ИИ в медицине

В исследовании представлен метод глубокого обучения (CNN–BiLSTM с механизмом внимания) для автоматической классификации стадий болезни Альцгеймера по МРТ-снимкам. Модель достигла точности 95,94% на тестовой выборке из 6400 срезов, эффективно решая проблему дисбаланса классов и обеспечивая высокую чувствительность к ранним стадиям заболевания.

В статье представлен систематический обзор 169 исследований ИИ и машинного обучения для хронической болезни почек (ХБП), выявляющий разрыв между ретроспективной классификацией и настоящим прогнозированием будущих исходов. Анализ показал, что большинство работ страдают от высокого риска смещения и недостаточной валидации, что указывает на необходимость улучшения методологии для клинического внедрения.

Авторы предлагают метод KDLight — легковесную архитектуру на основе дистиллирования знаний и состязательных атак для сегментации коронарных сосудов. Метод демонстрирует высокую точность при значительно меньших вычислительных затратах и лучшую обобщающую способность по сравнению с существующими подходами.

В статье представлен систематический обзор литературы за 2023–2025 годы, анализирующий влияние технологий Pharma 4.0, включая ИИ и предиктивное моделирование, на фармацевтическую разработку. Исследование показывает, что эти технологии преимущественно применяются на ранних этапах открытия новых соединений и вычислительных исследований, повышая эффективность процессов, однако их влияние на клинические результаты остается недостаточно изученным.

Авторы разработали и валидировали модель машинного обучения для неинвазивного предсказания периневрального инвазии (PNI) при раке поджелудочной железы на основе признаков гетерогенности опухоли из мультипоследовательной МРТ. Комбинированная модель, объединяющая клинические данные и радиомические признаки, продемонстрировала высокую точность (AUC до 0.907) во внутренних и внешних тестовых выборках, превосходя стандартные клинические модели.

Исследование применяет объяснимый искусственный интеллект (XAI) и машинное обучение для анализа данных экспрессии микроРНК в сыворотке крови с целью выявления биомаркеров ранней диагностики рака поджелудочной железы. Модель достигла высокой точности (AUC 0.97), а методы интерпретируемости позволили выделить ключевые микроРНК, связанные с онкогенными путями.

В статье представлен новый метод глубокого обучения CAFM v4, объединяющий три архитектуры нейронных сетей (ConvNeXt V2, Swin-Base, EfficientFormerV2) для точной классификации опухолей головного мозга на МРТ-снимках. Модель продемонстрировала высокую точность (до 99.78%) на пяти публичных наборах данных, однако авторы отмечают необходимость внешней валидации для перехода к клиническому применению.

В статье представлен обзор роли публичных наборов данных маммографии в разработке и клинической валидации ИИ-моделей для обнаружения рака молочной железы. Авторы анализируют ключевые характеристики этих наборов (размер, качество аннотаций, демографическое разнообразие) и подчеркивают, что качество и репрезентативность данных критически важны для обобщаемости моделей от традиционного машинного обучения до современных трансформеров.

Авторы предлагают метод глубокого обучения CFT-Triplet для точного обнаружения легочных щелей на КТ-снимках, что критически важно для лечения ХОБЛ и эмфиземы. Метод объединяет контекстуальные, частотные и текстурные признаки с использованием архитектуры Mamba2 и CNN, превосходя существующие подходы на собственном наборе данных.

Исследование разработало и проспективно валидировало модель машинного обучения для прогнозирования исходов операции по удалению грыжи поясничного диска. Модель интегрирует клинические данные и радиомические признаки КТ/МРТ, показав высокую точность (ROC-AUC до 0.976) в прогнозировании состояния пациентов через год после операции.

В статье представлен систематический обзор математических фундаментов, лежащих в основе ИИ в медицине, включая линейную алгебру, оптимизацию и теорию вероятностей. Исследование охватывает методы объяснимого ИИ, байесовские подходы и современные архитектуры, такие как графовые нейронные сети и трансформеры, применяемые в радиологии и диагностике.

Статья представляет собой обзор методологических подходов к интеграции данных жидкой биопсии с использованием искусственного интеллекта и машинного обучения. Авторы анализируют текущее состояние исследований, предлагают стратегии предобработки данных (нормализация, коррекция батч-эффектов) и методы выбора признаков для повышения надежности моделей. Особое внимание уделяется важности строгой валидации и интерпретируемости ИИ-моделей для их клинического внедрения.

Авторы разработали и оценили систему на основе NLP (NER) для извлечения контекстной информации о лекарствах из неструктурированных клинических заметок на венгерском языке. Модель достигла высокой точности (F1=0.944), успешно классифицируя препараты по категориям: текущие, отмененные, побочные эффекты и аллергии, превосходя правило-базированные методы.

В исследовании представлена методология TongueBench для оценки девяти больших мультимодальных моделей (LMM) в задаче диагностики по языку в традиционной китайской медицине без дообучения. Результаты показывают, что использование продвинутых техник промптинга (KGRP) дает modest улучшения метрик по сравнению с прямым запросом, однако модели уступают специализированным обученным базовым моделям и не демонстрируют клинической полезности на уровне пациента.

В статье представлен метод IFI-ML, объединяющий машинное обучение и нечеткую логику для ранней диагностики болезни Паркинсона по голосовым сигналам. Система решает проблему дисбаланса данных, разделяя выборку на стабильные и неопределенные кластеры, что позволяет достичь точности до 97% и значительно снизить количество ложноположительных и ложноотрицательных результатов по сравнению с базовыми моделями.

Статья представляет собой критический обзор перехода от узкоспециализированных моделей ИИ к фундаментальным моделям (foundation models) в сфере лечения диабета, охватывая такие области, как диагностика ретинопатии, прогнозирование уровня глюкозы и анализ электронных медицинских карт. Авторы выявляют серьезные пробелы в валидации, включая отсутствие проспективных испытаний и проблемы с калибровкой моделей, а также анализируют риски безопасности, такие как галлюцинации LLM и алгоритмическая несправедливость.

Исследование применяет алгоритмы машинного обучения (в частности, случайный лес) для прогнозирования тромбоза глубоких вен у пациентов после операции на бедре. Модель показала высокую точность (AUC до 0.859), однако добавление признаков традиционной китайской медицины не улучшило дискриминацию, тогда как индекс TyG остался значимым предиктором.

В статье представлена система CryoPilot, использующая два агента на основе языковых моделей для автоматизации процесса определения структуры белков методом крио-электронной микроскопии (крио-ЭМ). Первый агент самостоятельно обрабатывает данные от сырых микрографов до трехмерной реконструкции, оценивая промежуточные результаты и выбирая оптимальные параметры в CryoSPARC, что минимизирует необходимость ручного вмешательства. Второй агент отвечает за построение атомных моделей с помощью CryoZeta, проверяя их соответствие карте плотности и геометрию, а также устраняя несущественные участки. Исследование включало тестирование на девяти публичных наборах данных EMPIAR, где восемь реконструкций достигли разрешения от 2.61 до 3.51 Ангстрем. Для сложных случаев, таких как альфа-латрокрустотоксин, система смогла улучшить разрешение с 5.9 до 4.15 Ангстрем, предложив альтернативную стратегию выбора частиц. Разработанная архитектура обеспечивает адаптивность и полную аудируемость каждого решения, сохраняя историю всех изменений в базе данных сессий. Данный подход демонстрирует высокую эффективность в автоматизации сложных вычислительных конвейеров, характерных для структурной биологии.

В статье исследуется влияние архитектуры системы и качества моделей на генерацию научных гипотез в биологии с использованием многоагентной системы на базе больших языковых моделей (LLM). Авторы протестировали гипотезу о том, что более мощная модель автоматически обеспечивает лучшее качество результатов, сравнивая модели Claude Sonnet 4.6 и Opus 4.8 в связке с пятью серверами Model Context Protocol, предоставляющими доступ к 66 внешним инструментам. Эксперименты показали, что при использовании идентичной «упряжки» (harness) — одинаковых промптов, схем и параметров — различия между моделями исчезли или даже оказались в пользу более дешевой Sonnet 4.6 (18.4 против 17.4 баллов в задаче инженерии клеточных линий CHO, p < 0.05). Ключевым выводом стало то, что доминирующим фактором качества является не уровень модели, а инженерия промптов и архитектура взаимодействия. Для решения этой проблемы авторы предлагают ABCD-Stack — методологию, включающую контрактно-ограниченные промпты, генерацию с приоритетом разнообразия, состязательное уточнение и кросс-семейную оценку. Данная архитектура смещает фокус на создание явно фальсифицируемых гипотез с причинно-следственным обоснованием, которые выходят за рамки компетенций одного исследователя. Хотя сгенерированные гипотезы конструктивно являются фальсифицируемыми, они пока не прошли экспериментальную валидацию, что указывает на перспективность метода для ускорения научных открытий в биотехнологиях.