака зазубренности листьев. Важным преимуществом является высокая эффективность использования данных: модель достигает показателей, близких к полному набору размеченных данных, используя всего 30-50% аннотаций. Данная технология открывает путь к масштабируемому высокопроизводительному генетическому скринингу на основе изображений.

В данной работе представлен GatorDuo — инновационный фреймворк на основе самообучения с контрастивным двойным графом, предназначенный для точной идентификации пространственных доменов в пространственной транскриптомике (ST). Авторы решают проблему ненадежного построения соседств в графах, вызванную разреженностью данных и техническим шумом, что часто приводит к появлению ложных связей между доменами. Методология GatorDuo включает механизм уточнения графа на основе глобальной согласованности и использование маски согласия псевдометок для подавления ошибочных ребер. Для автоматического выбора детализации кластеризации применяется стратегия обучения с подкреплением (контекстуальные многорукие бандиты), что исключает необходимость ручной настройки. Объединение представлений реализовано через модуль Mixture-of-Experts (MoE) с гибридной маршрутизацией. Тестирование на восьми публичных бенчмарках (от spot- до single-cell разрешения) показало, что GatorDuo превосходит десять существующих базовых моделей по ключевым метрикам кластеризации, обеспечивая высокую устойчивость к шуму и создавая информативные эмбеддинги для последующего биологического анализа.