ИИ в медицине

OpenAI расширяет возможности ChatGPT в сфере здравоохранения, внедряя новые интеграции, которые напрямую связывают модель с клиническими рабочими процессами и источниками данных общественного здравоохранения. Ключевым партнерством стало подключение к Epic — одной из крупнейших систем электронных медицинских карт (EHR) в США, что позволяет врачам получать контекстную информацию о пациентах непосредственно в интерфейсе ChatGPT. Интеграция с данными общественного здравоохранения (public health data) дает возможность модели анализировать эпидемиологические сводки, данные о вспышках заболеваний и статистику по регионам, помогая медицинским работникам принимать более обоснованные решения. Это значимый шаг в направлении внедрения генеративного ИИ в повседневную клиническую практику, поскольку ранее ChatGPT в медицине использовался в основном для общих консультаций и административных задач. Новая функциональность ориентирована на реальные сценарии использования: подготовка к приему пациента, быстрое извлечение релевантной информации из истории болезни и оценка эпидемиологической обстановки. Однако в статье не приводятся конкретные технические детали реализации, сроки запуска или данные о пилотных испытаниях в медицинских учреждениях. Тем не менее, анонс подтверждает стратегический курс OpenAI на углубление присутствия в клинической сфере и конкуренцию с такими специализированными решениями, как Google Med-PaLM и Microsoft Nuance DAX.

В исследовании, опубликованном в npj Digital Medicine 7 сентября 2026 года, представлена мультимодальная модель искусственного интеллекта для прогнозирования риска рецидива менингиомы после радиотерапии. Модель объединяет перитуморальные МРТ-изображения (область вокруг опухоли) с клиническими данными пациентов, что позволяет более точно стратифицировать пациентов по группам риска по сравнению с традиционными подходами. Авторы использовали методы глубокого обучения для анализа радиомических признаков перитуморальной зоны, которые отражают микроинвазию и биологическое поведение опухоли, недоступные при стандартной оценке только самой опухоли. Валидация модели проводилась на ретроспективных когортах пациентов с менингиомой, получавших лучевую терапию, с оценкой дискриминационной способности через AUC (площадь под ROC-кривой). Результаты показали значительное улучшение точности прогноза рецидива по сравнению с моделями, использующими только клинические параметры или только внутриопухолевые МРТ-признаки. Интеграция перитуморальных радиомических характеристик позволила выявить скрытые паттерны, связанные с агрессивностью опухоли, что может помочь в персонализации адъювантной терапии и выборе тактики наблюдения. Работа подчеркивает потенциал мультимодального ИИ в нейроонкологии для улучшения стратификации риска и принятия клинических решений, однако требует проспективной валидации перед внедрением в рутинную практику.

Британский бренд персонализированного питания Nourished (входит в группу Rem3dy Health) представил новый продукт Sleep Pro — жевательные конфеты без сахара для поддержки сна. Это первый потребительский продукт на рынке Великобритании, содержащий ингредиент PeptiSleep — растительный пептид, выделенный из белка рисовых отрубей с использованием ИИ-платформы Nuritas, специализирующейся на поиске биоактивных соединений. Разработка создана на основе запатентованной технологии 3D-печати Nourished, позволяющей объединять несколько активных компонентов в одной конфете. ИИ-платформа Nuritas использовалась для идентификации и валидации биоактивного пептида, что является ключевым этапом в создании продукта. Sleep Pro позиционируется как персонализированное решение для улучшения качества сна, что соответствует тренду на интеграцию искусственного интеллекта в разработку нутрицевтиков и функционального питания. Продукт доступен на рынке Великобритании, и его появление знаменует собой пример коммерциализации ИИ-открытий в области здоровья и благополучия.

Ученые из Insilico Medicine (Китай) и других научных центров обнаружили потенциальный антивозрастной эффект у экспериментального препарата rentosertib, разработанного с применением искусственного интеллекта для лечения идиопатического легочного фиброза (ИЛФ). В дополнительном анализе данных исследования II фазы у пациентов, получавших препарат, показатели расчетного биологического возраста снизились сразу по нескольким системам оценки старения. Результаты опубликованы в авторитетном журнале Nature Biotechnology. Rentosertib — это малая молекула, идентифицированная с помощью генеративной платформы ИИ компании Insilico Medicine, которая позволяет создавать новые химические структуры с заданными свойствами. Препарат уже продемонстрировал эффективность в лечении ИЛФ в клинических испытаниях, а теперь данные указывают на его дополнительный потенциал в геронтологии. Снижение биологического возраста оценивалось с помощью нескольких независимых эпигенетических часов и других биомаркеров старения, что повышает достоверность результатов. Это открытие может стать важным шагом к созданию первых одобренных антивозрастных терапий, а также подтверждает ценность ИИ в открытии лекарств с множественными терапевтическими эффектами. Исследование открывает перспективы для дальнейших клинических испытаний rentosertib в качестве средства для замедления старения и лечения возраст-ассоциированных заболеваний.

В статье представлена новая модель PI-HGRU (physics-informed hybrid gated recurrent unit) для прогнозирования распространения пирикуляриоза (рисового грибка) в пространстве и времени. Модель сочетает дифференциальные уравнения, описывающие динамику передачи болезни, с гибридной архитектурой на основе гейтированных рекуррентных блоков (GRU), что позволяет объединить механистические знания эпидемиологии с обучением на данных. Для обучения и оценки использован многолетний набор данных (2000–2016 гг.) по 16 крупным рисоводческим провинциям Южного Китая, включающий полевые наблюдения, данные дистанционного зондирования, метеорологические и почвенные характеристики. Для обработки нерегулярных интервалов наблюдений и разной длины временных рядов применён подход со скользящим временным окном, а также проведён анализ чувствительности для выбора оптимальных параметров окна и задержки. Результаты показали, что PI-HGRU значительно превосходит чисто data-driven модель HGRU: коэффициент корреляции r² улучшен на 22,8%, а RMSE и MAE снижены на 10,2% и 18,0% соответственно. Анализ промежуточных переменных выявил интерпретируемую связь между скоростью передачи β(t) и условиями окружающей среды, что подтверждает способность модели объяснять механизмы распространения болезни. Работа демонстрирует, что интеграция эпидемиологических механизмов в глубокое обучение повышает точность, стабильность и интерпретируемость прогнозов, что важно для крупномасштабного мониторинга и точного управления болезнями сельскохозяйственных культур.

Китайские регулирующие органы впервые одобрили к выпуску на рынок инновационный препарат от COVID-19, при разработке которого использовались технологии искусственного интеллекта. Об этом сообщили в Университете Сиху (КНР). Это событие знаменует собой важный этап в применении ИИ в фармацевтической отрасли: алгоритмы машинного обучения использовались для анализа молекулярных структур, прогнозирования эффективности и оптимизации клинических испытаний. Одобрение препарата подтверждает, что ИИ может ускорить процесс создания лекарств, сокращая время и затраты на исследования. Для практической медицины это открывает новые возможности для быстрой разработки терапевтических средств против новых штаммов вирусов. Точные данные о названии препарата, действующем веществе и сроках выхода на рынок в сообщении не раскрываются, однако сам факт регуляторного одобрения является прецедентом для всей индустрии.

Компания Cureety, специализирующаяся на цифровой онкологии, объявила о приобретении Reimagine Care, платформы удаленного мониторинга пациентов с раком. Объединенная компания теперь поддерживает более 250 онкологических центров и охватывает более 100 000 пациентов в пяти странах. Reimagine Care использует искусственный интеллект для анализа симптомов и данных пациентов в реальном времени, что позволяет врачам своевременно корректировать лечение и предотвращать осложнения. Платформа интегрируется с электронными медицинскими картами и предоставляет клиницистам прогностические модели для оценки рисков. Приобретение усиливает позиции Cureety в сегменте точной онкологии, где ИИ применяется для персонализации терапии и улучшения исходов лечения. Ожидается, что синергия технологий позволит ускорить внедрение предиктивной аналитики в клиническую практику и снизить нагрузку на онкологические отделения. Финансовые условия сделки не раскрываются.

Компания Nourish, специализирующаяся на цифровом здравоохранении, объявила о широком внедрении своего генеративного ИИ-ассистента Health Assistant в приложение для пациентов. Ассистент, ранее доступный в бета-версии, теперь предоставляет пациентам персонализированные рекомендации между визитами к врачу, включая планирование питания, интерпретацию лабораторных показателей и подготовку к приёмам. Решение работает в режиме 24/7, что позволяет пациентам получать поддержку в любое время без необходимости ожидания ответа медицинского персонала. Инструмент использует генеративный ИИ для адаптации советов под индивидуальные особенности каждого пациента, что повышает вовлечённость в процесс лечения и улучшает приверженность рекомендациям. Внедрение ассистента направлено на снижение нагрузки на врачей и повышение качества непрерывного ухода за пациентами с хроническими заболеваниями, особенно в области нутрициологии и диетологии. Это значимый шаг в развитии телемедицины и персонализированной медицины, демонстрирующий практическое применение генеративного ИИ в повседневной клинической практике.

Компания Scan.com, специализирующаяся на медицинской визуализации, объявила о привлечении $220 млн инвестиций. Средства будут направлены на расширение сети поставщиков услуг визуализации в США, а также на развитие API-инфраструктуры и агентного искусственного интеллекта (agentic AI). Агентный ИИ представляет собой системы, способные автономно выполнять задачи, принимать решения и взаимодействовать с другими системами без постоянного контроля человека. В контексте медицинской визуализации такие технологии могут автоматизировать процессы назначения исследований, анализа изображений, маршрутизации пациентов и интеграции с электронными медицинскими картами. Инвестиции подчеркивают растущий тренд на внедрение ИИ в организацию и оптимизацию диагностических услуг. Scan.com стремится создать крупнейшую в США сеть медицинской визуализации, объединяя независимые центры и используя цифровые технологии для улучшения доступа пациентов к МРТ, КТ и другим видам диагностики. Развитие API-инфраструктуры позволит упростить интеграцию с больницами и клиниками, а агентный ИИ — повысить эффективность и скорость обработки заявок.

В исследовании, опубликованном в журнале Nature Machine Intelligence, Кумаран и его коллеги продемонстрировали, что большие языковые модели (LLM) при принятии решений о том, когда ответить на вопрос, а когда воздержаться от ответа, могут быть подвержены влиянию путем усиления или подавления сигналов уверенности в модели. Авторы установили причинно-следственную связь между внутренними сигналами уверенности и поведением модели, что выходит за рамки простых корреляционных наблюдений. В работе, вероятно, использовались методы вмешательства в активации модели или логиты, чтобы напрямую манипулировать уровнем уверенности и наблюдать за изменениями в решениях модели. Результаты показывают, что усиление сигналов уверенности приводит к более частым ответам, даже если они могут быть неверными, в то время как подавление уверенности увеличивает частоту воздержания от ответа, что может повысить точность, но снизить полезность. Это исследование имеет важное значение для разработки более надежных и безопасных систем ИИ в медицине, где способность модели признавать свою неуверенность критически важна для предотвращения ошибочных диагнозов и рекомендаций. Понимание механизмов уверенности может помочь в создании систем, которые лучше калибруют свои ответы и более эффективно взаимодействуют с врачами и пациентами.

В исследовании изучается возможность использования GPT-4o для автоматической генерации бинарных меток заболеваний из радиологических отчетов и применения этих меток для обучения сверточных нейронных сетей (ResNet-18, DenseNet-121, EfficientNet-B1, ConvNeXt-Tiny) для классификации рентгенограмм грудной клетки. GPT-4o достиг точности 92,9% по сравнению с экспертными метками, а ConvNeXt-Tiny показал наилучшую производительность (AUC=0,832). Подход предлагает масштабируемое и экономичное решение для скрининга в условиях ограниченных ресурсов.

Представлена блокчейн-структура PQ-FundusChain для квантово-устойчивого обмена изображениями глазного дна в телеофтальмологии. Используются постквантовые криптографические алгоритмы (ML-KEM, ML-DSA) и децентрализованное хранение, что обеспечивает безопасность и конфиденциальность. Эксперименты на наборе данных Messidor-2 показали низкие вычислительные затраты и задержку менее 1 мс, что подтверждает практическую применимость.

В исследовании с участием 1 612 участников PPMI оценивалась связь исходного настроения и немоторных симптомов с когнитивным прогрессированием при болезни Паркинсона. Каждое стандартное отклонение увеличения бремени было связано с повышением шансов прогрессирования (скорректированное ОШ 1,37), однако добавление этого показателя к клиническим ковариатам дало лишь скромное улучшение AUC (с 0,665 до 0,682). Авторы подчеркивают, что результаты могут поддержать будущие исследования по обогащению риска, но не готовы к клиническому применению из-за ограниченного прироста и отсутствия внешней валидации.

Статья представляет MErlin (Methylation-driven Expression & Regulation Linkage in Interacting Nuclear-domains) — открытый мультиомиксный инструментарий для анализа бактериальных метиломов, интегрирующий данные модифицированных оснований, аннотации генома, инвентаризацию мотивов, генотипы метилтрансфераз, уровень транскриптов, положение реплихоры и конформацию хромосомы. Инструмент состоит из 17 композируемых модулей, которые преобразуют данные от basecalled modBAM-файлов до ранжированных генных доказательств и автономного HTML-отчёта. MErlin распространяется как обычный Python-пакет и как «навык агента» — структурированный, версионируемый слой процедурных знаний, позволяющий LLM-ассистенту (например, Claude) выбирать и запускать проверенные операции без генерации новых реализаций анализа. Такой подход рассматривает естественный язык как интерфейс к фиксированным аналитическим операциям, а не как замену протестированному научному ПО. Навык кодирует правила выбора модулей, обязательные предварительные проверки, вопросы, требующие участия человека, ограничения «дизайн-инференс» и руководство по интерпретации. Авторы описывают архитектуру и статистику MErlin, валидируют его на синтетическом наборе данных с заложенной истиной и демонстрируют разговорный интерфейс на реальном сравнении метилом-транскриптом у Pseudoalteromonas haloplanktis TAC125. MErlin доступен на GitHub (https://github.com/IacopoPasseri/MErlin) и представляет собой значимый шаг к использованию LLM в биоинформатике, делая сложные эпигеномные анализы доступными через естественный язык.

HyperSketch — это новый инструмент для скетчинга геномов, который использует гиперразмерные вычисления (HDC) для кодирования структуры графа де Брейна в вектор фиксированного размера. В отличие от традиционных методов на основе MinHash, которые оценивают сходство по наборам k-меров и теряют структурную информацию, HyperSketch сохраняет топологию графа, кодируя переходы между соседними k-мерами в суперпозицию ортогональных гипервекторов. Авторы также предлагают аналитическую основу, доказывающую, что графовые скетчи требуют меньшего размера k-меров, чем сетевые модели, из-за расширенного биологического следа k+1. Инструмент был протестирован на ~26 тысячах вирусных референсных геномов из NCBI GenBank. При оптимальных параметрах HyperSketch показал сильную линейную корреляцию (>99%) с оценками расстояния MinHash. Ключевое преимущество — эффект масштабирования расстояния, который расширяет динамический диапазон оценок для близкородственных штаммов, обеспечивая более высокое разрешение для кластеризации суб-линий. HyperSketch предлагает вычислительно эффективную, структурно-осознанную альтернативу традиционным методам скетчинга, дополняя существующие метрики идентичности нуклеотидов без выравнивания последовательностей.

В статье представлен ReTIF (Relation-enhanced Task-specific Interaction Framework) — новая мультизадачная модель глубокого обучения для открытия лекарств, нацеленных на РНК. Модель одновременно решает две задачи: прогнозирование взаимодействий РНК-соединений (DTI) и локализацию сайтов связывания на нуклеотидном уровне. Ключевое новшество — раздельные представления взаимодействий для каждой задачи, в отличие от существующих подходов, использующих общие кросс-модальные представления. ReTIF интегрирует эмбеддинги из четырех предобученных моделей: RNA-FM, StructRFM, Mole-BERT и MolFormer. Ветвь DTI агрегирует глобальную совместимость, а ветвь локализации сохраняет нуклеотидное разрешение и усиливает локальные признаки через графовую пропагацию с учетом структурных и топологических приоритетов. Асимметричный сигнал совместимости из DTI-ветви обеспечивает глобальный контекст для локализации, не размывая локальные сигналы. В экспериментах на пятикратной кросс-валидации с четырьмя типами сдвигов (невидимые пары, РНК, соединения, совместные) и 13 базовыми моделями ReTIF показал наилучшие средние результаты в 13 из 16 комбинаций сценарий-метрика, включая AUPR для локализации сайтов во всех четырех настройках. Это подтверждает эффективность раздельных представлений для мультизадачного прогнозирования в области РНК-таргетной терапии.

PromptBio — это мультиагентная ИИ-платформа, доступная через веб-портал promptbio.ai, которая автоматизирует сквозные вычислительные биомедицинские исследования. С помощью естественного языка пользователь формулирует научный вопрос, а агентный харнесс PromptGenie преобразует его в проверяемый план, выполняет необходимые исследования и анализ, а затем адаптирует последующие шаги по мере появления новых данных. Платформа сочетает рассуждения с управляемым исполнением, сохраняя человеческий контроль и полную трассируемость процесса. PromptBio поддерживает как проверенные методы, так и создание пользовательских анализов, а также интеграцию внешних рабочих процессов, что обеспечивает воспроизводимость и выход за рамки фиксированных пайплайнов. В ходе оценки платформы сравнивались бенчмарки сквозного биоинформатического анализа и глубоких биомедицинских исследований, валидировались омиксные и ML-навыки, а также проводилось тематическое исследование регуляторной геномики. PromptGenie показал более высокую аналитическую точность и качество извлечения и синтеза информации по сравнению с агентами-конкурентами, а оцененные доменные навыки дали результаты, согласующиеся с устоявшимися методами. Тематическое исследование продемонстрировало способность PromptBio интегрировать человеческие геномные и эпигеномные особенности для изучения развития коры головного мозга. Таким образом, PromptBio позволяет координировать сложные биомедицинские анализы под наблюдением исследователя, ускоряя научные итерации и превращая исследовательские вопросы в прозрачные, переиспользуемые вычислительные рабочие процессы.

В статье представлен gVCF2CNV — новый биоинформатический конвейер на основе Nextflow, который преобразует файлы gVCF (genomic VCF) в сигналы Log R Ratio (LRR) и B Allele Frequency (BAF), совместимые с устоявшимися инструментами для выявления вариаций числа копий (CNV), такими как PennCNV и QuantiSNP. Это решает проблему вычислительной сложности анализа CNV в крупных когортах полногеномного секвенирования (WGS), поскольку большинство существующих методов требуют BAM/CRAM файлов, которые значительно больше по размеру. Конвейер был протестирован на данных 12 509 человек из когорты SPARK: сигналы извлекались в среднем для 2,7 миллиона позиций однонуклеотидных вариантов (SNV) на индивида, а обработка заняла 4 часа с использованием 192 процессорных ядер. При вызове CNV с помощью PennCNV и QuantiSNP точность по Менделевскому наследованию в трио составила примерно 80% и выше для делеций размером не менее 30 т.п.н. и дупликаций не менее 5 т.п.н. Масштабируемость подтверждена применением к 414 824 образцам из когорты All of Us, где анализ завершился за 96 часов. Результаты демонстрируют, что gVCF-файлы могут служить эффективным и масштабируемым входным форматом для обнаружения CNV в больших WGS-когортах, что имеет прямое значение для геномной медицины и популяционных исследований. Конвейер доступен на GitHub и реализован на Perl и Python, поддерживается в Linux.

В статье представлен WGCNA+, новый R-пакет, расширяющий классический метод WGCNA (Weighted Gene Co-expression Network Analysis) для совместного анализа мульти-омиксных данных (транскриптомика, протеомика, miRNA). Традиционный WGCNA работает только с одним типом данных, что ограничивает его применение в современной биомедицине. WGCNA+ предлагает пять ключевых инноваций: (1) унифицированный конвейер для построения сетей на каждом уровне омики и обогащения модулей между уровнями; (2) ускоренное вычисление матрицы топологического перекрытия с помощью SVD-разложения, что значительно сокращает время вычислений; (3) консенсусный фреймворк для выявления модулей, воспроизводимых на независимых наборах данных или условиях; (4) сопутствующий R-пакет LASAGNA для визуализации фенотип-зависимых мульти-партитных графов, отображающих межомиксные связи; (5) ИИ-поддержанную аннотацию и инфографику для быстрой биологической интерпретации. Авторы протестировали WGCNA+ на публичных транскриптомных, протеомных и miRNA-наборах данных. Результаты показали, что WGCNA+ обнаруживает биологически значимые модули, межомиксные корреляции признаков и фенотипов, а также предоставляет ИИ-интерпретацию, ускоряющую исследования. Пакеты WGCNA+ и LASAGNA реализованы на R (версия ≥3.5) и доступны бесплатно на GitHub. Инструмент предназначен для фундаментальных исследований, поиска биомаркеров и анализа сигнальных путей, а также для клинических и трансляционных исследований.