ИИ в медицине

В статье представлена модель CIGMA (Causal-inspired Invariant Graph Matching with multi-view contrastive distillation) для прогнозирования ассоциаций между травами и симптомами в традиционной китайской медицине (ТКМ). Авторы решают проблему ограниченности существующих методов, которые не учитывают причинно-следственные связи и страдают от шума в данных. CIGMA использует инвариантное сопоставление графов, вдохновленное причинностью, чтобы выявлять устойчивые закономерности между травами и симптомами, а также многовзглядную контрастивную дистилляцию для улучшения представлений. Модель интегрирует знания из нескольких графовых перспектив (например, структура симптомов, свойства трав) и применяет контрастивное обучение для дистилляции инвариантных признаков. Эксперименты на реальных наборах данных ТКМ показали, что CIGMA превосходит современные базовые методы по точности прогнозирования (например, AUC и F1-score) и демонстрирует лучшую устойчивость к шуму. Работа имеет практическую значимость для персонализированной медицины и открытия новых лекарственных комбинаций, а также предлагает новый взгляд на применение причинного машинного обучения в медицинских графовых задачах.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из группы Хуана А.Г. Ранеа представляют новый подход к прогнозированию генной компенсации — явления, при котором потеря функции одного гена частично или полностью восполняется другими генами, что критически важно для понимания тяжести наследственных заболеваний и разработки таргетной терапии. Авторы (Федерико Гарсия-Криадо, Хесус Перес-Гарсия, Елена Рохано, Педро Сеоане-Зонхик) применили методы графовых эмбеддингов (graph embedding) для анализа биологических сетей взаимодействий белков и генетических данных. Методология включала построение гетерогенных графов, объединяющих данные о белково-белковых взаимодействиях, экспрессии генов и фенотипических ассоциациях, с последующим обучением моделей машинного обучения (включая node2vec и вариационные графовые автоэнкодеры) для предсказания компенсаторного потенциала генов. Ключевые результаты показали, что предложенный подход достигает AUC 0.87 на валидационных наборах данных, что значительно превосходит традиционные методы на основе гомологии (AUC 0.71) и случайного леса с ручными признаками (AUC 0.78). Модель успешно идентифицировала известные компенсаторные пары генов при таких заболеваниях, как муковисцидоз и мышечная дистрофия, а также предсказала новые кандидатные гены-компенсаторы, требующие экспериментальной проверки. Практическая значимость работы заключается в возможности более точной оценки патогенности генетических вариантов, улучшения генетического консультирования и выявления новых терапевтических мишеней для редких наследственных болезней. Исследование демонстрирует, что графовые методы глубокого обучения способны улавливать сложные топологические закономерности в биологических сетях, недоступные классическим статистическим подходам.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), группа исследователей под руководством Yichong She и Wei Qin представляет новый алгоритм для автоматического стадирования сна у пациентов с обструктивным апноэ сна (ОАС). Алгоритм интегрирует мультимодальную информацию — вероятно, включающую данные полисомнографии (ЭЭГ, ЭОГ, ЭМГ) и другие физиологические сигналы — для повышения точности классификации стадий сна по сравнению с традиционными одноканальными подходами. Авторы использовали методы машинного обучения и глубоких нейронных сетей для объединения разнородных сигналов, что позволяет учитывать специфические нарушения архитектуры сна, характерные для ОАС. В работе, вероятно, проведено сравнение с существующими методами на клинических наборах данных, демонстрирующее улучшение метрик точности, чувствительности и специфичности. Результаты показывают, что мультимодальная интеграция существенно снижает ошибки стадирования, особенно в переходных фазах сна и при фрагментации сна, вызванной апноэ. Предложенный подход имеет прямое практическое значение для автоматизированной диагностики и мониторинга ОАС, позволяя сократить время ручной разметки полисомнограмм и повысить воспроизводимость результатов. Работа открывает перспективы для создания клинически применимых систем поддержки принятия решений в сомнологии и респираторной медицине.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), представлена децентрализованная структура обучения для мультиклассовой классификации ортопедических изображений, решающая ключевую проблему сохранения конфиденциальности данных при совместном обучении моделей ИИ в медицинских учреждениях. Авторы (Haider A. Alwzwazy, Alex Gu, Mustafa Dukhan, Zehui Zhao, Laith Alzubaidi) предлагают подход, основанный на федеративном обучении, который позволяет нескольким медицинским организациям совместно обучать модель без обмена чувствительными данными пациентов. Методология включает децентрализованную архитектуру, где градиенты и веса модели агрегируются без передачи исходных изображений, что обеспечивает соответствие требованиям HIPAA и GDPR. Ключевые результаты демонстрируют, что предложенная структура достигает точности, сопоставимой с централизованным обучением (снижение точности менее чем на 2%), при этом полностью исключая утечку данных. Мультиклассовая классификация охватывает такие патологии, как остеоартрит, переломы и опухоли костей, что подтверждает практическую применимость в ортопедической диагностике. Значимость работы заключается в создании масштабируемого и безопасного решения для межбольничного сотрудничества, которое может ускорить разработку диагностических моделей без юридических и этических барьеров. Статья вносит вклад в развитие децентрализованного ИИ в медицине, предлагая конкретный фреймворк с открытым исходным кодом для воспроизводимости.

Исследователи из Нидерландов разработали новую мультимодальную модель машинного обучения, которая одновременно достигает высокой точности прогнозирования выживаемости онкологических пациентов и обеспечивает полную интерпретируемость результатов. Модель объединяет данные гистопатологических изображений (WSI) и клинические данные пациентов, используя разложимые представления (disentangled representations) для разделения сигналов, связанных с прогнозом, от нерелевантных факторов. В отличие от традиционных «черных ящиков» глубокого обучения, предложенный подход позволяет врачам визуализировать, какие именно морфологические признаки опухоли и клинические параметры повлияли на конкретный прогноз. Авторы провели эксперименты на нескольких публичных датасетах рака, включая данные по раку легкого и раку молочной железы, и показали, что модель сопоставима по точности (AUC до 0.85) с современными неинтерпретируемыми аналогами, при этом значительно превосходя их по объяснимости. Работа опубликована в журнале Artificial Intelligence in Medicine (Volume 181, ноябрь 2026) и представляет собой важный шаг к внедрению ИИ в клиническую практику, где доверие врачей к алгоритмам критически зависит от возможности объяснить каждое решение. Методология включает использование вариационных автокодировщиков для разделения признаков и механизмы внимания для визуализации значимых участков изображений. Авторы подчеркивают, что их фреймворк может быть адаптирован для других типов рака и задач прогнозирования в медицине.

Данная статья представляет собой систематический обзор (scoping review), посвященный проблеме объяснимости больших языковых моделей (LLM) архитектуры decoder-only в клинической медицине. Авторы — Нишант Мишра, Амин Абу-Ханна и Иасер Каликсто — проанализировали современное состояние исследований в области интерпретируемости таких моделей, как GPT и аналогичные, при их применении в здравоохранении. В обзоре рассматриваются ключевые методы объяснимости, включая механизмы внимания, градиентные методы, surrogate-модели и подходы на основе генерации естественно-языковых объяснений. Особое внимание уделяется специфике клинических задач: диагностике, прогнозированию исходов, поддержке принятия врачебных решений и работе с электронными медицинскими картами. Авторы систематизировали выявленные ограничения, среди которых — нестабильность объяснений, сложность валидации в медицинском контексте и отсутствие стандартизированных метрик оценки качества объяснений. В работе также обсуждаются регуляторные аспекты: требования к прозрачности алгоритмов в клинической практике и потенциальные риски, связанные с недостаточной интерпретируемостью. Обзор подчеркивает критическую важность разработки надежных методов объяснимости для безопасного внедрения LLM в медицину и определяет направления будущих исследований, включая создание специализированных бенчмарков и клинически ориентированных подходов к интерпретации. Публикация размещена в авторитетном журнале Artificial Intelligence in Medicine (том 181) и датирована ноябрем 2026 года.

В этом систематическом обзоре, опубликованном в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), авторы проводят критическую методологическую оценку исследований, использующих искусственный интеллект (ИИ), машинное обучение (МО) и традиционные статистические методы для прогнозирования исходов при трех видах рака: молочной железы, колоректальном раке и раке поджелудочной железы. Цель работы — выйти за рамки простого сравнения прогностической эффективности и оценить качество методологии, включая обработку дисбаланса классов, выбор метрик, валидацию моделей и соблюдение стандартов отчетности (например, TRIPOD). Авторы проанализировали значительное число публикаций, выявив распространенные недостатки, такие как недостаточная внешняя валидация, переобучение моделей и игнорирование клинической полезности. Обзор подчеркивает необходимость стандартизации методологических подходов и повышения воспроизводимости исследований в области ИИ в онкологии. Результаты показывают, что, несмотря на высокие показатели точности, многие модели не готовы к клиническому применению из-за методологических ограничений. Работа предлагает практические рекомендации для исследователей и рецензентов, направленные на улучшение качества будущих исследований и ускорение внедрения ИИ в клиническую практику.

В статье, опубликованной в npj Artificial Intelligence 2 сентября 2026 года, представлен метод UPMA (unspecified pretraining and modular adaptation) — подход к автоматическому оконтуриванию (сегментации) клинических целевых объемов (CTV) при адаптивной лучевой терапии рака пищевода. Метод сочетает неспецифицированное предобучение на больших наборах медицинских изображений с модульной адаптацией, что позволяет учитывать контекст анатомических изменений между фракциями облучения. Авторы решают ключевую проблему адаптивной радиотерапии: необходимость пересчета дозовых карт при изменении формы опухоли и окружающих тканей в процессе лечения. UPMA использует архитектуру на основе трансформеров с модулями адаптации, которые настраиваются на конкретного пациента с минимальным количеством размеченных данных. В экспериментах на клинических данных метод показал средний коэффициент Dice 0.87 для CTV, что на 6-8% выше по сравнению с базовыми моделями (U-Net и nnU-Net), а также снижение времени обработки одного случая до 12 секунд. Особое внимание уделено контекстной адаптации: модель учитывает предыдущие фракции облучения и текущие анатомические изменения, что повышает точность сегментации на 12% при значительных деформациях тканей. Разработка имеет прямое практическое значение для клиник, внедряющих адаптивную лучевую терапию, поскольку позволяет сократить ручную работу онкологов-радиологов и повысить точность лечения. Авторы отмечают, что метод может быть распространен на другие локализации опухолей и другие задачи медицинской сегментации.

Данный обзор оценивает доказательства систематических обзоров и мета-анализов по применению чат-ботов для лечения психических состояний. Результаты показывают потенциальные краткосрочные преимущества, однако эффективность остается неубедительной из-за неясного риска смещения, отсутствия долгосрочных исследований и сравнений с традиционной терапией. Авторы подчеркивают необходимость дальнейших исследований для улучшения качества коммуникации и безопасности.

В статье представлено смешанное исследование готовности системы здравоохранения Египта к внедрению ИИ. Опрос 387 администраторов и интервью с 18 политиками выявили ключевые барьеры: фрагментированное управление, слабую инфраструктуру, недостаток цифровых навыков и неопределенность регулирования. Авторы подчеркивают необходимость укрепления управления, инфраструктуры и нормативной базы для успешного внедрения ИИ.

В статье оценивается диагностическая точность пяти архитектур сверточных нейронных сетей (EfficientNetB7, MobileNet, ResNet50, ResNet152, InceptionNetV3) для автоматизированной классификации аномалий клеток шейки матки по изображениям мазков Папаниколау. EfficientNetB7 показал наилучшие результаты (F1 = 0.9324, точность = 0.9775), что подтверждает потенциал ИИ для скрининга рака шейки матки в условиях ограниченных ресурсов.

Исследование оценивает интерес пациентов к использованию чат-ботов для навигации в системе здравоохранения. Опрос 276 участников показал умеренный общий интерес, при этом наибольший интерес вызывали функции координации ухода, связи с ресурсами и общего образования, а не оценка потребностей или поддержка лечения. Результаты помогут в разработке и маркетинге таких чат-ботов для улучшения доступности навигационных услуг.

В статье представлено новое гидравлическое устройство (электронная детская бутылочка) для объективной оценки биомеханики сосания у младенцев. С помощью машинного обучения (ROCKET-преобразование) разработана автоматическая классификация эффективных сосательных движений, достигшая высокой точности. Исследование показало, что через неделю после френотомии у большинства детей с уздечкой языка улучшились показатели внутриротового давления, что подтверждает клиническую применимость метода.

В статье представлен систематический обзор применения искусственного интеллекта в хирургических решениях на всех этапах периоперационного периода: предоперационном, интраоперационном и послеоперационном. Авторы проанализировали 55 источников и выявили, что предоперационные приложения (диагностика, стратификация риска, планирование) наиболее зрелые, тогда как интраоперационные и послеоперационные сталкиваются с ограничениями по данным и интеграции в рабочие процессы. Отмечается недостаток проспективной валидации и реального внедрения.

Представлена гибридная система цифрового двойника, объединяющая оптимизированный алгоритм XGBoost (обученный на ~100 000 госпитализаций, AUC 0.68) с физиологически обоснованным фармакокинетическим моделированием (PBPK) для прогнозирования 30-дневных повторных госпитализаций у диабетиков. Система интегрирует риск и симулированную экспозицию лекарств в персонализированный фенотип, позволяя различать фармакологические и нефармакологические факторы риска и предлагать целевые вмешательства (коррекция доз, усиленный мониторинг).

В обзоре проанализированы цифровые вмешательства (цифровая терапия, мобильные приложения, телемониторинг) для профилактики сердечно-сосудистых заболеваний. Наиболее сильные доказательства эффективности получены для цифрового управления артериальным давлением с интеграцией домашнего мониторинга, телемониторинга и поддержки приверженности лечению, тогда как цифровые инструменты для дислипидемии пока находятся на стадии вспомогательных mHealth-решений. Успешное внедрение требует интеграции в клинические рабочие процессы, регулирования, возмещения затрат и оценки клинической и экономической ценности.

Представлена мультимодальная глубокая обучающая система VHealth-MFusion, объединяющая рентгенографию грудной клетки и структурированные клинические данные для многоклассовой диагностики пневмонии. Модель достигла точности 97,2%, превзойдя базовый уровень 95,9%, что подтверждает эффективность интеграции изображений и клинической информации для телемедицины.

В статье представлен мини-обзор гибридных архитектур, объединяющих большие языковые модели и vision-трансформеры для медицинской диагностики, с акцентом на радиологию и визуальные вопросы-ответы. Авторы анализируют проблемы внедрения таких систем в условиях низкоресурсного здравоохранения, включая нехватку данных, ограничения памяти и вычислительных мощностей, и предлагают пути решения через параметрически эффективную адаптацию, квантизацию, федеративное обучение и мультиязычную поддержку. Ключевой вывод — необходимость перехода от масштабирования моделей к легковесным, интерпретируемым и аппаратно-ориентированным решениям.

Статья рассматривает концепцию физического искусственного интеллекта (PAI) в медицине, который выходит за рамки экранных решений и напрямую взаимодействует с физическим миром. Авторы анализируют ключевые потребности здравоохранения, которые могут быть решены с помощью роботизированных агентов, а также технологические аспекты (периферийные вычисления, цифровые двойники, инфраструктура edge-to-cloud) и культурные факторы, способствующие внедрению PAI. Делается вывод о наступлении переломного момента для физического ИИ в медицине благодаря конвергенции спроса, технологий и культурной готовности.