Поиск

Исследование вскрывает критическую методологическую проблему в области предсказания пептидов, представляемых MHC класса I, что является основой для разработки вакцин и Т-клеточной терапии. Авторы показывают, что фундаментальная причина расхождения между успехами in silico и клиническими результатами заключается в систематическом загрязнении иммунопептидомных данных существующими моделями предсказания через итеративное подтверждение bias. Аудит базы данных IEDB, крупнейшей в области, выявил, что более 70% опубликованных данных были помечены вычислительными моделями, а не подтверждены экспериментально, что искусственно завышает бенчмарки и разрушает применимость на новых данных. В качестве решения авторы переформулировали задачу открытия эпитопов как задачу ранжирования, центрированную на белках, и представили модель deepMHCflare, обученную исключительно на чистых данных. Модель достигла 0.80 Precision@4 на моноаллельных бенчмарках против 0.55-0.65 у моделей золотого стандарта, что демонстрирует существенное улучшение. Проспективные in vivo тесты подтвердили эффективность: в доклиническом исследовании противораковой вакцины deepMHCflare идентифицировала два из четырёх иммуногенных пептидов, тогда как стандартная модель не нашла ни одного. Это исследование имеет критическое значение для разработки новых терапевтических подходов, так как устраняет систематическую ошибку, которая делала невозможным создание эффективных новых терапий.

Систематический обзор 36 эмпирических исследований (2020–2025) показывает применение методов объяснимого ИИ (SHAP, Grad-CAM, LIME) в медицинской визуализации, диагностике и реабилитации. Исследования демонстрируют соответствие методов объяснимости типам медицинских задач и частое комбинирование нескольких объяснителей для перекрёстной проверки интерпретаций.

Исследование предлагает практический фреймворк для малоэталонного развертывания предобученных трансформеров МРТ в различных задачах нейровизуализации. Авторы используют стратегию предобучения Masked Autoencoder на 31 миллионе 2D срезов МРТ и демонстрируют state-of-the-art результаты с точностью 99.24% и превосходными показателями сегментации.

Исследование представляет DEPICT (Drug rEsponse Prediction in transCriptomics with Transformers) — глубокую нейросетевую модель на основе трансформеров, которая предсказывает транскрипционные ответы клеток на лекарственные препараты в зависимости от базового экспрессионного профиля генов и параметров воздействия. Модель обучена на датасете LINCS L1000 и демонстрирует способность обобщать знания на невиданные ранее препараты и типы клеток. В наиболее сложной задаче предсказания для неизвестных типов клеток DEPICT превзошла все базовые стратегии и два недавних глубоких обучающих модели, улучшив точность предсказания дифференциальной экспрессии и снизив ошибку предсказания возмущённой экспрессии на 30.3% и 36.8% соответственно. В случае не-мелкоклеточного рака лёгких (NSCLC) виртуальный скрининг с использованием DEPICT выявил соединения, способные обратить патологические транскрипционные сигнатуры заболевания, при этом 13 из 20 приоритетных соединений ранее проходили клинические испытания или были валидированы в исследованиях NSCLC. Модель также позволяет предсказывать синергию препаратов и проводить механизмы исследования даже при отсутствии экспериментально сопоставимых профилей. Результаты демонстрируют, что точное условное сопоставление in silico профилирования возмущений может масштабировать генерацию гипотез для репозиционирования лекарств и открытия комбинаций препаратов.

Исследователи представляют Longevity-LLM v0.1 — модель на базе Qwen3-14B, дообученную с помощью контролируемого и reinforcement learning на данных ДНК-метилирования, протеомики, клинических биомаркеров и экспрессии РНК. Модель демонстрирует выдающиеся результаты на Longevity Bench, включая задачи прогнозирования выживаемости при раке и предсказания возраста на основе протеома и РНК. После дообучения с подкреплением модель достигла средней абсолютной ошибки (MAE) в 4.34 года при предсказании эпигенетического возраста, превзойдя известный мульти-тканный часы Хорвата. Longevity-LLM также выполняет множество других задач, включая генерацию протеомных профилей, значительно превосходя все существующие передовые языковые модели. Результаты показывают, что одна компактная LLM может заменить или сравняться с узкоспециализированными моделями старения across различных модальностей данных. Работа представляет промежуточный отчет от инициативы Multi-Modal AI Gym for Science (MMAI), направленной на создание фундаментальных моделей для разработки лекарств и исследований старения. Это исследование знаменует переход от множества специализированных моделей к единым фундаментальным моделям, способным работать с разнородными биомедицинскими данными.

Исследователи разработали систему искусственного интеллекта для анализа изменений на снимках мозга, способную выявлять ранние признаки болезни Альцгеймера с точностью почти 93 процента. Методология исследования основана на применении алгоритмов машинного обучения для выявления тонких структурных изменений в мозге, которые предшествуют клиническим проявлениям заболевания. Ключевой результат — достижение 93-процентной точности прогнозирования, что значительно превышает возможности традиционных методов диагностики. Раннее выявление болезни Альцгеймера критически важно для своевременного начала лечения и замедления прогрессирования заболевания. Технология может быть интегрирована в клиническую практику для скрининга пациентов из групп риска, что позволит выявлять болезнь на доклинической стадии. Исследование демонстрирует потенциал искусственного интеллекта в области нейровизуализации и неврологии, открывая новые возможности для персонализированной медицины.

Обзорная статья оценивает применение искусственного интеллекта и глубокого обучения (CNN, гибридные архитектуры) для неинвазивной диагностики опухолей мозга с использованием тепловизуализации и симулированных тепловых карт. Основные результаты включают анализ методов предобработки тепловых данных, сегментации опухолей и прогнозирования злокачественности, а также выявление ключевых проблем — ограниченность мультимодальных наборов данных и необходимость клинической валидации.

Компании Eli Lilly и Insilico Medicine углубляют партнёрство в области разработки лекарств с помощью ИИ, заключив соглашение стоимостью до $2.75 млрд. Платформа Insilico позволит идентифицировать многоцелевые мишени для терапии различных заболеваний, что ускорит открытие новых молекул.

Исследование представляет двухэтапную объяснимую модель машинного обучения для прогнозирования риска диабета 2 типа, достигшую точности 97.14% на втором этапе с использованием 270 943 образцов из Руанды. Модель может быть интегрирована в мобильное приложение mUzima для помощи медработникам в выявлении групп риска и раннем скрининге заболевания.

Исследование сравнивает федеративное обучение с централизованным для классификации доброкачественных и злокачественных поражений в маммографии на двух гетерогенных датасетах (плёночные и цифровые снимки). Результаты показывают, что федеративное обучение работает надёжно в однородных условиях, но демонстрирует снижение производительности при сильном сдвиге доменов между плёночными и цифровыми изображениями.

Команда Penn Medicine разработала ИИ-систему для интерпретации МРТ-сканов сердца, обученную на 300,000+ видео МРТ от 20,000 пациентов. Модель оценивает функцию сердца и диагностирует 39 сердечных заболеваний с точностью до 0.97 AUC, выявив 112 ранее недиагностированных случаев гипертрофической кардиомиопатии в 40,000+ сканах.

Исследование представляет новый подход к решению проблемы диагностики редких генетических заболеваний, где пациенты часто проходят многолетнюю «диагностическую одиссею» без постановки точного диагноза. Авторы предлагают симуляционную фреймворк GraPhens, который использует структуру онтологии фенотипов человека (HPO) совместно с двумя эмпирически обоснованными мягкими априорными распределениями — по количеству наблюдаемых фенотипов на случай и специфичности фенотипов — для генерации синтетических пар фенотип-ген. На основе этих синтетических случаев обучается графовая нейронная сеть GenPhenia, которая работает с подграфами фенотипов конкретного пациента вместо плоских наборов фенотипов. Несмотря на то, что модель обучалась исключительно на синтетических данных, она демонстрирует способность обобщаться на реальные ранее не встречавшиеся клинические случаи и превосходит существующие методы приоритизации генов, основанные на фенотипах, на двух реальных наборах данных. Результаты показывают, что когда данные пациентов ограничены, но доступна структурированная онтология, principled simulation может обеспечить эффективные тренировочные данные для сквозных нейросетевых моделей диагностики. Это особенно актуально для редких заболеваний, где сбор достаточного количества клинических случаев затруднён, а структурированные онтологии позволяют генерировать реалистичные синтетические данные.

Исследование оценивает способность LLM с Chain-of-Thought reasoning интерпретировать ультразвуковые признаки узлов щитовидной железы в рамках ACR-TIRADS. Grok-3 показал наивысшую точность в качественном анализе (96%), Gemini-2.5 Pro и DeepSeek-R1 превзошли в количественных задачах. Модели продемонстрировали потенциал для клинической поддержки принятия решений.

Исследователи представили RNASTOP — новую вычислительную платформу, сочетающую глубокое обучение с эвристическим поиском для одновременного предсказания и оптимизации химической стабильности молекул мРНК. Проблема химической нестабильности мРНК ограничивает долгосрочную эффективность мРНК-вакцин, и существующие методы предсказания деградации имеют ограниченную точность. RNASTOP демонстрирует улучшение точности на 13% по сравнению с лучшей моделью в конкурсе Stanford OpenVaccine и показывает устойчивую обобщаемость при предсказании деградации полноразмерных последовательностей мРНК. При применении к оптимизации кодонов мРНК для вакцины против вируса ветряной оспы (Varicella-Zoster Virus) система снизила минимальную свободную энергию на 75,73% при сохранении высокой эффективности трансляции. Разработанная модель представляет собой мощный инструмент для ускорения разработки мРНК-терапевтических средств, что особенно актуально в контексте пандемии COVID-19 и создания вакцин нового поколения. Исследование открывает перспективы для рационального дизайна мРНК-препаратов с улучшенной стабильностью и эффективностью. Исходный код проекта доступен в открытом доступе на GitHub.

Исследование представляет собой рандомизированное контролируемое испытание (РКИ), оценивающее эффективность совместной работы врачей и искусственного интеллекта в диагностических процессах. Работа переводит концепцию ИИ из категории вспомогательного инструмента в категорию полноценного партнёра врача при постановке диагноза. Методология включает сравнение диагностических результатов при использовании ИИ-ассистентов versus традиционных подходов в контролируемых условиях. Исследование проверяет гипотезу о том, что коллаборативные рабочие процессы «врач + ИИ» превосходят как работу врача без ИИ, так и работу ИИ без врача. Ключевые результаты будут включать метрики точности диагностики, скорости принятия решений, уровня ошибок и удовлетворённости клинического персонала. Значимость работы заключается в определении оптимальных моделей интеграции ИИ в клиническую практику — это критически важно для внедрения ИИ-систем в реальные медицинские учреждения. Публикация в npj Digital Medicine, ведущем журнале по цифровому здравоохранению, подтверждает научную ценность исследования.

Исследование посвящено применению искусственного интеллекта для выявления остеопороза на основе стандартных рентгенограмм грудной клетки, что позволяет использовать уже существующие медицинские снимки для скрининга пациентов. Работа фокусируется на азиатских популяциях, где распространённость остеопороза остаётся недооценённой из-за недостатка скрининговых программ. Методология включает обучение моделей машинного обучения на больших наборах данных рентгенограмм с подтверждёнными диагнозами остеопороза. Ключевая цель исследования — устранение диагностического неравенства, обеспечив доступ к раннему выявлению остеопороза в регионах с ограниченными ресурсами. Ожидается, что внедрение ИИ-алгоритмов позволит выявлять пациентов с риском остеопороза без необходимости дополнительных дорогостоящих исследований, таких как денситометрия. Статья подчёркивает важность этических аспектов разработки ИИ-систем для различных этнических групп и необходимости валидации моделей на репрезентативных выборках. Результаты исследования могут существенно повлиять на клиническую практику, особенно в странах Азии, где доступ к денситометрии ограничен.

Данная статья представляет систематический обзор современных методов машинного и глубокого обучения, применяемых для диагностики острого лимфобластного лейкоза (ALL) — наиболее распространённого вида рака у детей. Авторы проанализировали исследования, использующие различные алгоритмы ИИ для анализа медицинских изображений, лабораторных данных и геномной информации с целью выявления заболевания на ранних стадиях. Обзор охватывает применение сверточных нейронных сетей для анализа микроскопических изображений клеток крови, методов обработки естественного языка для извлечения информации из электронных медицинских карт, а также ансамблевых алгоритмов для прогнозирования риска развития лейкоза. Ключевые результаты показывают, что ИИ-модели демонстрируют точность диагностики от 85% до 97% в зависимости от типа входных данных и архитектуры алгоритма. Исследование подчёркивает важность валидации моделей на разнообразных популяциях пациентов и стандартизации протоколов сбора данных. Работа имеет значимость для клинической практики, так как автоматизированные системы диагностики могут сократить время постановки диагноза, снизить субъективность оценки и улучшить выживаемость пациентов за счёт раннего выявления заболевания.

Исследование разработало и валидировало интерпретируемые модели машинного обучения для прогнозирования развития псевдокист поджелудочной железы у пациентов с острым панкреатитом. Сравнивались 9 алгоритмов ML, оптимальной оказалась модель случайного леса с AUC 0.884 на внутреннем тесте и 0.914 на временной валидации. Анализ SHAP показал, что низкий уровень кальция и повышенный СРБ являются наиболее важными предикторами риска.

Исследование оценивает производительность 8 алгоритмов ИИ на основе сверточных нейронных сетей (CNN) для обнаружения диабетической ретинопатии, возрастной макулярной дегенерации, глаукомы и других патологий сетчатки. Система UPRETINA продемонстрировала высокую точность (чувствительность/специфичность 82.7-94.9%) в классификации изображений, что позволяет оптимизировать ресурсы скрининга.