щитовидная железа

Исследование посвящено изучению механизмов переключения изоформ РНК при карциноме Гюртля (HCC) — агрессивной форме рака щитовидной железы. Авторы провели реанализ набора данных NCBI GEO (GSE228870, n = 32), используя биоинформатические инструменты Salmon и IsoformSwitchAnalyzeR для выявления структурных изменений транскриптов. В ходе работы было обнаружено 371 переключение изоформ в 335 генах, что приводит к потере белковых доменов, укорочению открытых рамок считывания (ORF) и изменению субклеточной локализации белков. Наиболее значимые изменения зафиксированы в генах LAMA2, LSP1, MAD2L2, FBLN2 и CXCL12, что указывает на дисрегуляцию внеклеточного матрикса, иммунного сигналинга и ответа на повреждение ДНК. Установлено, что специфические изоформы LAMA2 и MAD2L2 отсутствуют в здоровой ткани щитовидной железы, что делает их потенциальными маркерами опухоли. Исследование впервые систематически описывает дисрегуляцию на уровне изоформ при HCC, выделяя альтернативное использование сайтов терминации и старта транскрипции как ключевые механизмы патогенеза.

Исследование сравнивает эффективность двух мультимодальных моделей (ChatGPT-5.4 и DeepSeek-VL2) в оценке узлов щитовидной железы по шкале C-TIRADS. ChatGPT-5.4 показал более высокие показатели точности и чувствительности, однако обе модели пока не могут использоваться для самостоятельной клинической диагностики.

В исследовании представлен инновационный метод классификации узлов щитовидной железы, основанный на архитектуре мультиэкспертного консенсусного слияния с использованием априорных знаний (prior-guided multi-expert consensus fusion). Авторы разработали модель, которая способна эффективно объединять результаты различных экспертных нейросетевых модулей для повышения точности диагностики в условиях многоцентровых данных. Основная методология заключается в интеграции медицинских априорных знаний в процесс обучения, что позволяет минимизировать ошибки, возникающие из-за вариативности оборудования и протоколов в разных медицинских центрах. Исследование демонстрирует значительное улучшение показателей точности и устойчивости модели при работе с гетерогенными наборами данных. Данная разработка имеет высокую практическую значимость для радиологии и эндокринологии, предлагая инструмент для автоматизированного и стандартизированного скрининга патологий щитовидной железы. Внедрение такого подхода позволит снизить нагрузку на врачей и уменьшить субъективность при интерпретации ультразвуковых или КТ-изображений.

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.