ИИ в медицине

Исследование посвящено решению проблемы гибкости рецепторов при молекулярном докинге, когда доступна только не связанная (апо) структура белка. Авторы предлагают и оценивают целевой протокол Марковской цепи Монте-Карло (MCMC), который комбинирует локальные и крупные предложения по изменению торсионных углов боковых цепей с периодической релаксацией молекулярной динамики (МД) под гармоническими ограничениями на остов. Методология включает генерацию ансамблей рецепторов из апо-структуры и их тестирование на наборе из 859 экспериментальных комплексов из бенчмарка OpenBind 2A для протеаз. Результаты показывают, что использование регулярного пространства для выбора репрезентативных структур MCMC позволяет восстановить позу лиганда с отклонением менее 2 Ангстрем от экспериментальной в 74,4% случаев, что значительно превосходит результаты для исходной апо-структуры (51,0%) и ограниченной МД (59,5%). Медианное минимальное среднеквадратичное отклонение (RMSD) тяжелых атомов лиганда снизилось с 1,96 Ангстрем для апо-структуры и 1,82 Ангстрем для ограниченной МД до 1,62 Ангстрем для метода MCMC. Наибольший прирост точности наблюдался в комплексах с большим смещением боковых цепей относительно смещения остовa кармана связывания, что подтверждает эффективность целевого подхода. В то время как репрезентативы MCMC сохраняли геометрию кармана в экспериментально наблюдаемых пределах, репрезентативы неограниченной МД демонстрировали снижение свободного объема кармана и плохое восстановление позы. Эти выводы подтверждают целесообразность использования целевого сэмплинга боковых цепей как практического метода генерации докинговых ансамблей на основе апо-структур, хотя расширение улучшений на ранжирование поз и виртуальный скрининг требует дальнейших исследований.

В статье исследуется проблема использования обученных предикторов свойств для генеративного дизайна антител, где ключевой метрикой является иммуногенность (уровень ADA%). Авторы анализируют широко используемый датасет из 217 антител, расширяя его до 231 молекулы с парными последовательностями и вручную восстанавливая клинические данные для 110 из них. Исследование показывает, что простая модель, основанная на формате антитела (например, мышиное или полностью человеческое), превосходит сложные последовательностно-ориентированные предикторы на основе ИИ. Это указывает на то, что текущие модели ИИ захватывают не биологический сигнал последовательности, а смещение в составе датасета. Кроме того, выявлено, что агрегированные метки ADA% сильно занижают вариабельность: молекулы с меткой ≤6% в разных испытаниях демонстрировали разброс до 86%. После пересчета меток на уровне отдельных клинических испытаний преимущество формата-базовой модели исчезает, а предикторы ИИ показывают лучшую устойчивость. Вывод: прогресс в ИИ-дизайне антител ограничен качеством обучающих данных, и необходимо переходить к оценке иммуногенности как распределения, а не точечного значения.

В статье представлен рабочий процесс Findings — бесплатный плагин с открытым исходным кодом для Claude Code, разработанный для повышения надежности, воспроизводимости и прозрачности научного анализа данных с помощью больших языковых моделей (LLM). Основная проблема, которую решает инструмент, заключается в том, что неструктурированное использование ИИ часто приводит к правдоподобным, но ошибочным результатам и потере информации о том, как были получены выводы. Findings внедряет структурированный, поэтапный подход с проверками на каждом этапе: перед началом анализа система требует понимания науки, метаданных и проверки загрузчиков данных. Архитектура включает специализированных субагентов, отвечающих за статистический анализ, программирование, визуализацию, поиск информации и валидацию, при этом независимый обзор интегрирован в каждый шаг. Плагин предоставляет проверенные шаблоны анализа и методологические рекомендации, служащие надежным источником решений о том, как правильно выполнять исследования. Ученые сохраняют активную роль, управляя процессом через диалог на естественном языке, в то время как система обеспечивает структуру, верификацию и сохранение состояния. Все результаты, код, методы, фигуры и метаданные происхождения автоматически фиксируются, что гарантирует полную воспроизводимость. Эффективность подхода продемонстрирована на примере воспроизведения ключевых выводов из опубликованного набора данных протеомики внеклеточных везикул плазмы, связанных с болезнью Альцгеймера (Mag-Net). Данный инструмент делает ИИ-ассистируемый анализ более доверенным и проверяемым, не жертвуя его гибкостью и исследовательским характером.

В статье представлены мнения председателей программы совместного мероприятия SIIM (Society for Imaging Informatics in Medicine) и CAIMI (Conference on AI in Medical Imaging) относительно текущих тенденций и будущего развития искусственного интеллекта в области медицинской визуализации. Особое внимание уделяется растущему внедрению передовых инструментов ИИ, таких как большие языковые модели (LLM), в клиническую практику. Эксперты обсуждают, как эти технологии трансформируют рабочие процессы радиологов и специалистов по визуализации, улучшая эффективность анализа данных и принятия решений. Обсуждаются как возможности, так и вызовы, связанные с интеграцией LLM и других алгоритмов машинного обучения в рутинную медицинскую работу. Статья отражает экспертную оценку сообщества по развитию ИИ-инструментов, охватывая вопросы регуляторики, этики и практической применимости новых технологий. Материал полезен для понимания стратегических направлений развития ИИ в радиологии и медицинской информатике на текущем этапе.

В данном материале представлен обзор ключевых событий ежегодной конференции SIIM-CAIMI 2026, которая является одной из главных площадок для обсуждения применения искусственного интеллекта в медицинской визуализации и здравоохранении. Особое внимание уделяется объявлению финалистов престижной премии Minnies 2026, награждающей инновационные проекты в области ИИ для медицины. Отдельно рассматривается выпуск подкаста Ultrasound MinnieCast, посвященный достижениям и трендам в области ультразвуковой диагностики с использованием технологий машинного обучения. Статья служит индикатором активности в сфере ИИ-стартапов и исследовательских групп, работающих над решением клинических задач. Хотя в кратком анонсе отсутствуют детальные технические результаты конкретных моделей, сам факт освещения мероприятия подтверждает высокую релевантность темы для аудитории, интересующейся внедрением ИИ в клиническую практику. Мероприятие охватывает широкий спектр тем, от алгоритмов компьютерного зрения до организационных аспектов интеграции ИИ в рабочие процессы врачей. Упоминание финалистов позволяет отслеживать наиболее перспективные разработки и продукты, которые могут быть внедрены в медицинскую систему в ближайшее время. Таким образом, текст предоставляет важную контекстуальную информацию о состоянии инноваций в области медицинского ИИ на 2026 год.

В статье рассматривается выступление доктора Набиль Сафдара на совместной конференции SIIM и CAIMI, где подчеркивается, что внедрение искусственного интеллекта в медицинскую визуализацию зависит не только от технологического прогресса. Автор выделяет три ключевых фактора, определяющих будущее ИИ в радиологии: регуляторные изменения, финансовые модели и культурные сдвиги в профессиональной среде. Регуляторная среда, включая одобрение FDA и стандарты качества, играет критическую роль в доверии к алгоритмам. Финансовые аспекты охватывают вопросы возмещения затрат страховщиками и экономической целесообразности интеграции ИИ в клинические рабочие процессы. Культурный компонент касается готовности врачей принимать решения, поддерживаемые ИИ, и необходимости изменения образовательных программ. Статья утверждает, что для успешного масштабирования ИИ-решений необходимо комплексное воздействие этих не-технологических факторов, а не только улучшение точности алгоритмов. Это взгляд на системные барьеры и возможности, которые определяют реальное применение ИИ в практике радиологов.

Компания Midstream Health привлекла $20 млн в рамках раунда Series A для развития своей автономной платформы финансовых операций для медицинских систем. Платформа использует искусственный интеллект для анализа данных о контрактах, претензиях и закупках с целью выявления и предотвращения потерь доходов больниц.

В статье представлен метод FateDriver — графовая нейронная сеть (GNN) с слабым контролем, предназначенная для выявления ключевых регуляторных генов, ответственных за переход клеток из одного состояния в другое в процессе репрограммирования. Метод использует данные одноядерной транскриптомики, объединяя представления клеток и генов в единую графовую структуру, где доставленные экспериментальные факторы рассматриваются как разреженные метки на уровне генов. Алгоритм решает задачу ранжирования кандидатов в формате «положительные-непомеченные», что позволяет эффективно использовать ограниченные экспериментальные знания для генерации гипотез. Исследование проведено на двух наборах данных OSKM и одном наборе GMT, где FateDriver показал наивысшие результаты среди шести сравниваемых методов по восстановлению референсных генов. Модель превзошла базовые модели без графового компонента, несмотря на более слабую корреляцию экспрессии с доставленными факторами, и продемонстрировала высокую точность в идентификации белковых мишеней химических коктейлей, индуцирующих плюрипотентность. Применение метода к фиксированным исходным или конечным состояниям выявило специфические программы, включая ось DDX58-интерферона, связанную с клетками, лишенными эндогенных маркеров плюрипотентности. Также показано, что фреймворк применим для приоритизации исходных-целевых пар, что позволило определить различные потенциальные источники для популяций частично репрограммированных клеток кишечника in vivo.

В статье представлен новый вычислительный фреймворк GRAFT, использующий методы глубокого обучения и переноса знаний между модальностями для предсказания транскрипционных ответов клеток на лекарственные препараты. Методология основана на идее, что генетические и химические возмущения затрагивают общие регуляторные сети, что позволяет обучать модель на данных генетических вмешательств и применять её для прогнозирования эффектов химических веществ. GRAFT демонстрирует превосходство над существующими методами по корреляции ответов, направлению изменений и точности восстановления величины эффекта, особенно для препаратов с зависимостью от клеточного контекста. Расширенная версия GRAFT-Adapt способна уточнять прогнозы для неизученных препаратов, используя лишь небольшое количество измерений в целевом контексте. Созданная GRAFT-Atlas охватывает 13 клеточных линий и 7856 препаратов, генерируя более 102 000 предсказаний, что выявляет фармакологические кластеры и структурно-функциональные связи, подтвержденные молекулярным докингом. Исследование также успешно применило метод к 10 линиям iPSC от разных доноров, выявив междонорские различия в ответе на препараты, что открывает перспективы для персонализированной медицины и снижения затрат на доклинические испытания.

В статье представлена PSICHIC+, новая базовая модель искусственного интеллекта, предназначенная для предсказания распределений сродства связывания лигандов с белками непосредственно из их последовательностей. Модель обучена на массиве из примерно 82 миллионов записей о взаимодействии белок-лиганд, используя распределительную целевую функцию, которая сохраняет количественное разрешение и учитывает вариативность надежности исходных данных. PSICHIC+ способна предсказывать аффинность связывания за миллисекунды, что делает её крайне эффективной для высокоскоростного виртуального скрининга. В бенчмарках нулевого обучения (zero-shot), не требующих дообучения на данных конкретной мишени, модель демонстрирует лучшее обогащение активных соединений по сравнению с традиционными методами регрессии и классификации, конкурируя с ведущими методами, основанными на структурных данных. В лабораторных кампаниях с использованием итеративного подхода (lab-in-the-loop) распределительное руководство улучшило выявление высокоактивных соединений в рамках фиксированных бюджетов скрининга. Комбинация PSICHIC+ с моделью Boltz-2 позволила улучшить предсказание аффинности на этапе оптимизации от хита к лид-кандидату, достигая средней корреляции, близкой к результатам метода FEP+, но без необходимости использования высокодетализированных структур белков. Результаты подтверждают, что распределительное обучение является масштабируемым подходом к использованию гетерогенных данных биологической активности для ускорения открытия лекарств.

В исследовании оценивается способность фундаментальных моделей машинного обучения для анализа данных одиночных клеток (single-cell foundation models) к обобщению на виды, эволюционно далекие от человека. Авторы протестировали три модели: Geneformer, scGPT и UCE, а также базовые методы PCA и scVI, на данных развития Dictyostelium discoideum и Caenorhabditis elegans, которые отделились от линии человека 1,2 и 600 миллионов лет назад соответственно. Ключевым выводом стало то, что модели смогли восстановить порядок развития клеток и сохранить видовую идентичность без дополнительного обучения (zero-shot transfer). Модель UCE, использующая представления генов на основе белковых последовательностей, оказалась наиболее эффективной: она смогла обработать 97% измеренных генов, в то время как Geneformer и scGPT после маппинга ортологов использовали менее 20%. UCE стабильно превосходила нативные для вида базовые методы и показывала лучшие результаты в пяти из шести задач аннотации даже при ограничении только ортологичными генами. Это доказывает, что фундаментальные модели могут генерировать информативные эмбеддинги клеток на протяжении более чем миллиарда лет эволюции, а использование белковых последовательностей повышает полноту и точность анализа.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология на основе интерпретируемого графового обучения (graph learning) для анализа пространственных паттернов микроокружения опухоли (TME) с использованием цифровой патологии. Авторы разработали модель, которая не только классифицирует гистологические образцы, но и выявляет значимые пространственные взаимодействия между различными типами клеток в микроокружении опухоли желудка. Методология позволяет визуализировать и количественно оценивать архитектуру TME, что ранее было сложной задачей при использовании традиционных методов машинного обучения. Ключевым результатом стало достижение высокой точности в прогнозировании выживаемости пациентов с раком желудка, превосходящей стандартные клинические маркеры. Модель демонстрирует способность идентифицировать специфические клеточные ниши, ассоциированные с плохим или хорошим исходом заболевания, предоставляя врачам понятные визуальные объяснения прогноза. Это исследование открывает новые возможности для персонализированной медицины, позволяя интегрировать сложные пространственные данные в клиническую практику для более точной стратификации риска. Результаты подтверждают потенциал графовых нейронных сетей в извлечении биологически значимых признаков из цифровых слайдов, что может стать стандартом в онкологической патологии.

В исследовании, опубликованном в журнале npj Digital Medicine 30 октября 2026 года, представлена и оценена система безопасности на основе искусственного интеллекта, предназначенная для выявления случаев пропущенных направлений к специалистам узкого профиля в условиях первичной медицинской помощи. Основная цель разработки заключается в снижении рисков для пациентов, когда врачи общей практики ошибочно не направляют больных к нужным экспертам, что может привести к поздней диагностике и ухудшению исходов лечения. Авторы детально анализируют точность алгоритмов ИИ в распознавании таких упущений на основе данных электронных медицинских карт, сравнивая результаты работы системы с рутинной клинической практикой. Ключевые результаты демонстрируют высокую чувствительность и специфичность модели, что позволяет эффективно фильтровать реальные случаи необходимости направления, минимизируя ложные срабатывания. Исследование также оценивает практическое влияние внедрения этой системы на клинические исходы, включая скорость получения специализированной помощи и удовлетворенность пациентов. Значимость работы заключается в потенциале интеграции таких ИИ-инструментов в рабочие процессы врачей общей практики для повышения качества и безопасности медицинской помощи без значительного увеличения административной нагрузки. Полученные данные подтверждают, что автоматизированный контроль направлений может стать важным элементом системы клинического аудита и предотвращения врачебных ошибок.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена методология стратификации рисков для пациентов с хроническим гепатитом B, основанная на интерпретируемой инженерии признаков. Авторы разработали компактную модель машинного обучения, способную прогнозировать множественные клинические исходы в момент госпитализации пациента. Ключевым аспектом работы является использование методов интерпретируемости (interpretability-driven) для отбора и конструирования признаков, что позволяет не только повысить точность предсказаний, но и обеспечить прозрачность решений для врачей. Модель демонстрирует высокую эффективность в классификации пациентов по группам риска, что критически важно для своевременного назначения терапии и мониторинга состояния. Исследование подчеркивает важность баланса между сложностью модели и ее клинической применимостью, предлагая решение, которое можно интегрировать в рабочие процессы стационаров. Результаты показывают, что компактные модели на основе тщательно отобранных признаков могут превосходить более сложные «черные ящики» в задачах многокритериальной оценки рисков. Это открывает перспективы для внедрения ИИ-инструментов поддержки принятия решений в гепатологию и инфекционные заболевания.

В статье представлена новая архитектура глубокого обучения AnySleep, предназначенная для автоматизированной и высокоточной стадийной классификации сна (sleep staging) на основе полисомнографических данных. Ключевой инновацией системы является её «канально-аgnostic» (channel-agnostic) природа, что позволяет модели эффективно обрабатывать электроэнцефалографические (ЭЭГ) и другие сигналы независимо от конкретного количества или типа используемых каналов регистрации. Это решает одну из главных проблем внедрения ИИ в клиническую практику — необходимость переобучения моделей под специфическое оборудование каждой лаборатории. Исследование проведено на многоцентровых когортах пациентов, что подтверждает высокую обобщающую способность алгоритма и его устойчивость к вариациям в качестве данных между разными центрами. Модель демонстрирует значительное улучшение показателей точности и согласованности с экспертной оценкой врачей-сомнологов по сравнению с существующими методами. Результаты указывают на потенциал AnySleep для стандартизации диагностики нарушений сна, снижения нагрузки на специалистов и упрощения скрининга широких слоев населения. Система способна работать с неполными или разнородными наборами данных, что критически важно для масштабирования телемедицинских решений в области сомнологии.

В исследовании, опубликованном в журнале npj Digital Medicine 28 октября 2026 года, представлена новая методология создания цифровых двойников для персонализированной оценки жесткости артериальной стенки. Авторы применяют подход physics-informed machine learning (PIML), который объединяет физические законы гемодинамики с алгоритмами машинного обучения для повышения точности и интерпретируемости моделей. Вместо использования «черного ящика», нейросеть обучается с учетом дифференциальных уравнений, описывающих кровоток и свойства сосудистой стенки, что позволяет эффективно оценивать жесткость артерий на основе периферических измерений. Методология предполагает использование данных о пульсовой волне и других гемодинамических параметрах для калибровки индивидуальной модели пациента. Ключевым преимуществом подхода является способность адаптироваться к индивидуальным анатомическим и физиологическим особенностям без необходимости инвазивных процедур или сложной визуализации всей сосудистой сети. Результаты демонстрируют высокую корреляцию между оцененными значениями жесткости артерий и клиническими золотыми стандартами, что подтверждает валидность метода. Данное исследование открывает перспективы для неинвазивного скрининга сердечно-сосудистых рисков и мониторинга эффективности терапии у пациентов с гипертонией и атеросклерозом. Интеграция физических моделей в ИИ-архитектуры представляет собой значимый шаг к созданию надежных клинических инструментов для персонализированной медицины.

В исследовании, опубликованном в журнале npj Digital Medicine 27 октября 2026 года, оценивается эффективность внедрения алгоритмов искусственного интеллекта в рутинную клиническую практику отделения неотложной помощи. Целью работы стало проспективное сравнение точности обнаружения переломов рентгенологами при работе с обычными рентгенограммами и при использовании системы ИИ-ассистента, предназначенной для автоматического выделения подозрительных областей. Методология исследования предполагала реальное применение технологии в условиях высокой нагрузки, что позволяет оценить не только диагностическую чувствительность и специфичность, но и влияние на время обработки снимков и общую рабочую нагрузку персонала. Ключевые результаты демонстрируют статистически значимое улучшение показателей диагностики при использовании ИИ, включая снижение частоты ложноотрицательных заключений и повышение скорости принятия решений врачами. Исследование подтверждает практическую значимость интеграции глубокого обучения в рабочие процессы отделений неотложной помощи, показывая, что ИИ-ассистенты могут служить эффективным инструментом поддержки принятия клинических решений. Полученные данные имеют важное значение для разработки стандартов внедрения ИИ-систем в экстренную медицину и могут служить основой для масштабирования подобных технологий в других медицинских учреждениях.

Статья посвящена сложностям оценки возврата инвестиций (ROI) при внедрении инструментов искусственного интеллекта в медицинских системах. Авторы отмечают разрыв между высокими ожиданиями организаций и реальными возможностями продемонстрировать измеримое финансовое влияние ИИ-инвестиций, опираясь на данные отчета Deloitte. Подчеркивается, что расчет ROI в здравоохранении выходит за рамки простых финансовых показателей и требует учета как «жестких» метрик (экономия затрат, рост выручки), так и «мягких» показателей (качество помощи, удовлетворенность пациентов). Отмечается, что результаты часто проявляются не сразу, а сама окупаемость не всегда носит исключительно финансовый характер. Материал фокусируется на методологических аспектах оценки эффективности ИИ-решений, что относится к организационным и управленческим вопросам внедрения технологий. Статья не рассматривает технические детали алгоритмов, но важна для понимания бизнес-процессов интеграции ИИ в клиническую практику. Проблема измерения эффективности является ключевым барьером для масштабирования ИИ в здравоохранении.

Статья рассматривает пересечение двух критически важных тем: внедрения искусственного интеллекта в медицину и экологической устойчивости системы здравоохранения. Автор цитирует Симу Вадхву, основательницу некоммерческой организации Health in Climate и бывшего исполнительного директора по экологической ответственности в Kaiser Permanente, которая подчеркивает, что ИИ играет важную роль в оказании помощи, управлении лечением и операционной деятельности. В материале отмечается позиция Всемирной организации здравоохранения, называющей изменение климата главной угрозой для здоровья человека. Ключевой тезис статьи заключается в том, что вычислительные мощности и ИТ-инфраструктура, необходимые для работы алгоритмов ИИ, имеют значительные энергозатраты. Таким образом, обсуждение применения ИИ в медицине невозможно без учета его углеродного следа и экологического воздействия. Материал затрагивает вопросы регулирования и организации процессов, связанных с «зеленым» ИИ, что относится к сфере управления здравоохранением и исследований. Статья не содержит конкретных медицинских результатов или клинических данных, фокусируясь на этических и инфраструктурных аспектах.