ИИ в медицине

Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.

Систематический обзор посвящен интеграции машинного обучения, IoMT и блокчейна для обеспечения безопасности и эффективности ухода за новорожденными в отделениях интенсивной терапии. Исследование выявляет возможности ML для ранней диагностики и прогнозирования рисков, а также подчеркивает необходимость создания единых систем для обеспечения целостности данных и непрерывного мониторинга.

Разработан новый метод TRIP для интерпретации сложных биомедицинских данных через выявление общих скрытых причинно-следственных механизмов. Модель успешно применяется к генным регуляторным сетям в раковых клетках, позволяя преобразовывать сложные графы в понятные механизмы для генерации гипотез.

Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.

Исследование направлено на прогнозирование риска суицидальных мыслей у 908 женщин в Испании с использованием пяти моделей машинного обучения. Наилучшие результаты показала модель Random Forest, выявившая такие предикторы, как низкий вес ребенка при рождении, история ментальных расстройств и домашнее насилие.

Исследование посвящено разработке и сравнению моделей машинного обучения для раннего выявления инфекций при поступлении пациентов в отделение неотложной помощи. Наилучшие результаты показал алгоритм Random Forest, который на основе стандартных клинических показателей (СРБ, лейкоциты, температура и др.) продемонстрировал высокую точность прогнозирования.

В статье представлен PAIR (Pediatric AI Readiness) — специализированный фреймворк для оценки готовности медицинских учреждений к внедрению ИИ в педиатрии. Система охватывает семь ключевых доменов, включая этику, интеграцию в рабочие процессы и репрезентативность данных, чтобы обеспечить безопасное и эффективное применение технологий в детском здравоохранении.

Разработан модульный метод постобработки для снижения количества ложноположительных срабатываний при обнаружении детских переломов на рентгенограммах. Система использует поиск сложных отрицательных примеров и калиброванное слияние оценок, обеспечивая высокую точность (F1-score 0.88) и интерпретируемость через Grad-CAM.

Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.

В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.

Исследование представляет интерпретируемую модель машинного обучения для оценки риска сердечно-сосудистых заболеваний на основе данных 70 000 пациентов. Использование методов SHAP позволило сделать прогнозы прозрачными, выделив ключевые факторы риска, такие как возраст, давление и уровень холестерина, что критически важно для внедрения ИИ в клиническую практику.

Исследование оценивает эффективность модели nnU-Net как «второго читателя» для выявления метастазов в позвоночнике на КТ-снимках. Использование ИИ позволило обнаружить патологии в среднем на 228 дней раньше, чем это было сделано врачами при стандартном анализе.

В исследовании представлен BRIDGE-GRN — инновационный фреймворк на базе графового обучения, предназначенный для реконструкции направленных генных регуляторных сетей (GRN) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология решает проблему разреженности данных и неполноты регуляторных априорных знаний путем разделения кодирования общего контекста графа и декодирования направленных ребер. Модель использует двухбашенную архитектуру, проецируя гены в специализированные пространства эмбеддингов ролей транскрипционных факторов и мишеней для асимметричной оценки связей. Для повышения устойчивости к шуму применяется кросс-видовая контрастивная регуляризация, выравнивающая представления графа при возмущениях ребер. Тестирование на данных мыши охватило пять типов клеток и три семейства сетей, показав, что BRIDGE-GRN превосходит или сравнивается с наиболее сильными современными аналогами. Результаты подтверждают высокую точность переноса обучения (transfer learning) в условия ограниченного количества данных и обеспечивают биологическую интерпретируемость через выявление когерентных регуляторных модулей.

В данной работе представлен комплексный вычислительный протокол для анализа динамики состояний Т-клеток, инфильтрирующих опухоли человека, на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология включает последовательное применение снижения размерности, построения траекторий псевдовремени (pseudotime trajectory inference) и анализа активности регулонов. Ключевой особенностью является интеграция вывода регулонов с реконструкцией сетей транскрипционных факторов (TF-TF networks), что позволяет идентифицировать специфические регуляторные модули, ответственные за переходы между состояниями клеток. Авторы уделяют особое внимание чувствительности параметров и робастности траекторий, обеспечивая согласованность фенотипических и регуляторных данных. Протокол направлен на глубокое понимание механизмов иммунного ответа в опухолевом микроокружении и доступен для воспроизведения через GitHub-репозиторий. Данный подход имеет высокую значимость для разработки таргетной иммунотерапии и понимания механизмов резистентности опухолей.

Исследование посвящено анализу механизмов работы белковых языковых моделей (PLM), таких как ESM-2 (650 млн параметров) и мультимодальная ESM-3 (1,4 млрд параметров). С помощью разреженных автоэнкодеров (SAE) ученые обнаружили, что 78% выученных признаков между этими разными архитектурами конвергируют, что значительно превышает уровень случайного совпадения (14,2%). Эти общие признаки несут основную функциональную информацию: их AUROC для предсказания функциональных сайтов составляет 0,925, в то время как уникальные для конкретной архитектуры признаки показывают лишь 0,661. Установлено, что структурные токены в ESM-3 не создают новый словарь признаков, а скорее «затачивают» существующий, делая его более биологически информативным (134 обогащенных термина GO против 29). Анализ механизмов внимания выявил конкретную геометрическую голову (L0H7), которая служит «бутылочным горлышком» для поступления структурной информации; ее абляция меняет предсказания вторичной структуры у 40% остатков. Работа доказывает существование общего биологического словаря, который модели находят независимо от модальностей обучения.

Исследователи разработали TriCyP (Tri-state Cysteine Predictor) — эффективную двухслойную нейронную сеть на базе эмбеддингов белковой языковой модели ESM-2, предназначенную для классификации функциональных состояний цистеина. Модель способна различать три состояния: координацию металлов, образование дисульфидных связей и наличие свободных тиолов. В ходе тестирования на независимом наборе данных TriCyP продемонстрировала исключительную точность с показателем AUROC = 0,99, превзойдя существующие методы прогнозирования. Авторы применили инструмент к масштабу протеома, проанализировав 2,7 миллиона остатков цистеина в 0,9 миллионах репрезентативных доменов ECOD. Исследование выявило закономерности распределения: дисульфидные связи преобладают в внеклеточных белках эукариот, а координация металлов сосредоточена в ядерных белках, что связано с обилием цинк-пальцевых транскрипционных факторов. Кроме того, метод позволил обнаружить ранее неизвестные семейства металл-связывающих белков и выявить области структурной неопределенности в моделях AlphaFold. Полученный каталог доступен сообществу как ресурс для дальнейших биоинформатических исследований.

В исследовании представлена оценка эффективности расширенной информационной схемы, лежащей в основе платформы VBDs360, предназначенной для интеграции данных сложных энтомологических исследований. Основная задача заключалась в обеспечении высокоточной связки данных и прослеживаемости образцов в многоэтапных рабочих процессах, включающих полевые сборы, содержание в инсектариях и лабораторные анализы. В ходе пилотного проекта в южной Танзании система позволила успешно интегрировать 77 017 строк данных, распределенных по 6 различным таблицам и 3 типам рабочих процессов. Результаты показали 100% точность связки между полевым сбором и морфологической категоризацией для 66 108 записей диких особей F0. Также была достигнута полная прослеживаемость линий Fn и 100% точность связи между историей воздействия инсектицидов и данными о смертности для 5 654 записей. Точность связки с данными молекулярной лаборатории составила 97,3% для образцов F0 и 99,3% для образцов Fn. Данная информационная архитектура позволяет минимизировать ошибки транскрипции и обеспечивает надежность данных в масштабных распределенных исследованиях по контролю переносчиков малярии.

В статье представлен DeSpotX — инновационная глубокая генеративная модель, разработанная для решения критической проблемы пространственной транскриптомики (ST): загрязнения сигналов экспрессии генов между соседними клетками. Авторы предлагают использовать так называемые «якорные гены» (гены, которые не экспрессируются в конкретном кластере клеток), чтобы сделать процесс разделения нативного сигнала и загрязнения математически однозначным (identifiable). Методология DeSpotX включает использование пространственной информации через взвешенное по расстоянию усреднение соседей и применение обучаемого диффузионного априорного распределения для предотвращения чрезмерной коррекции низкоуровневых сигналов. В ходе симуляций на пяти наборах данных и четырех платформах ST модель показала превосходные результаты с показателем AUROC >0.94, превзойдя лучшие существующие методы на 0.02–0.12 пункта. При тестировании на реальных тканях (мозг мыши и рак молочной железы) метод продемонстрировал повышение специфичности маркерных генов и более точную реконструкцию сетей межклеточной коммуникации. Исследование подтверждает, что итеративное использование DeSpotX позволяет значительно точнее определять источники лиганд-рецепторных сигналов, что критически важно для точной биологической интерпретации данных.

В исследовании представлен новый вычислительный фреймворк ArChIPelago, предназначенный для объединения нескольких позиционных весовых матриц (PWM) в единую совместную модель с помощью методов классического машинного обучения. Авторы использовали широкий спектр алгоритмов — от линейной регрессии до ансамблей деревьев решений — для решения проблемы несоответствия различных PWM для одних и тех же транскрипционных факторов. Тестирование проводилось на масштабном наборе из 704 датасетов ChIP-Seq, охватывающих 36 ортологичных транскрипционных факторов человека и мыши различных структурных семейств. Результаты показали, что ArChIPelago стабильно превосходит по точности лучшие доступные индивидуальные моно- и динуклеотидные PWM, а также разреженные локальные неоднородные смеси моделей. Особую значимость имеет продемонстрированная способность ансамблей PWM осуществлять надежные кросс-видовые прогнозы между человеком и мышью. Данная разработка повышает точность биоинформатического анализа геномных последовательностей и упрощает интерпретацию данных связывания белков с ДНК.