5 статей
Статья предлагает новую модель EMSSTGAN на основе графовых сетей внимания для автоматического измерения толщины воротникового пространства (NT) на УЗИ. Метод включает предварительную обработку изображений, сегментацию области NT и точное измерение толщины для оценки риска хромосомных аномалий, достигая точности 98,15%. Это решение устраняет субъективность ручного измерения и повышает надежность ранней диагностики.
В данном исследовании проводится сравнительная оценка эффективности трех больших языковых моделей (LLM) — Claude-Sonnet-4.6, Grok-4 и ChatGPT-5 — в задачах пренатальной диагностики по сравнению с двумя врачами-клиницистами. Для оценки использовался набор из 125 вопросов, взятых из национального стандартизированного квалификационного экзамена по пренатальному ультразвуковому скринингу в Китае. Исследование показало, что общая точность ответов не имела статистически значимых различий между моделями и врачами: главный врач набрал 89,60% (112/125), Claude-Sonnet-4.6 — 85,60% (107/125), Grok-4 — 84,80% (106/125), ChatGPT-5 — 84,00% (105/125), а врач-ординатор — 80,00% (100/125). Однако при детализации по типам вопросов выявились существенные различия: в задачах на основе клинических случаев (n=20) главный врач значительно превзошел все модели (95,00% против 70,00% у лучшей модели, Grok-4), что указывает на пробелы в сложном клиническом рассуждении у ИИ. В последовательных наборах вопросов Grok-4 (95,74%) и главный врач (93,62%) показали лучшие результаты по сравнению с врачом-ординатором (76,60%). Авторы приходят к выводу, что современные LLM могут служить мощными инструментами для расширения знаний, но пока не готовы к автономному выполнению роли клинического рассудителя в такой сложной и этически значимой области, как пренатальная диагностика.
В данном ретроспективном исследовании представлена инновационная методика оценки успешности ЭКО с использованием комбинированной системы скоринга на базе ИИ. Авторы разработали комплексный подход, объединяющий автоматическую сегментацию эндометрия (архитектура U-Net с энкодером VGG16) и классификацию качества эмбрионов (VGG16) с клиническим показателем вероятности беременности SART. Процесс включает стандартизированную обработку ультразвуковых изображений (шумоподавление, нормализация, аугментация) для количественной оценки толщины и эхогенности эндометрия. Разработанная формула композитного скора (CS) позволяет интегрировать данные об эмбрионе, состоянии эндометрия и индивидуальных рисках пациента. Результаты внутренней валидации показали превосходство комбинированной модели: показатель AUC составил 0,94 для прогнозирования биохимической беременности, что выше, чем у отдельных компонентов (0,88 для качества эмбрионов и 0,85 для рецептивности эндометрия). Несмотря на ограничения (одноцентровый дизайн и использование синтетически дополненных данных), исследование подчеркивает потенциал ИИ в персонализации протоколов ЭКО и оптимизации времени переноса эмбриона.
Исследование оценивает способность LLM с Chain-of-Thought reasoning интерпретировать ультразвуковые признаки узлов щитовидной железы в рамках ACR-TIRADS. Grok-3 показал наивысшую точность в качественном анализе (96%), Gemini-2.5 Pro и DeepSeek-R1 превзошли в количественных задачах. Модели продемонстрировали потенциал для клинической поддержки принятия решений.
Обзорный анализ применения искусственного интеллекта для ультразвуковой навигации при инъекциях в плечевой сустав. Исследование охватывает технологии сегментации анатомических структур, алгоритмы глубокого обучения и их влияние на точность процедур и клинические исходы. Результаты подтверждают улучшение показателей успешности инъекций и качества лечения пациентов.
