ИИ в медицине

В статье представлен новый метод GNMCADS для генерации разнообразных конформаций белков с использованием диффузионных моделей, в частности, интегрированных в AlphaFold3. Белки являются динамическими молекулами, существующими в различных конформационных состояниях, которые определяют их биологические функции. Существующие подходы, такие как имитация молекулярной динамики, возмущение эволюционной информации или управление внутренними механизмами моделей предсказания структуры, не всегда способны предсказать конформации, возникающие при крупных доменных движениях или движениях, происходящих в течение длительных временных масштабов. GNMCADS решает эту проблему, избирательно ослабляя (аннелируя) conditioning-сигнал, управляемый внутренней динамической организацией белка, что повышает разнообразие генерируемых конформаций. Метод был протестирован на 92 белках, включая 54 рецептора класса A GPCR, 15 транспортеров и 23 белка с крупными доменными движениями. Результаты показали, что GNMCADS обеспечивает лучшее разнообразие сэмплирования по сравнению с другими современными методами конформационного сэмплирования. Этот подход имеет значительный потенциал для применения в структурной биологии и разработке лекарств, поскольку позволяет более точно моделировать динамические состояния белков, что важно для понимания их функций и взаимодействий с лигандами.

Компания Oura, известная своими умными кольцами для отслеживания показателей здоровья, подала заявку на первичное публичное размещение акций (IPO) в четверг. Цель размещения — привлечь финансирование для следующего этапа роста, в рамках которого компания намерена построить платформу профилактического здравоохранения на основе искусственного интеллекта. Oura позиционирует себя не просто как производитель носимых устройств, а как игрока в сфере цифрового здравоохранения, использующего ИИ для анализа биометрических данных, собираемых кольцом (частота сердечных сокращений, температура тела, качество сна и другие показатели). Компания планирует использовать привлеченные средства для расширения функциональности своей платформы, включая более глубокую аналитику на базе машинного обучения и персонализированные рекомендации для пользователей. Это IPO отражает растущий интерес инвесторов к компаниям, сочетающим аппаратное обеспечение для мониторинга здоровья с программными ИИ-решениями, направленными на профилактику заболеваний и улучшение общего самочувствия. Точная дата размещения и оценка компании пока не раскрываются, однако сам факт подачи заявки подчеркивает стратегический сдвиг Oura в сторону ИИ-ориентированной модели здравоохранения.

Исследователи из Китая и Германии разработали пятиэтапную систему оценки медицинского искусственного интеллекта на протяжении всего жизненного цикла — от первоначальной проверки алгоритма до длительного наблюдения после его внедрения. Авторы отмечают, что существующие исследования часто ограничиваются ретроспективной оценкой точности моделей, хотя хорошие результаты в лабораторных условиях еще не доказывают пользу технологии для врачей и пациентов. Работа опубликована в журнале Nature Digital Medicine. Предложенная система включает пять последовательных этапов: валидацию алгоритма на репрезентативных данных, оценку клинической полезности в условиях реальной практики, проверку интеграции в рабочие процессы, мониторинг безопасности и эффективности после внедрения, а также долгосрочное наблюдение за влиянием на исходы пациентов. Такой подход призван закрыть разрыв между лабораторными исследованиями и реальной клинической практикой, обеспечивая более строгую и всестороннюю оценку ИИ-систем перед их широким применением в здравоохранении.

В статье представлена методология разработки и переноса алгоритмов эпигенетических биомаркеров на основе метилирования ДНК (DNAm) на новый чип Illumina Methylation Screening Array (MSA). Традиционные биомаркеры DNAm были созданы на устаревших массивах EPIC, и их прямое применение на MSA невозможно без адаптации. Авторы использовали парные биологические образцы, профилированные на EPICv1 и MSA (1764 пары), а также повторы внутри массива, чтобы оценить согласованность на уровне отдельных CpG-сайтов с помощью средней абсолютной ошибки (MAE) и внутриклассовой корреляции (ICC). Из 140 150 общих CpG-сайтов 40 786 (29,1%) соответствовали критериям стабильности (MAE < 0,05 и ICC > 0,6). На основе стабильных сайтов были обучены 134 эпигенетических прокси-биомаркера (EBP) непосредственно на MSA, с применением или без применения анализа главных компонент с ядром (kPCA) для гармонизации на уровне образцов. Все 134 модели достигли ICC(2,1) ≥ 0,80 (медиана 0,97) на одном чипе и 96,3% — ICC(2,1) ≥ 0,60 (медиана 0,81) на разных чипах, при медианной корреляции Спирмена 0,48 с наблюдаемыми значениями. Среди 72 моделей с сопоставимым базовым уровнем стабильных проб 70 (97%) показали улучшение кросс-чиповой ICC (медианное улучшение +0,18). Кроме того, три известные эпигенетические часы были перенесены на MSA: OMICmAge и SystemsAge были переобучены для оценки значений, полученных на EPICv1 (коэффициент корреляции на тестовой выборке 0,944 и 0,912–0,949 соответственно), а DunedinPACE потребовал нормализации стабильных проб и робастной линейной калибровки, что повысило кросс-массивный ICC(2,1) с 0,784–0,810 до 0,891–0,925 и снизило MAE с 0,085–0,089 до 0,041–0,050 на трех наборах образцов. Результаты показывают, что сокращенный набор проб не препятствует воспроизводимому измерению биомаркеров DNAm, но стратегия переноса должна соответствовать архитектуре модели. Работа имеет прямое значение для клинических исследований и биобанков, где MSA может стать экономически эффективной альтернативой для крупномасштабного скрининга эпигенетических маркеров.

QuickSeg — это новый алгоритм для сегментации числа копий ДНК в данных секвенирования, основанный на точном динамическом программировании и медианной функции ошибки. Он решает проблему баланса между вычислительной эффективностью и точностью, а также устойчивости к техническим артефактам. Авторы обнаружили, что распределение глубины секвенирования содержит небольшое, но pervasive количество выбросов, что делает медианный подход более робастным к шуму и снижает вычислительную сложность. На данных полногеномного секвенирования раковых когорт QuickSeg показал улучшенную точность сегментации по сравнению с методами CBS и PCF при различных порогах чувствительности, а также превзошел их по скорости и использованию памяти. Это позволяет анализировать большие когорты с минимальными вычислительными ресурсами, что важно для клинических и исследовательских применений в онкологии. Алгоритм представляет собой значительный шаг вперед в области биоинформатики и геномной диагностики рака.

В статье представлен FACTMx — вариационный фреймворк для совместного моделирования структурированных и простых видов данных с целью обучения интерпретируемых представлений пациентов. Метод решает проблему интеграции мультимодальных данных (например, секвенирование РНК отдельных клеток, пространственная транскриптомика, протеомика, гистология), где каждый пациент имеет множество поднаблюдений — отдельных клеток, пространственных точек или патчей. В отличие от существующих подходов, которые полагаются на отдельно предвычисленные сводки и теряют информацию из структурированных представлений, FACTMx связывает латентные факторы пациентов с кластеризацией поднаблюдений и пропорциями компонентов для каждого пациента, что обеспечивает прямую интерпретацию и последующий анализ ассоциаций. Фреймворк поддерживает различные предположения о смесях для структурированных представлений, включая тематические и гауссовы структуры, сохраняя модульные параметризации кодера-декодера. В симуляциях, охватывающих разреженные и плотные зависимости и несколько режимов шума, FACTMx улучшил реконструкцию, интеграцию и восстановление структурированных компонентов по сравнению с предыдущими методами. При применении к когортам немелкоклеточного рака легкого FACTMx выявил связанные с выживаемостью латентные сигналы, связанные с иммунным микроокружением, путями экспрессии генов и пространственно когерентными гистологическими паттернами. В продольной когорте коронарного синдрома FACTMx выделил ось, связанную с исходами, сопряженную с изменением фракции выброса, состояниями иммунных клеток, растворимыми медиаторами и маркерами повреждения сердца. Результаты подтверждают ценность совместного структурированно-простого моделирования для интерпретируемой мультимодальной стратификации пациентов.

Виртуальное окрашивание (virtual staining) — перспективный метод, позволяющий заменить дорогостоящую флуоресцентную микроскопию на дешёвую label-free микроскопию с последующей генерацией окрашенных изображений с помощью нейросетей. Однако его практическое применение зависит от способности моделей к обобщению на новые данные. В данном исследовании авторы систематически проверили, насколько семь широко используемых метрик оценки качества изображений (IQA) — MAE, PSNR, SSIM, foreground PSNR и SSIM, LPIPS и DISTS — пригодны для оценки виртуального окрашивания. Они применили контролируемые деградации (изменение интенсивности, текстуры, морфологии) к изображениям Cell Painting, охватывающим 18 клеточных линий, различные плотности посева и флуоресцентные каналы. Оказалось, что канал, клеточная линия и плотность посева объясняют значительную часть вариаций метрик даже после учёта степени деградации. Метрики DISTS и foreground-метрики показали лучший баланс между чувствительностью к деградации и инвариантностью к биологическому контексту, однако ни одна метрика не была полностью независима от биологических условий. При постепенном ухудшении изображений большинство метрик использовали лишь малую часть своего номинального диапазона значений и часто выходили на плато, тогда как визуальное качество продолжало падать. Далее авторы обучили три популярные архитектуры (UNet, WGAN-GP, UNeXt) на пяти плотностях посева клеток U2-OS и оценили их предсказания на 17 ранее не встречавшихся клеточных линиях. Архитектура и плотность посева вместе объясняли менее 2% вариаций метрик, а визуальный анализ показал, что одинаковые значения метрик могут соответствовать качественно разным ошибкам (например, различиям в морфологии клеток и интенсивности маркеров). Авторы делают вывод, что традиционные IQA-метрики плохо переносятся на задачи виртуального окрашивания, и рекомендуют выбирать и оптимизировать модели, ориентируясь на конкретное приложение, например, на высокопроизводительный скрининг лекарств без меток.

В статье представлен интерактивный транскрипционный ландшафт рака молочной железы, построенный на основе интеграции данных РНК-секвенирования 2284 образцов пациентов из 13 исследований. Авторы использовали гармонизированный конвейер обработки, коррекцию батч-эффектов, консенсусную кластеризацию и метод снижения размерности PaCMAP для визуализации гетерогенности заболевания в единой системе координат. Консенсусная кластеризация выявила пять основных регионов, аннотированных с помощью PAM50-подобных оценок: Luminal A, Luminal B, HER2-обогащенный и два базальных кластера. Базальные кластеры разделились на иммунно-богатую область с T-клеточным воспалением, опухоль-ассоциированными макрофагами (TAM) и низкой чистотой опухоли, а также на область, управляемую клеточным циклом, с пролиферацией и репликацией ДНК. Наложение маркерных генов, сигнатур путей, киназ, нейрональных сигнальных программ, состояний рак-ассоциированных фибробластов (CAF) и программ TAM выявило пространственно организованную биологию подтипов и гетерогенность микросреды. Проекция сигнатур устойчивости к терапии показала регионы, связанные с прогнозируемой резистентностью к HER2-направленной и гормональной терапии. Этот ресурс предоставляет сообществу основу для поиска биомаркеров и интерактивного изучения транскрипционных состояний, что может ускорить разработку персонализированных подходов к лечению рака молочной железы.

На Восточном экономическом форуме-2026 компания «Билайн» и Правительство Хабаровского края подписали соглашение о сотрудничестве, направленное на внедрение решений на основе искусственного интеллекта для социально-экономического развития региона. Стороны планируют совместно разрабатывать и внедрять ИИ-сервисы в таких сферах, как транспорт, городское хозяйство, образование и здравоохранение. В рамках партнерства предполагается использование технологий машинного обучения и анализа больших данных для повышения эффективности управления регионом и качества жизни населения. Конкретные проекты и сроки реализации пока не раскрываются, однако соглашение закладывает основу для дальнейшего сотрудничества в области цифровизации. Для здравоохранения это может означать внедрение ИИ-инструментов для диагностики, мониторинга пациентов и оптимизации работы медицинских учреждений. Детали и пилотные проекты ожидаются в ближайшее время.

Компании «К2 Кибербезопасность» и «Лаборатория Касперского» представили результаты совместного исследования «Безопасность ИИ в корпоративном секторе», посвященного уровню осведомленности и практикам применения методологии MLSecOps (Machine Learning Security Operations) в российских компаниях. Согласно данным, лишь 14% российских корпораций знакомы с методологией безопасной разработки и эксплуатации систем искусственного интеллекта, что свидетельствует о низком уровне зрелости процессов кибербезопасности в области ИИ. Исследование охватывало крупные предприятия из различных отраслей, включая финансовый сектор, промышленность и ритейл. Авторы отмечают, что большинство компаний внедряют ИИ-решения без должного внимания к защите моделей от атак, утечек данных и несанкционированного вмешательства. В отчете подчеркивается необходимость разработки отраслевых стандартов и регламентов, а также повышения квалификации специалистов по безопасности ИИ. Эксперты рекомендуют интегрировать MLSecOps в существующие процессы DevSecOps и проводить регулярные аудиты ИИ-систем. Полные результаты исследования доступны по запросу у организаторов.

В журнале npj Digital Medicine опубликована статья, предлагающая пятифазную систему оценки (framework) для диагностических и прогностических моделей искусственного интеллекта в медицине. Авторы отмечают, что существующие подходы к валидации медицинского ИИ фрагментированы и не учитывают весь жизненный цикл модели — от разработки до постмаркетингового мониторинга. Предложенная система включает пять последовательных фаз: (1) доклиническая оценка на ретроспективных данных, (2) проспективная валидация в контролируемых условиях, (3) пилотное внедрение в реальной клинической практике, (4) рандомизированные контролируемые испытания для оценки влияния на исходы пациентов и (5) непрерывный мониторинг после развертывания с механизмами обратной связи и переобучения. Для каждой фазы авторы определяют конкретные метрики, требования к данным, статистические методы и критерии перехода к следующему этапу. Особое внимание уделяется вопросам справедливости (fairness), устойчивости к дрейфу данных и интерпретируемости моделей. Работа призвана стандартизировать процесс оценки ИИ-систем в здравоохранении, что критически важно для регуляторных органов, клиницистов и разработчиков. Предложенный фреймворк может стать основой для гармонизации требований FDA, EMA и других регуляторов к медицинскому ИИ.

В статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.

В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.

Статья представляет собой систематический обзор 27 исследований, посвящённых амбиентным ИИ-писцам (ambient scribes) — системам, автоматизирующим клиническую документацию. Авторы анализируют внедрение этих технологий с социотехнической точки зрения, используя рамку NASSS, и приходят к выводу, что текущие исследования сосредоточены на эффективности, но игнорируют более широкие последствия для рабочих процессов и взаимодействия врача и пациента. Подчёркивается необходимость рассматривать амбиентных писцов как сложные вмешательства, требующие контекстной валидации и лонгитюдных оценок.

В исследовании разработаны и оценены модели машинного обучения (логистическая регрессия, случайный лес, XGBoost) для прогнозирования риска первого падения у пожилых пациентов с хроническими заболеваниями в Стране Басков. Модели достигли AUC 0.71, ключевыми предикторами стали визиты в отделение неотложной помощи, наличие опекуна и возраст, однако низкая точность ограничивает клиническое применение.

В статье представлен агентный ИИ-фреймворк MedCP, который через Model Context Protocol интегрирует электронные медицинские карты (OMOP-стандарт, более 7 млн пациентов) с биомедицинским графом знаний SPOKE. Система позволяет клиницистам и исследователям выполнять сложные запросы на естественном языке, ускоряя генерацию и проверку гипотез на реальных данных. Оценка на 100 задачах и 617 вопросах показала улучшение точности при использовании графа знаний, а протокол воспроизведения исследований сократил сроки с месяцев до часов.

В статье представлен Kintsugi — новый детерминированный метод тесселяции для анализа субклеточных пространственных транскриптомных данных. Метод разбивает ткань на бины на основе плотности захваченных UMI, что позволяет измерять РНК в компартментах с низким содержанием ядер, таких как нейропиль, фиброзные рубцы и хрящевой матрикс, которые ранее было трудно анализировать из-за привязки к ядрам или фиксированным областям. Kintsugi разделяет состав генов (по остаткам Пирсона) и плотность захваченных транскриптов, обеспечивая полное покрытие ткани без необходимости гистологии или сегментации ядер. На данных Visium HD мозга мыши метод выявил компартменты нейропиля, обогащённые глиальными и дендритными транскриптами, а координаты молекул Xenium подтвердили локализацию дендритной мРНК вдали от ядер. В идиопатическом легочном фиброзе Kintsugi идентифицировал фиброзный рубец с низким содержанием ядер, а в фетальном хряще — структуру матрикса. Дополнительно, с помощью протеомики CODEX показано, что плотность захвата не сводится только к плотности ядер. Результаты демонстрируют, что пространства ткани с низким содержанием ядер содержат структурированную и интерпретируемую РНК-биологию, доступную благодаря полной тесселяции ткани. Метод открывает новые возможности для изучения внеклеточных и процесс-богатых компартментов в норме и патологии.

В статье представлен новый бенчмарк для оценки инструментов приоритизации генов при редких заболеваниях, решающий проблему циклической валидации. Проблема в том, что бенчмарки собираются из опубликованных клинических случаев, которые часто используются и для построения самих курируемых инструментов, что приводит к завышенным оценкам. Авторы выпускают стратифицированный набор из 1 047 случаев редких заболеваний из GA4GH Phenopacket Store v0.1.26. Каждый случай содержит профиль фенотипа (Human Phenotype Ontology) и список из 50 генов-кандидатов (один причинный ген и 49 отвлекающих), а также метку причинного гена. Набор стратифицирован по четырем операционным категориям заболеваний на основе MONDO и выпущен в двух вариантах: со случайными отвлекающими генами и с фенотипически похожими отвлекающими генами, выбранными по сходству Resnik в HPO. Для более честной оценки добавлены два уровня метаданных: флаг, указывающий, цитируется ли публикация источника случая в файле аннотаций заболеваний HPO (определяющий подмножество без перекрытия, n = 282), и страты по давности публикаций. Также описан детерминированный рецепт с фиксированной версией для гибридного плотно-разреженного поискового индекса по примерно 2,25 миллионам статей PMC Open Access (52 777 395 чанков). Ресурс не содержит сравнений инструментов, но предоставляет инфраструктуру для объективной оценки.

В статье представлена scRep — компактная модель-фундамент для анализа данных одноклеточной РНК-секвенирования (scRNA-seq), основанная на латентной самодистилляции. В отличие от традиционных подходов, которые реконструируют замаскированные значения экспрессии генов, scRep выравнивает различные возмущённые представления одной и той же клетки через архитектуру «учитель-ученик» с обновлением импульса, используя цели самодистилляции на уровне клеток и генов. Такой подход позволяет модели улавливать биологическую информацию, устойчивую к неполным и искажённым данным транскриптома. Модель, предобученная на примерно 2,8 миллионах клеток, показала лучшую общую производительность среди замороженных представлений без тонкой настройки, демонстрируя высокую эффективность выборки. При масштабировании до 30,72 миллиона клеток модель сохранила эффективность, подтверждая масштабируемость подхода. scRep также приоритизирует известные маркерные гены, восстанавливает генные программы, связанные с факторами транскрипции, и сохраняет непрерывную структуру развития, что полезно для псевдовременного анализа. Авторы показали, что производительность предобучения тесно связана с биологическим разнообразием: сокращение избыточных клеток при улучшении покрытия типов клеток может превзойти результаты на больших, но менее сбалансированных корпусах. Эти результаты подтверждают, что латентная самодистилляция является эффективной альтернативой реконструкции экспрессии для моделирования одиночных клеток, а эффективное масштабирование зависит не только от числа клеток, но и от цели обучения и биологического разнообразия данных.