ИИ в медицине

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.

Исследование оценивает возможность использования расхождений между различными системами автоматического распознавания речи (ASR) для выявления ошибок в медицинских транскриптах. Результаты показывают, что низкий уровень согласия между моделями эффективно локализует зоны неопределенности, позволяя человеку сосредоточиться на критических участках текста.

Исследование посвящено изучению восприятия врачами методов объяснимого ИИ (XAI) в сценариях раннего предупреждения о декомпенсации сердечной недостаточности. Результаты показывают, что метод SHAP наиболее интуитивен для клиницистов, однако для полного доверия требуется комбинированный подход к визуализации данных.

Исследование анализирует барьеры при внедрении систем ИИ-телемониторинга для пациентов с сердечной недостаточностью. Авторы предлагают практические рекомендации по разработке надежных и регулируемых решений, используя методологию CRISP-DM для оптимизации жизненного цикла разработки.

Разработана модель глубокого обучения с механизмом последовательного внимания для прогнозирования выживаемости клеток при радиационном воздействии. Исследование демонстрирует высокую точность в предсказании относительной биологической эффективности (RBE), подчеркивая важность нано- и микродозиметрических параметров по сравнению с ЛЭТ.

В данном исследовании изучается эффективность использования представлений (эмбеддингов) от крупной белковой модели-основания AINN-P1, обученной авторегрессионным методом на десятках миллионов последовательностей, для задачи ранжирования пар антиген-антитело по их аффинности (свободной энергии связывания ΔΔG). Авторы сравнивают специализированную модель, обученную с нуля, с легковесными надстройками (downstream heads), построенными поверх «замороженных» эмбеддингов AINN-P1. Результаты показали, что даже простая линейная модель на базе замороженных эмбеддингов превосходит базовую модель, обученную end-to-end. При использовании оптимизированной легковесной надстройки средняя корреляция Спирмена выросла с 0,42 до 0,53, что составляет относительное улучшение на 28%. Важно отметить, что обучение таких моделей занимает считанные секунды и не требует дорогостоящего дообучения (fine-tuning) самой фундаментальной модели. Это делает использование замороженных эмбеддингов высокоэффективным и экономичным методом для инженерии антител и предсказания их связывающей способности.

В исследовании представлен инновационный физически обоснованный генеративный метод для проектирования белков de novo, способных связывать малые молекулы и ионы металлов. Авторы разработали подход, который позволяет формировать кастомизируемые сайты связывания лиганда параллельно с симуляцией фолдинга белка, обеспечивая точный архитектурный контроль комплекса. Методология позволяет создавать биосенсоры двух типов: на основе индуцированного лигандом реассемблирования расщепленных белков (split-protein) и на основе индуцированного фолдинга белка. В ходе экспериментов метод успешно протестировали на пяти мишенях, включая критически важные нейромедиаторы — серотонин и дофамин, а также два типа ионов металлов. Биофизическая характеристика и рентгеноструктурный анализ подтвердили, что полученные кристаллические структуры практически полностью соответствуют расчетным моделям. Практическая значимость работы заключается в успешном создании рабочих сенсоров на серотонин и дофамин, а также цинк-сенсора, что открывает новые горизонты в разработке высокоточных диагностических инструментов и биосенсорных технологий.

Исследование посвящено изучению фундаментальных различий в молекулярных механизмах развития болезни Альцгеймера (БА) у мужчин и женщин. На основе анализа данных bulk RNA-sequencing из дорсолатеральной префронтальной коры 624 человек (401 женщина и 223 мужчины) из когорты ROSMAP, ученые выявили две принципиально разные биологические траектории заболевания. У женщин наблюдается многоуровневая архитектура перехода: на ранней стадии (от нормы к умеренным когнитивным нарушениям, MCI) происходит иммунное праймирование с участием 628 генов, за которым следует масштабная потеря синаптических и нейропептидных функций, затрагивающая 8 935 генов. В то же время у мужчин раннее иммунное воздействие отсутствует; вместо этого их патологический процесс характеризуется резким коллапсом 8 237 генов, связанных с слиянием мембран органелл, посттрансляционной модификацией и внутриклеточным транспортом. Результаты подчеркивают, что БА не является единым процессом, а представляет собой разные биологические программы в зависимости от пола, что требует разработки гендерно-стратифицированных моделей и независимых биомаркеров для диагностики и лечения.

Исследование представляет TEDlm — новый класс языковых моделей белков, которые обучаются на сегментах структурно определенных доменов, а не на полноразмерных последовательностях. В отличие от стандартных моделей (например, ESM2), TEDlm фокусируется на очищенных сигналах фолдов, исключая линкеры и неупорядоченные области. Авторы предложили вариант TEDlm3D, использующий функцию потерь на основе контактов (C distance-guided contact loss) для супервизии карт внимания. В тестах на обнаружение удаленного гомологичного сходства (CATH S40, <40% идентичности) модель TEDlm с 650 млн параметров показала AUROC 0.28, что превосходит 3-миллиардную ESM2 (0.22), а версия TEDlm3D достигла AUROC 0.50, вплотную приблизившись к результатам структурного инструмента Foldseek (0.53). Кроме того, TEDlm демонстрирует значительное улучшение в zero-shot предсказании молекулярных функций и сохраняет высокую точность в задачах биофизических свойств. Результаты доказывают, что доменно-ориентированное предобучение позволяет создавать компактные и структурно информированные модели, эффективные для биоинформатики и разработки лекарств.

Исследователи представили elDORS — специализированную базу данных последовательностей РНК, разработанную для преодоления дефицита консолидированных ресурсов в области вычислительного предсказания структур. В основе проекта лежит elDORS_raw, объединяющий актуальные данные метагеномов и транскриптомов, а также оптимизированная версия elDORS с кластеризацией по 80% идентичности последовательностей. Данная база данных предназначена для использования в стратегиях разделения RNAcmap3 и стандартном конвейере rMSA для множественного выравнивания последовательностей (MSA). Бенчмаркинг показал, что использование elDORS позволяет достичь глубины выравнивания, сопоставимой или превосходящей показатели массивных устаревших баз данных, включая задачи слепых испытаний CASP. Ключевым преимуществом является решение проблемы поиска для «сиротских» РНК (orphan RNAs), где ранее наблюдались сбои при извлечении последовательностей. База данных предоставляется в свободный доступ и может применяться для гомологичного поиска, предсказания свойств РНК и обучения новых моделей машинного обучения.

Исследование посвящено изучению специфического состояния микроглии (MG4), связанного с патологией болезни Альцгеймера (БА). С помощью интегративного анализа данных секвенирования РНК единичных ядер (snRNA-seq) из пяти независимых когорт (n=140 доноров) и подтверждения через ATAC-seq, ученые доказали воспроизводимость обогащения субпопуляции MG4 при БА (pooled log2 fold change = 0.90, p = 3.0 x 10^-4). В ходе работы были идентифицированы ключевые регуляторы MITF и BACH1, управляющие программой лизосомального закисления через V-ATPase и оттоком холестерина. Исследование выявило, что этот процесс отличается от программ DAM и LDAM, демонстрируя специфическое повышение энергетического метаболизма при БА. В качестве потенциальных апстрим-лигандов были определены FGF1 и TGFB2, что подтверждено пространственной транскриптомикой. Особую значимость для терапии представляет применение методов вычислительного репозиционирования лекарств, в результате которого было отобрано 10 соединений, способных проникать через гематоэнцефалический барьер, для дальнейшей функциональной валидации.

В исследовании представлен Histo3D-MO — инновационный гибридный экспериментально-вычислительный конвейер, предназначенный для реконструкции 3D-карт пространственного мультиомикса с разрешением на уровне отдельных клеток. Основная технология базируется на методе SPONGE, который интегрирует разреженные и несвязанные пространственные омиксные измерения с плотными данными гистологии (окрашивание гематоксилином и эозином). Разработанный алгоритмический комплекс позволяет проводить 3D-пропагацию типов клеток и аннотацию тканевых доменов, обеспечивая полную характеристику объема опухолевого микроокружения. При тестировании на данных гепатоцеллюлярной карциномы метод выявил сложные паттерны эффективности трансляции и траектории дифференцировки моноцитов в зависимости от глубины ткани. Histo3D-MO значительно превосходит существующие методы прогнозирования омиксных данных, предлагая масштабируемое решение для изучения организации сложных биологических систем. Это открывает новые возможности для высокоточной диагностики и понимания архитектуры опухолей на молекулярном уровне.

Федеральные регуляторы США (CMS) представили проект правил оплаты услуг Medicare, содержащий радикальные изменения в политике выплат за дистанционный мониторинг пациентов (RPM). Основная суть предложения заключается в ограничении возможности использования сторонних технологических вендоров для предоставления услуг мониторинга, что может вынудить провайдеров пересмотреть свои операционные модели. Лидеры индустрии здравоохранения предупреждают, что подобные меры создадут серьезные препятствия для работы существующих программ RPM и могут нарушить непрерывность цифрового наблюдения за пациентами. Данная инициатива затрагивает вопросы регулирования и экономической устойчивости медицинских технологий в рамках государственной системы страхования. Реализация этого предложения может привести к консолидации рынка и снижению доступности инновационных решений от специализированных стартапов для врачей. Эксперты подчеркивают необходимость тщательного анализа последствий для интеграции цифровых инструментов в клиническую практику.

Исследование оценивает эффективность использования состязательного обучения с использованием слоя реверсии градиента (GRL) для снижения возрастного смещения при прогнозировании диабета. Результаты показывают, что метод может улучшить полноту (recall) для малопредставленных возрастных групп, но не гарантирует стабильного улучшения справедливости из-за чувствительности к разбиению данных.

В исследовании представлен фреймворк APFA для федеративного обучения в сетях интернета медицинских вещей (IoMT). Метод позволяет эффективно объединять данные с различных устройств, решая проблемы вычислительной асимметрии и статистической неоднородности при сохранении конфиденциальности.

Исследование посвящено использованию модели BioBERT для автоматической маркировки поведенческих признаков аутизма согласно критериям DSM-5. Установлено, что описания от родителей (lay narratives) обладают высокой диагностической ценностью, сопоставимой с клиническими записями, и могут быть интегрированы в рабочий процесс для ускорения диагностики.

Статья представляет обзор методов федеративного обучения для поиска причинно-следственных связей в многомерных биомедицинских данных. Авторы анализируют переход от централизованных архитектур к федеративным, что позволяет генерировать доказательную базу без прямой передачи конфиденциальных медицинских данных.

В исследовании представлена новая архитектура Ac-AI, объединяющая автоэнкодеры для извлечения скрытых признаков и адаптивные пороги принятия решений. Предложенный метод демонстрирует высокую точность и стабильность в прогнозировании сердечно-сосудистых рисков, сопоставимую или превосходящую классические модели вроде XGBoost и SVM.

Исследование посвящено использованию алгоритмов машинного обучения (XGBoost, Random Forest и др.) для прогнозирования риска инфекций (RTI/STI) у молодых женщин. С помощью анализа SHAP были выявлены ключевые факторы риска, а модель XGBoost показала высокую точность прогнозирования (89.1%).