ИИ в медицине

В данном материале рассматривается потенциал носимых устройств и технологий искусственного интеллекта для улучшения здоровья сердечно-сосудистой системы у женщин. Автор поднимает вопрос о том, способен ли огромный объем данных, генерируемых современными гаджетами, реально трансформировать качество медицинской помощи. Обсуждаются ключевые аспекты того, как превратить сырую информацию в измеримые и позитивные клинические исходы. Особое внимание уделяется специфике женского организма и тому, как ИИ может помочь в более точной диагностике и мониторинге сердечных патологий, которые часто проявляются иначе, чем у мужчин. Материал анализирует разрыв между сбором данных и их практическим применением в клинической практике. Подчеркивается важность интеграции технологий ИИ в повседневный мониторинг для раннего выявления рисков. Рассматриваются барьеры, препятствующие эффективному использованию этих данных врачами и пациентами. В целом, статья посвящена организации здравоохранения и внедрению цифровых инструментов, что соответствует теме ИИ в медицине.

В исследовании представлена разработка и валидация модели глубокого обучения на основе архитектуры 2D U-NET для автоматизированной сегментации и количественной оценки атеросклеротических поражений на гистологических срезах аортального корня мышей. Традиционный метод ручного измерения размеров поражений на окрашенных маслом красным О срезах является трудоемким и занимает около 5 минут на одно изображение, что создает узкое место в экспериментальных исследованиях. Для обучения модели использовался набор из 2553 микроскопических изображений, полученных от генетически разнообразных мышей линии F2 с нокаутом гена Apoe, находившихся на западной диете в течение 12 недель. Данные были разделены на обучающую (1533 изображения), валидационную (510 изображений) и тестовую (510 изображений) выборки, при этом ручная сегментация проводилась экспертом с использованием программного обеспечения Zeiss AxioVision. Разработанная модель продемонстрировала высокую точность: коэффициент F1 составил 0.82, индекс Джаккара — 0.72, чувствительность (Recall) — 0.80, точность (Precision) — 0.87, а коэффициент корреляции с ручными измерениями достиг 0.98. Ключевым практическим преимуществом является радикальное сокращение времени обработки: модель выполняет задачу за ~3.35 секунды, что снижает время измерения на 98.9% по сравнению с ручным трудом. Данный инструмент предоставляет новую платформу для быстрой и точной количественной оценки атеросклеротических бляшек, что существенно ускоряет доклинические исследования и анализ эффективности потенциальных терапий.

В статье представлен метод RAPTORGraph, основанный на бета-вариационном автокодировщике с графовым кодировщиком путей, предназначенный для каузального открытия в экспериментах Perturb-seq. Метод решает проблему «разлива» вмешательств (intervention spillover) в замкнутом мире, где цели вмешательства известны заранее, что является критической проблемой для существующих методов, использующих плотные энкодеры. В отличие от подходов, накладывающих подтвержденную предвзятость через заранее curated биологические пути, RAPTORGraph явно моделирует сложные взаимодействия «ген-ген» внутри обучаемых путей, позволяя выявлять новые сигналы за пределами аннотированных баз данных. Модель использует предварительное условие (preconditioning) для изоляции влияния возмущенных генов, обеспечивая чистые латентные вмешательства, необходимые для идентифицируемого каузального открытия. Обучение проводится на данных, предварительно выровненных с помощью оптимального транспорта, что гарантирует корректное отображение между контрольными и возмущенными образцами и стабилизирует латентные представления. Эксперименты демонстрируют, что RAPTORGraph превосходит существующие методы в анализе непредвиденных возмущений, особенно в выявлении неаддитивных взаимодействий. При этом модель сохраняет конкурентоспособные результаты по объективным метрикам, таким как среднеквадратичная ошибка и максимальное расхождение средних. Предоставленный исходный код доступен на GitHub, что способствует воспроизводимости исследований в области вычислительной биологии и машинного обучения.

В статье представлен метод SPaRTA (Spatial Reasoning in Text-to-SQL for Omics Analysis), который использует большие языковые модели (LLM) для преобразования естественного языка в исполняемые SQL-запросы к базам данных пространственной омики. Технология решает проблему сложности доступа к высокоразрешающим картам транскриптомной, протеомной и метаболомной активности тканей, позволяя исследователям без навыков программирования формулировать запросы на естественном языке. Авторы создали набор данных SPaRTA-Bench, включающий схемы баз данных, конвенции запросов и 7500 пар «вопрос-SQL», валидированных с помощью LLM и экспертов, охватывающих образцы тканей при раке молочной железы, поджелудочной железы и меланоме. Эксперименты показали, что открытые модели (Llama, Mistral, Qwen, Gemma, Phi) достигают точности выполнения от 10% до 40% в режиме zero-shot, а с использованием обратной связи по рассуждениям и выполнению — до 61%. После дообучения (fine-tuning) точность моделей повысилась до 63–77%, при этом они сохранили устойчивость к новым типам тканей, потеряв не более 6 процентных пунктов. Исследование выявило 15 специфических режимов отказа, когда запрос выполняется корректно, но возвращает неверный ответ, что указывает на необходимость улучшения семантического понимания контекста. Разработанный интерфейс значительно демократизирует доступ к сложным биомедицинским данным, ускоряя исследования в онкологии и патоморфологии.

Национальная медицинская библиотека США (NLM) представила Cell Knowledge Network (NLM-CKN) — семантическую базу знаний, предназначенную для интеграции данных о клеточных фенотипах с информацией о заболеваниях и терапевтических вмешательствах. Исследователи использовали воспроизводимые вычислительные рабочие процессы для анализа 88 наборов данных, охватывающих 10 органов человека, что позволило сформировать знания о 2585 клеточных множествах и 5139 генах с селективной экспрессией. Ключевым технологическим аспектом является применение семантической схемы, которая преобразует экспериментальные данные в тройные утверждения (триплеты) и загружает их в базу данных ArangoDB с сохранением происхождения данных и количественных доказательств. Эта система связывает клеточные типы с онтологией клеток на основе экспериментальных доказательств, объединяя иерархии анатомии, ассоциации «ген-заболевание» и данные о лекарствах. Интерфейс платформы позволяет визуально исследовать клеточный состав здоровых тканей человека, что упрощает навигацию по сложным биологическим взаимосвязям. Топологический анализ, проведенный в рамках проекта, выявил новые инсайты о вкладе различных клеток в патогенез заболеваний и определил клеточные контексты для терапевтического вмешательства. Особый интерес представляет способность системы генерировать гипотезы о репозиционировании существующих препаратов на основе выявленных сетевых связей. Проект решает проблему фрагментации знаний, превращая разрозненные данные одноцепочечной транскриптомии в структурированную, машиночитаемую сеть, что критически важно для ускорения трансляционных исследований и разработки персонализированных методов лечения.

Представлен метод PixAQ, предназначенный для улучшения количественной оценки белков на уровне отдельных клеток при использовании микроскопии масс-цитометрии (IMC). Традиционные подходы часто суммируют сигналы всех маркеров в пределах одной маски клетки, что приводит к ошибкам из-за перекрытия сигналов соседних клеток или игнорирования пространственного распределения. PixAQ решает эту проблему, применяя вероятностное присвоение пикселей на основе маркера, комбинируя данные о пространственной близости и интенсивности сигнала с явным остаточным компонентом. Метод позволяет точно определить, какие локальные сигналы вносят вклад в измерение каждого конкретного маркера, не изменяя саму сегментацию клеток. Валидация проводилась на трех когортах, охватывающих 680 областей и 366 пациентов. Результаты показали улучшение согласованности с заранее определенными соотношениями маркеров популяции: медианный прирост ожидаемой доли маркера на пациента составил от 1.99 до 4.83 процентных пунктов по сравнению с традиционным методом общих масок. Анализ аблиации подтвердил, что как пространственные, так и интенсивностные данные вносят равный вклад в повышение точности. Метод применим как к обычным, так и к высокодетализированным изображениям IMC, открывая новые возможности для точного анализа клеточной микросреды.

В статье представлен новый мультимасштабный и многомодальный фреймворк глубокого обучения CellReg3D, предназначенный для моделирования клеточно-специфичной регуляции генов. Методология объединяет локальные паттерны последовательности ДНК, извлеченные с помощью языковых моделей ДНК (DNA LLM), с данными о пространственной организации хроматина, полученными из Hi-C экспериментов. Это позволяет преодолеть ограничения существующих подходов, которые часто игнорируют вклад 3D-архитектуры генома или не могут эффективно комбинировать последовательностные признаки с данными о хроматиновых взаимодействиях. Исследователи продемонстрировали, что CellReg3D достигает состояния-of-the-art (SOTA) в предсказании эпигенетических меток и профилей экспрессии генов на множестве типов клеток, эффективно обучаясь эпигенетическим паттернам и состояниям активности хроматина. С использованием интерпретируемых методов показано, как модель идентифицирует клеточно-специфичные механизмы регуляции и приоритизирует функциональные некодирующие варианты. Применение CellReg3D к количественным локусам экспрессии (eQTL) позволило улучшить их интерпретацию и выявить новые потенциальные взаимодействия регуляции генов. Фреймворк предлагает интегрированный подход для декодирования регуляторной геномики, объединяя данные о последовательности и 3D-структуре генома для продвижения в области приоритизации вариантов, открытия механизмов заболеваний и персонализированной функциональной геномики.

В исследовании представлен новый метод машинного обучения LSAT-EN (Layer-Specific Source-Anchored Transfer Learning with Elastic Net), разработанный для улучшения прогнозирования выживаемости у молодых пациенток с раком молочной железы (до 50 лет), данных которых часто недостаточно для обучения надежных моделей. Метод использует данные более старших возрастных групп (50, 55 и 60+ лет) в качестве источника знаний для переноса на целевую группу, интегрируя шесть слоев мультиомических данных из когорты TCGA-BRCA. Оценка эффективности проводилась с помощью AUC для бинарного прогнозирования выживаемости на 2–4 года, а также индекса Харрелла C и IPCW AUC для цензурированных данных. В симуляционных моделях LSAT-EN продемонстрировал наилучшие результаты при умеренной гетерогенности между источниками и целевыми группами, достигая AUC в диапазоне 0.747–0.802, что статистически значимо превысило показатели других методов, таких как GAS-EN и стандартный Elastic Net. При высокой гетерогенности данных и малом объеме выборки целевой группы преимущество метода было еще более выраженным: AUC составил 0.689–0.789 против 0.590–0.771 у конкурентов. Применение метода к реальным данным TCGA-BRCA подтвердило его способность улучшать дискриминационную способность моделей по всем временным горизонтам и возрастным группам-источникам. Кроме того, алгоритм успешно выявил биологически значимые мРНК и микроРНК, а также перспективные пары взаимодействий, что подчеркивает его ценность не только для прогнозирования, но и для открытия биомаркеров. Исследование демонстрирует потенциал переносного обучения в решении проблемы диспропорций в данных и улучшении персонализированной онкологии для недостаточно представленных популяций.

В статье представлен метод NeuroWeave-3D, предназначенный для 3D-сегментации глиом по данным МРТ в условиях отсутствия или повреждения отдельных последовательностей (модальностей). Традиционные модели часто дают сбой, если не все предписанные последовательности доступны, тогда как новый подход рассматривает отсутствующие данные как неопределённое доказательство, а не пытается их детерминированно восстановить. Архитектура объединяет пространственную маршрутизацию модальностей, вероятностное завершение латентных признаков, согласованность между полными и недостающими данными, а также оценку неопределённости на уровне вокселей. Обучение сети проводится с использованием методики обучения по расписанию (curriculum learning) на всех возможных непустых подмножествах модальностей МРТ, что позволяет одной модели работать при любой комбинации доступных последовательностей. Оценка производительности базируется на наборе данных BraTS и включает анализ точности при полном вводе, макросредней и наихудшей производительности при отсутствии модальностей, устойчивости к искажениям, калибровке модели и способности обнаруживать ошибки. Исследование решает критическую проблему клинической применимости ИИ-инструментов, так как в реальной практике данные МРТ часто бывают неполными из-за технических сбоев или протоколов сканирования. Предложенный метод демонстрирует высокую адаптивность и надежность, обеспечивая точную сегментацию опухолей даже в субоптимальных условиях сбора данных. Это значительно повышает потенциал внедрения автоматизированных систем диагностики в рутинную клиническую практику.

В статье, опубликованной в журнале npj Digital Medicine 3 ноября 2026 года, представлено исследование мультимодального агента на базе искусственного интеллекта, предназначенного для поддержки клинических решений при долгосрочном наблюдении пациентов с возрастной макулярной дегенерацией (AMD). Разработанная система использует инструменты (tool-augmented agent) для интеграции разнородных медицинских данных, включая визуальные изображения глазного дна и текстовые клинические записи, обеспечивая комплексный анализ состояния пациента. Ключевой особенностью подхода является применение методов обработки естественного языка и компьютерного зрения для извлечения доказательной базы и сопоставления текущих показателей пациента с актуальными клиническими рекомендациями. Исследование демонстрирует, как ИИ-агент может автоматизировать рутинный мониторинг прогрессирования заболевания, выявляя критические изменения, которые могут быть упущены при ручном анализе. Результаты работы указывают на высокую точность системы в классификации стадий AMD и предоставлении персонализированных рекомендаций по лечению, что существенно снижает нагрузку на офтальмологов. Данный подход представляет собой значительный шаг вперед в области цифрового здравоохранения, демонстрируя потенциал мультимодальных ИИ-систем для улучшения качества и непрерывности медицинской помощи при хронических заболеваниях глаз. Внедрение подобных инструментов может привести к более раннему выявлению осложнений и оптимизации схем терапии, таких как интравитреальные инъекции анти-VEGF препаратов.

Исследование анализирует влияние различных конфигураций дообучения (fine-tuning) большой языковой модели на точность ответов в медицинской сфере, используя набор данных MedXpertQA-Text. Авторы демонстрируют, что агрегированная метрика точности может вводить в заблуждение, так как скрывает значительную перестановку правильных и неправильных ответов на уровне отдельных вопросов (correctness turnover). Рекомендуется вместе с общей точностью сообщать метрики удержания (retention) и приобретения (acquisition) знаний.

Исследование изучает опыт молодежи в Кении в вопросах психического здоровья и барьеры при обращении за помощью, чтобы разработать цифровые платформы поддержки. Выявлены ключевые стрессоры, стратегии совладания и важность анонимности и культурной релевантности для цифровых инструментов. Результаты служат основой для проектирования, а не описывают применение ИИ.

Исследование оценивает применение пяти моделей машинного обучения (включая градиентный бустинг и нейросети) для прогнозирования показателей, оцениваемых пациентами (PRO), после эндопротезирования тазобедренного сустава. Модели обучались на данных Англии и тестировались на данных Уэльса, показав наилучшие результаты у алгоритма extreme gradient boosting, хотя точность снизилась при переносе на другую популяцию. Авторы формулируют рекомендации по стандартизации данных и выбору прозрачных методов ИИ для NHS Уэльса.

В статье описывается протокол рандомизированного контролируемого исследования, оценивающего эффективность голосового ИИ-агента, анализирующего речь в реальном времени, для предоставления психологической помощи элитным спортсменам. Исследование направлено на снижение конкурентной тревожности путем сравнения интерактивного ИИ-коучинга с неинтерактивным аудиоматериалом.

Исследование оценивает реальное использование платформы телемедицины (чат и опросники симптомов) в онкологическом отделении и его связь с госпитализациями в конце жизни. Выявлено, что 36% пациентов не участвовали в программе, а активное использование безопасного чата ассоциировалось с более коротким интервалом между последней госпитализацией и смертью.

Исследование применяет глубокое обучение (1D CNN и CNN-BiLSTM) к данным ЭКГ для автоматического обнаружения усталости и сонливости. Модели обучались на базе DROZY и тестировались на независимом наборе FatiQData, показав умеренную, но значимую способность к обобщению между разными условиями эксперимента.

В статье представлен новый вычислительный фреймворк TileScope, предназначенный для глубокого анализа пространственной экспрессии генов и транскрипционных программ в тканях. Методология выходит за рамки стандартного поиска колокализации, интегрируя оценку регионального обогащения, внутрирегиональной корреляции, кросс-корреляции на расстоянии и различий экспрессии у границ структур. Исследователи валидировали подход на 30 контролируемых моделях, полученных из данных о глиобластоме и гепатоцеллюлярной карциноме, где комбинированные метрики позволили четко разделить сложные паттерны, такие как градиенты и локализация у границ, которые оставались неоднозначными при использовании отдельных статистик. В исследовании 30 образцов человеческой глиобластомы TileScope выявил гипоксию-ассоциированную экспрессию, локализованную именно на границах регионов, несмотря на отсутствие значимой внутрирегиональной корреляции. Дополнительно проанализированы новые данные Visium мышиных глиом GL261 с нокаутом MCT1: показано, что программы пролиферации и миелоидных клеток обогащены в периферии опухоли, но имеют противоположные корреляции внутри этого региона. Особое внимание уделено тому, что уровень пролиферации выше у границы, обращенной к опухоли, тогда как миелоидная экспрессия смещается глубже в ткань при нокауте гена. Фреймворк также продемонстрировал работоспособность на данных секвенирования Xenium с нерегулярно расположенными клетками для глиобластомы и рака молочной железы. Результаты подтверждают, что TileScope обеспечивает пространственно-явное описание взаимосвязей генов, связывая организацию тканей с чувствительностью измерений к агрегации данных.

В исследовании представлена и оценена мультимодальная модель глубокого обучения, объединяющая данные гистологических изображений всего среза (whole-slide images), транскриптома, возраста и стадии заболевания для точной классификации статуса рецепторов эстрогена (ER), прогестерона (PR) и HER2 при раке молочной железы. Модель была разработана на когорте TCGA-BRCA (1051 пациент) и протестирована на внешней когорте CPTAC-BRCA (120 пациентов). Результаты показали высокую дискриминационную способность: внутренние значения AUC составили 0.943 для ER, 0.901 для PR и 0.860 для HER2, а внешние — 0.952, 0.937 и 0.918 соответственно. Однако исследование выявило серьезные проблемы с калибровкой: внешняя модель систематически завышала вероятность наличия HER2 (ошибка калибровки ECE 0.236), что превышает допустимый порог в 0.125. Сравнение с простой логистической регрессией на основе трех генов (ESR1, PGR, ERBB2) показало, что сложная мультимодальная ИИ-модель не демонстрирует явного преимуществ в клинической полезности, уступая или равняясь базовой генетической модели по метрикам калибровки. Авторы подчеркивают критическую важность оценки не только дискриминации, но и калибровки, а также инкрементальной ценности ИИ-моделей перед их внедрением в медицинскую практику. Работа служит важным примером строгой валидации ИИ-алгоритмов, выявляя разрыв между теоретической точностью и реальной клинической применимостью из-за проблем с обобщением на новые когорты.

В статье представлен метод GSET (Gene Signals from Embedding Trajectories), предназначенный для эффективного вывода генных регуляторных сетей (GRN) из временных транскриптомных данных. Проблема заключается в том, что традиционные методы отбора генов опираются на статическую экспрессию, игнорируя динамические изменения, критически важные для понимания регуляторных программ. GSET извлекает динамическую информацию из временных вложений генов, используя два сигнала: остаток оптимального транспорта для выявления отклонений от глобального движения и расхождение Кульбака-Лейблера для обнаружения изменений в локальных ко-экспрессионных соседствах. Интеграция с алгоритмом CardamomOT позволяет комбинировать статические ядра программ с динамически извлеченными «мостовыми» генами, формируя компактные наборы для анализа. Синтетические бенчмарки показали, что при равном бюджете генов GSET восстанавливает больше регуляторных связей между программами, чем статические методы, а точность вывода на внутренних ребрах сопоставима с полногеномными моделями. На данных репрограммирования мышиных фибробластов в индуцированные плюрипотентные стволовые клетки метод успешно отследил переход от фибробластной программы к клеточному циклу. Предложенный подход предлагает динамический слой предварительного извлечения, который может помочь в идентификации генов-кандидатов, контролирующих переходы клеточных состояний.