3 статей
Представлена ArcMAP — приложение, использующее модель BioLORD для автоматизации сопоставления локальных медицинских кодов со стандартными словарями в системе NHS. Система включает интерфейс для экспертной проверки и конвейер непрерывного обучения, что позволило повысить точность картирования лабораторных тестов с 37,0% до 91,6%.
Виртуальный ассистент «Ева» от российского оператора связи «МегаФон» получил новую функцию распознавания искусственного голоса и дипфейков. Технология позволяет отличать реальный голос человека от синтезированного, что особенно актуально в эпоху развития нейросетей для генерации речи. Система анализирует акустические характеристики голоса, включая микровибрации и артефакты сжатия, характерные для синтезированной речи. Технология может быть применена в телемедицине для верификации пациентов при удалённых консультациях и предотвращения мошенничества с медицинскими страховками. Распознавание дипфейков критически важно для защиты конфиденциальной медицинской информации и предотвращения несанкционированного доступа к электронным медицинским картам. Технология использует алгоритмы машинного обучения, обученные на больших массивах данных с реальными и синтезированными голосами. Внедрение таких систем повышает безопасность цифровых медицинских сервисов и доверие пациентов к онлайн-консультациям. Однако статья не содержит конкретных метрик точности распознавания или результатов клинических испытаний.
Исследователи представляют Longevity-LLM v0.1 — модель на базе Qwen3-14B, дообученную с помощью контролируемого и reinforcement learning на данных ДНК-метилирования, протеомики, клинических биомаркеров и экспрессии РНК. Модель демонстрирует выдающиеся результаты на Longevity Bench, включая задачи прогнозирования выживаемости при раке и предсказания возраста на основе протеома и РНК. После дообучения с подкреплением модель достигла средней абсолютной ошибки (MAE) в 4.34 года при предсказании эпигенетического возраста, превзойдя известный мульти-тканный часы Хорвата. Longevity-LLM также выполняет множество других задач, включая генерацию протеомных профилей, значительно превосходя все существующие передовые языковые модели. Результаты показывают, что одна компактная LLM может заменить или сравняться с узкоспециализированными моделями старения across различных модальностей данных. Работа представляет промежуточный отчет от инициативы Multi-Modal AI Gym for Science (MMAI), направленной на создание фундаментальных моделей для разработки лекарств и исследований старения. Это исследование знаменует переход от множества специализированных моделей к единым фундаментальным моделям, способным работать с разнородными биомедицинскими данными.
