ИИ в медицине

Статья представляет обзор крупных раундов финансирования health tech-компаний за август, включая Cityblock ($116 млн), Happy Health ($75 млн), Flagler Health ($50 млн) и Network Bio ($50 млн). Все четыре компании используют ИИ-технологии: от операционных систем для прогнозирования и управления лечением до ИИ-моделей для диагностики и разработки лекарств.

Согласно новому отчету UPMC Center for Connected Medicine и KLAS Research, большинство больниц активно внедряют ИИ, однако менее половины имеют выделенную среду для тестирования инструментов перед использованием в уходе за пациентами. 63% систем здравоохранения описывают свою стратегию ИИ как развивающуюся или ad hoc, что указывает на разрыв между внедрением и управлением. UPMC предлагает решения, такие как платформа Ahavi для предварительного тестирования и постоянный мониторинг алгоритмов после внедрения.

В исследовании, опубликованном в npj Digital Medicine 3 сентября 2026 года, авторы проанализировали, как тон ответов на сообщения пациентов в электронных медицинских картах различается между системами искусственного интеллекта и реальной медицинской командой в зависимости от демографических характеристик пациентов (возраст, пол, раса, этническая принадлежность). Используя методы обработки естественного языка (NLP) и анализа тональности, исследователи сравнили тысячи пар ответов на одни и те же входящие сообщения пациентов, чтобы выявить систематические различия в эмпатии, формальности и теплоте. Предварительные результаты показали, что ответы ИИ были более последовательными по тону независимо от демографии, тогда как ответы медицинской команды варьировались: например, более формальный тон наблюдался в ответах пожилым пациентам и пациентам из расовых меньшинств. Исследователи также оценили, насколько такие различия могут влиять на удовлетворенность пациентов и доверие к системе здравоохранения. Работа подчеркивает важность калибровки ИИ-ассистентов для обеспечения равноправного и эмпатичного общения, а также необходимость стандартизации тона ответов медицинского персонала. Полученные данные имеют прямое значение для разработки клинических ИИ-инструментов и политики здравоохранения, направленной на снижение неравенства в медицинской коммуникации.

Компания OpenEvidence, разработчик ИИ-платформы для поддержки клинических решений, объявила о расширении своего направления в онкологии. Основная цель — создание «медицинского суперинтеллекта» на основе агентного искусственного интеллекта (agentic AI), где система из специализированных ИИ-агентов выступает в роли узких специалистов в различных клинических областях. В рамках инициативы запущено новое семейство ИИ-моделей, предназначенных для поддержки принятия решений в лечении рака. Партнерство с онкологическими центрами позволит интегрировать эти агенты в реальные клинические рабочие процессы, предоставляя врачам актуальные данные и рекомендации на основе последних исследований и клинических руководств. Ожидается, что такой подход повысит точность диагностики и персонализацию терапии, а также сократит время на поиск информации. Это значимый шаг в развитии агентного ИИ в медицине, который может изменить стандарты онкологической помощи.

Статья рассматривает, как искусственный интеллект трансформирует ландшафт киберугроз в здравоохранении, ставя под сомнение традиционные подходы к планированию реагирования на инциденты. Автор отмечает, что ИТ-команды больниц строили свои планы кибербезопасности на предположении, что и злоумышленники, и защитники действуют с человеческой скоростью и логикой. Однако ИИ меняет это: хакеры используют ИИ-агентов для ускорения латерального перемещения и повышения привилегий, создавая по-настоящему новые типы атак. С другой стороны, центры безопасности (SOC) могут применять ИИ-инструменты для корреляции данных об инцидентах, выявления наиболее критичных проблем и автоматического реагирования. Статья поднимает важный вопрос о готовности медицинских организаций к асимметричной борьбе, где скорость и масштаб атак выходят за пределы человеческих возможностей. Подчеркивается необходимость пересмотра стратегий защиты и внедрения ИИ-решений на стороне обороны для сохранения паритета. Материал актуален для специалистов по информационной безопасности в здравоохранении, а также для руководителей, отвечающих за цифровую устойчивость медицинских учреждений.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026 года), авторы Т. Анса-Нарх, Й. Асаре Афране и Дж. Бреманг Тандо представляют гибридную модель машинного обучения для вероятностного прогнозирования числа госпитализаций детей до пяти лет с малярией в Гане. Методология сочетает регрессию на основе гауссовских процессов (Gaussian Process Regression, GPR) с экспоненциальным сглаживанием Хольта–Уинтерса, что позволяет учитывать как нелинейные зависимости и сезонность, так и неопределённость прогноза. Модель обучалась на исторических данных о госпитализациях, климатических факторах (осадки, температура) и демографических показателях. Ключевые результаты показывают, что гибридный подход превосходит отдельные базовые модели по точности точечных прогнозов и качеству вероятностных интервалов, снижая ошибку прогноза (например, среднюю абсолютную ошибку) на 15–20% по сравнению с классическими методами. Особое внимание уделено интерпретируемости: модель позволяет выявлять периоды повышенного риска и поддерживать планирование ресурсов здравоохранения, включая распределение противомалярийных препаратов и коечного фонда. Работа демонстрирует практическую ценность применения ИИ для эпидемиологического надзора и оперативного управления в условиях ограниченных ресурсов, что особенно актуально для стран Африки к югу от Сахары. Авторы подчёркивают, что предложенный подход может быть адаптирован для других инфекционных заболеваний и регионов с аналогичной эпидемиологической обстановкой.

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.

В статье представлена модель MCKG-SL — новый метод прогнозирования синтетической летальности (SL) для гена KRAS, одного из наиболее часто мутирующих онкогенов при раке. Синтетическая летальность — это ситуация, при которой одновременная инактивация двух генов приводит к гибели клетки, тогда как мутация только одного из них не влияет на жизнеспособность. Поиск SL-партнеров для KRAS критически важен для разработки таргетной терапии рака, поскольку сам KRAS долгое время считался «неизлечимым» белком. Авторы предлагают подход, основанный на графе знаний (knowledge graph), который интегрирует множество биологических признаков: экспрессию генов, мутационный статус, данные о белковых взаимодействиях и функциональную аннотацию. Ключевая инновация — механизм кросс-агрегации признаков (multi-feature cross-aggregation), который позволяет модели одновременно учитывать как локальные, так и глобальные закономерности в графе знаний, что повышает точность предсказаний по сравнению с существующими методами. Модель была протестирована на наборах данных по раку, ассоциированных с KRAS, и показала значительное улучшение метрик AUC и точности по сравнению с базовыми алгоритмами машинного обучения и существующими SL-предсказателями. Результаты исследования могут ускорить открытие новых терапевтических мишеней для пациентов с KRAS-мутациями и способствовать развитию персонализированной онкологии. Работа опубликована в журнале Artificial Intelligence in Medicine и доступна онлайн с 28 августа 2026 года.

Статья представляет собой критический обзор и практический анализ применения методов искусственного интеллекта для обнаружения вторжений в системах интернета медицинских вещей (IoMT). Авторы рассматривают растущую угрозу кибератак на медицинские устройства, подключенные к сети, и подчеркивают ограниченность традиционных сигнатурных методов обнаружения вторжений. В работе систематизированы современные подходы на основе машинного и глубокого обучения, включая нейронные сети, ансамблевые методы и обучение с подкреплением, применяемые для выявления аномалий в сетевом трафике медицинских устройств. Особое внимание уделяется практическим аспектам внедрения таких систем: требованиям к вычислительным ресурсам, задержкам, энергопотреблению и совместимости с существующей медицинской инфраструктурой. Авторы анализируют доступные наборы данных для обучения моделей, такие как WUSTL-EHMS и другие, и обсуждают проблемы несбалансированности классов и дрейфа концепций в реальных условиях. В статье также рассматриваются вопросы регулирования и стандартов безопасности для медицинских устройств, включая требования FDA и GDPR. Критический анализ выявляет разрыв между академическими исследованиями и реальным внедрением, предлагая рекомендации по повышению надежности и интерпретируемости моделей ИИ для клинической практики. Авторы заключают, что гибридные подходы, сочетающие обнаружение аномалий с объяснимым ИИ, являются наиболее перспективным направлением для защиты медицинских данных и пациентов.

В статье представлена новая вычислительная платформа на основе множественного обучения (Multiple Instance Learning, MIL) для прогнозирования ответа на иммунотерапию рака по данным одноклеточного секвенирования РНК. Авторы решают ключевые проблемы анализа таких данных: наличие меток на уровне пациента, сильный дисбаланс классов и гетерогенность состояний макрофагов. Предложенная архитектура рассматривает каждого пациента как «мешок» эмбеддингов макрофагов, полученных с помощью фундаментальной модели одноклеточной РНК. В основе лежит механизм внимания с пониженной сложностью, усиленной регуляризацией (dropout) и явными штрафами на внимание для повышения устойчивости при малых выборках. Для борьбы с дисбалансом классов используется комбинированная функция потерь: фокальная потеря и контролируемый контрастивный критерий, которые одновременно улучшают разделение классов и кластеризацию представлений. На трех наборах данных по раку предложенный подход превосходит псевдобалковые агрегации, базовые эмбеддинги и стандартные варианты MIL. Анализ атрибуции внимания и регуляции транскрипции выявил различные программы макрофагов: интерфероновые и антигенпрезентирующие сети у responders, а гипоксические регуляторные модули — у non-responders. Работа демонстрирует потенциал MIL для выявления предсказательных и механистически интерпретируемых иммунных состояний, что может улучшить персонализацию иммунотерапии.

В статье рассматривается проблема оценки предсказателей чисел оборотов ферментов (kcat), которые критически важны для кинетических моделей и фермент-ограниченных геномных масштабных метаболических моделей (ecGEM). Из-за нехватки экспериментальных данных kcat всё чаще оценивают с помощью машинного обучения (ML), однако стандартные метрики регрессии не отражают практическую применимость этих моделей. Авторы провели бенчмаркинг шести современных предсказателей kcat на курируемом наборе данных на основе BRENDA и пяти из них на наборе EnzyExtract, сравнивая также близость обучающих выборок. Затем они использовали предсказанные значения для параметризации ecGEM Saccharomyces cerevisiae и оценили предсказания роста в 19 условиях. Результаты показали, что точность бенчмарков умеренная даже на BRENDA и резко падает на EnzyExtract, где все предсказатели достигают R² не выше 0.20. Совпадение последовательностей с обучающими данными составило 24–78% для BRENDA и 9–26% для EnzyExtract, но это не объясняет различий в обобщении. Более того, ранжирование по бенчмаркам не соответствовало качеству downstream-предсказаний: в глюкозной минимальной среде самый слабый по бенчмарку предсказатель дал наиболее точный прогноз роста, а более высокорейтинговые модели — большие отклонения. Причиной оказались локальные ошибки в высоконагруженных позициях метаболической сети, в частности заниженные значения kcat для митохондриального ADP/ATP-переносчика, что ограничивало обмен адениновых нуклеотидов и приводило к кажущемуся дефициту цитозольного АТФ. Снятие этого ограничения сместило предсказанный рост к экспериментальному. Авторы делают вывод о необходимости прикладной валидации предсказателей биологических параметров в тех системах, для которых они предназначены.

Исследователи разработали DAG-HEART — новую вычислительную платформу для прогнозирования исходов рака молочной железы, которая решает проблему демографического дисбаланса в геномных данных. Метод основан на направленном ациклическом графе (DAG), который моделирует причинно-следственные связи между различными уровнями молекулярной информации (мРНК, микроРНК и метилирование ДНК) и интегрирует их с помощью трансферного обучения с аугментацией данных. Валидация проводилась на данных TCGA-BRCA для прогнозирования интервала без прогрессирования у пациенток из групп меньшинств. DAG-направленная нелинейная интеграция стабильно превосходила подходы, не учитывающие направленность связей, а биологически обоснованные направленные ограничения давали лучшие результаты, чем обратные или неограниченные структуры. Отобранные признаки сходились на путях внеклеточного матрикса и регуляторных сигнальных каскадах, что обеспечило клинически значимую стратификацию риска. DAG-HEART предлагает интерпретируемую стратегию объединения направленной мультиомиксной структуры с трансферным обучением в условиях дисбаланса данных между расовыми группами, что повышает справедливость прогностических моделей в онкологии.

В статье представлен комплексный подход к картированию интерактома нейропептидов и их G-белок-связанных рецепторов (GPCR) у сверчка Gryllus bimaculatus — перспективной модели и съедобного насекомого. Авторы провели повторную аннотацию хромосомного генома (BUSCO 95,3%, улучшено с 86,7% по базе insecta_odb12), выявив 48 семейств нейропепптидных предшественников (51 локус, включая 7 ранее неизвестных) и 134 кандидатных GPCR (66 родопсинового класса, 68 секретинового класса). Для всех 15 946 пар пептид-рецептор были построены структурные модели с помощью AlphaFold3 и Boltz-2, а качество интерфейсов оценено по метрикам pLDDT и ipSAE. Ранжирование этих оценок и перекрестная проверка лучших кандидатов для каждого семейства с филогенией рецепторов известной лигандной специфичности позволили уверенно сопоставить рецепторы для 27 из 35 курируемых групп рецепторов. Эти результаты подтверждают структурные оценки существующими данными деорфанизации и предлагают рецепторы для пептидов без предшествующих функциональных доказательств. Аннотации, курируемые наборы пептидов и рецепторов, а также ранжированные комплексы доступны через CricketBase (https://cricket.annotation.jp) — браузер генома с просмотрщиком структур комплексов пептид-рецептор. Работа предоставляет ресурс для эндокринологии G. bimaculatus и рабочий процесс для деорфанизации GPCR у других немодельных насекомых.

В статье представлен новый вычислительный и математический фреймворк, который объединяет информационную геометрию, нечеткую топологию и анализ UMAP для моделирования ландшафтов экспрессии генов, полученных из данных одноклеточного секвенирования РНК (scRNA-seq). Авторы формализуют данные экспрессии генов как нечеткое топологическое пространство, где взаимодействия между точками экспрессии управляются вероятностными распределениями, вдохновленными методами обучения многообразий, такими как UMAP. В рамках этого подхода определяется информационно-геометрическая структура через метрику Фишера, индуцированную этими распределениями, что позволяет вычислять геодезические траектории, отражающие процессы клеточной дифференцировки. Ключевым вкладом работы является вывод аналитических условий, выраженных в виде формул радиуса экспрессии, которые характеризуют локальные окрестности в пространстве экспрессии генов. Эти условия позволяют идентифицировать гены, связанные со стволовыми состояниями клеток, и предсказывать переходные типы клеток в будущих исследованиях. Применение предложенного фреймворка к одноклеточным наборам данных выявляет биологически значимые наборы генов, обогащенные ключевыми регуляторными путями и факторами транскрипции, что демонстрирует способность подхода раскрывать скрытую структуру в сложных данных экспрессии генов. Результаты показывают, что интеграция дифференциальной геометрии с теорией статистического обучения предлагает мощную парадигму для моделирования взаимосвязей генотип-фенотип и переходов клеточных состояний, с потенциальными применениями в точной медицине и системной биологии.

NVIDIA договорилась о приобретении платформы Hugging Face за 12,93 млрд долларов, что усилит позиции компании в сфере ИИ. Сделка направлена на расширение доступа к ИИ для разработчиков и исследователей, при этом NVIDIA сохранит аппаратную нейтральность и поддержку открытых моделей. Интеграция позволит улучшить инфраструктуру, безопасность и инструменты оценки моделей на платформе.

Компания Onos Health, разрабатывающая ИИ-платформу клинического анализа для поведенческого здоровья, привлекла $17 млн в рамках раунда Series A. Платформа анализирует структурированные и неструктурированные данные для выявления пробелов в лечении и улучшения качества помощи, что помогает страховщикам снижать затраты и повышать эффективность. Средства пойдут на расширение внедрения платформы и развитие ИИ-инфраструктуры.

Статья утверждает, что ИИ в здравоохранении пока сосредоточен на административных задачах, но его истинный потенциал — в раннем выявлении заболеваний через анализ биосигналов. Автор подчеркивает, что это может радикально улучшить продолжительность и качество жизни, сократив разрыв между ожидаемой и реальной продолжительностью жизни.

МТС внедрила на Алтае новую функцию, использующую искусственный интеллект для автоматического резюмирования телефонных разговоров. Система анализирует аудиозапись разговора и выделяет ключевые тезисы, что позволяет абонентам быстро получать краткое содержание беседы без необходимости прослушивать её повторно. Технология основана на алгоритмах обработки естественного языка (NLP) и машинного обучения, которые распознают речь, выделяют важные фрагменты и структурируют их в виде текстового резюме. Функция доступна жителям Алтайского края и Республики Алтай, став частью цифровых сервисов оператора. Внедрение ИИ-резюмирования направлено на повышение удобства пользователей, особенно в деловых и длительных разговорах, где важно быстро восстановить суть договорённостей. Точность распознавания и качество резюме зависят от качества связи и особенностей речи собеседников. Это пример применения ИИ в телекоммуникациях, который косвенно связан с медициной, поскольку аналогичные технологии могут использоваться для автоматической обработки консультаций врачей и телемедицинских сессий, однако в данной статье медицинский контекст отсутствует.

В Государственную Думу России внесен законопроект, обязывающий владельцев сайтов и платформ с рекомендательными алгоритмами предоставить пользователям возможность скрывать в настройках контент, полностью или частично созданный с помощью искусственного интеллекта. Инициатива направлена на повышение прозрачности работы алгоритмов и защиту пользователей от потенциально недостоверной или манипулятивной информации, генерируемой ИИ. Законопроект предполагает внесение изменений в законодательство о информации, информационных технологиях и о защите информации. Авторы инициативы считают, что пользователи должны иметь право самостоятельно выбирать, хотят ли они видеть в лентах рекомендаций материалы, созданные нейросетями, особенно в контексте новостей и общественно значимой информации. Документ находится на стадии рассмотрения, его принятие потребует доработки механизмов маркировки ИИ-контента и технической реализации на платформах. Эксперты отмечают, что подобные меры уже обсуждаются в других странах, однако их практическая реализация сопряжена со сложностями в определении степени участия ИИ в создании контента.