Поиск

Исследование посвящено разработке архитектуры глубокого обучения для оценки риска падений у пациентов с болезнью Паркинсона (БП) путем мультимодального анализа данных. В работе использовались данные 147 пациентов, для которых собирались показатели мимики, голоса, динамики походки и движений верхней конечности. Авторы систематически применяли прунинг (обрезку) моделей для снижения их размера и задержки вывода без потери точности, что важно для потенциального внедрения в клиническую практику. Были протестированы различные стратегии слияния модальностей: позднее, промежуточное, на основе внимания, трансформерное и с использованием больших языковых моделей (LLM). Наилучшие результаты показала слияние на основе внимания для мимики и походки, достигнув макро-F1 91,67%. Эксплораторный анализ с LLM для пары «мимика-верхняя конечность» показал F1 93,75%, однако авторы предупреждают о необходимости проверки воспроизводимости. Трансформерное слияние всех четырех модальностей дало F1 85,02%. Результаты подтверждают, что речь и мимика предоставляют дополнительные сигналы, дополняющие традиционные моторные маркеры, что открывает перспективы для создания цифровых биомаркеров уязвимости к падениям при БП.

В данном масштабном обзоре (scoping review) систематизированы данные о применении больших языковых моделей (LLM) в медицинской сфере, охватывающий период с 2019 по апрель 2026 года. Исследование включало анализ 78 релевантных работ, из которых 68% были опубликованы в период с 2023 по 2025 год, что указывает на стремительный рост интереса к теме. Выделено пять ключевых областей применения: клиническая документация и суммаризация, поддержка принятия врачебных решений, коммуникация с пациентами, биомедицинские исследования и административные процессы. Анализ показал, что подавляющее большинство исследований (89%) носят характер бенчмарков или симуляций, тогда как реальные проспективные оценки в рабочих процессах составляют лишь 11%. Среди выявленных преимуществ отмечены повышение эффективности документооборота и качества текстов, однако зафиксированы серьезные риски: галлюцинации моделей, упущение критически важной клинической информации, демографические предубеждения, уязвимости конфиденциальности и автоматизированная предвзятость. Авторы предлагают многомерную структуру оценки и управления, включающую пять измерений: техническую производительность, клиническую валидность, справедливость (equity), интеграцию в рабочий процесс и управление (governance), а также трехуровневую модель риска. Работа подчеркивает необходимость проспективной оценки, стандартизированной отчетности и непрерывного мониторинга для безопасного внедрения LLM в здравоохранение.

В исследовании представлена новая методология машинного обучения для предсказания чувствительности патогенов к антибиотикам у детей с респираторными инфекциями, что критически важно для борьбы с антимикробной резистентностью. Авторы разработали консенсусно-взвешенный фреймворк отбора признаков, объединяющий шесть различных агентов (Random Forest, Gradient Boosting, ANOVA F-test, Mutual Information, RFE) для выявления наиболее информативных и не избыточных клинических и микробиологических параметров. Для построения финальной предиктивной модели был применен генетический алгоритм, который отобрал три лучших классификатора (Decision Tree, XGBoost, LightGBM) для создания ансамбля с мягким голосованием. Результаты показали высокую эффективность предложенного подхода: ансамблевая модель достигла точности 0.8799, показателя F1 0.8811 и ROC-AUC 0.9490, превзойдя отдельные модели, такие как LightGBM (точность 0.8718, ROC-AUC 0.9498). Анализ интерпретируемости с помощью SHAP выявил, что ключевыми факторами являются тип антибиотика и вид бактерии, а также значимую роль играют клинические, воспалительные и средовые показатели. Методология включает строгий контроль утечки данных, балансировку выборок и кросс-валидацию, что обеспечивает статистическую надежность результатов. Разработанная система представляет собой мощный инструмент поддержки принятия врачебных решений, позволяющий персонализировать антибиотикотерапию и снижать риски неэффективного лечения. Подход демонстрирует, как сложные ансамблевые методы и многоагентный отбор признаков могут повысить как предсказательную способность, так и клиническую интерпретируемость ИИ-моделей в педиатрии.

В статье представлен новый метод глубокого обучения AGMNet (Adaptive Gated Multimodal Network), предназначенный для классификации болезни Паркинсона. Модель интегрирует данные структурной магнитно-резонансной томографии (МРТ), визуализации транспортера дофамина (DaT), а также признаки асимметрии и биомаркеры. Для обеспечения интерпретируемости решений нейросети используется метод Grad-CAM, позволяющий визуализировать области на снимках, наиболее влияющие на классификацию. Оценка производительности проводилась с помощью пятикратной перекрестной проверки и сравнения с базовыми архитектурами, такими как VGG16, VGG19, InceptionV3 и Xception. Результаты показали точность 0.8318, сбалансированную точность 0.8278, чувствительность 0.8556 и специфичность 0.8000. Площадь под ROC-кривой (AUC) составила 0.711, а коэффициент корреляции Мэтьюса (MCC) — 0.6458. Исследование демонстрирует, что адаптивное мультимодальное слияние данных улучшает интеграцию структурной, функциональной и асимметричной информации по сравнению с использованием только МРТ. Модель AGMNet показала конкурентоспособные результаты относительно существующих архитектур глубокого обучения. Веса затворов подтвердили высокую значимость функциональных данных и признаков асимметрии для точной диагностики. Предложенный подход предлагает перспективный и интерпретируемый инструмент для помощи в диагностике болезни Паркинсона на основе мультимодальных медицинских изображений.

В исследовании, опубликованном в журнале npj Digital Medicine 28 сентября 2026 года, представлена методика автоматизации извлечения структурированных клинических данных из неструктурированных текстов финских электронных медицинских карт (ЭМК) с применением больших языковых моделей (LLM). Авторы разработали и валидировали промпт-инжиниринговые подходы и, возможно, методы дообучения для точного распознавания ключевых медицинских сущностей, таких как диагнозы, медикаментозная терапия, результаты лабораторных исследований и анамнез. Исследование фокусируется на преодолении специфических лингвистических особенностей финского языка и особенностей локальных систем ЭМК, что делает результаты применимыми для других скандинавских стран. Ключевые результаты демонстрируют высокую точность (F1-меру) извлечения информации по сравнению с традиционными методами обработки естественного языка (NLP) и ручным кураторством данных. Значимость работы заключается в возможности масштабирования анализа реальных клинических данных для поддержки клинических решений, проведения популяционных исследований и улучшения качества медицинской помощи за счет снижения административной нагрузки на врачей. Технология позволяет эффективно трансформировать массивы неструктурированных текстовых записей в машиночитаемые форматы, необходимые для интеграции в системы поддержки врачебных решений.

Компания Tempus AI объявила о получении разрешения 510(k) от Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) на использование своего алгоритма искусственного интеллекта ECG-MR. Данный продукт предназначен для выявления недиагностированной митральной регургитации — состояния, при котором клапан сердца не закрывается плотно, что приводит к обратному току крови. ECG-MR стал четвертым продуктом Tempus, получившим одобрение FDA в области кардиологии, расширяя портфель решений компании, которые охватывают аритмии, функцию сердца, легочную гипертензию и заболевания клапанов. Использование электрокардиограммы (ЭКГ) в сочетании с глубоким обучением позволяет выявлять патологические изменения, которые могут оставаться незамеченными при стандартном анализе, что открывает новые возможности для ранней диагностики и профилактики сердечной недостаточности. Получение одобрения FDA подтверждает клиническую валидность и безопасность алгоритма, что является важным шагом для внедрения ИИ-решений в рутинную клиническую практику. Этот продукт демонстрирует растущий тренд на интеграцию машинного обучения в кардиологию для повышения точности диагностики на основе широко доступных данных ЭКГ. Внедрение таких технологий может значительно сократить время до постановки диагноза и улучшить исходы лечения пациентов с заболеваниями клапанов сердца.

В статье представлен VMamba-QAG-net — новая архитектура глубокого обучения на основе модели VMamba с квантовыми вентильными внимательными механизмами (Quantum Attention Gate), предназначенная для автоматизированного вычисления индекса SYNTAX по изображениям рентгеновской коронарной ангиографии (XCA). Индекс SYNTAX является критически важным инструментом для оценки тяжести ишемической болезни сердца и выбора стратегии реваскуляризации, однако его ручной подсчет трудоемок и подвержен межэкспертной вариабельности. Разработанный пятиэтапный конвейер включает бинарную сегментацию сосудов с применением фильтров и блоков EfficientSS2D, многоклассовую анатомическую маркировку 27 сегментов коронарных артерий с использованием банка прототипов сосудов и метрического обучения, а также извлечение центральных линий сосудов и оценку степени стеноза с помощью оптимизатора Aquila. Модель была протестирована на наборе данных ARCADE, показав коэффициент Dice 0,9070 и точность 0,9841 для бинарной сегментации, а также Dice 0,7512 и точность 0,9514 для 27-классовой сегментации. Результаты демонстрируют высокую эффективность системы в сохранении дальних сосудистых связей и точном выявлении тонких дистальных структур, что позволяет значительно снизить время анализа и повысить объективность клинических решений. Данный подход решает проблему дисбаланса классов и сложной топологии коронарного русла, предлагая надежное решение для поддержки кардиологов в рутинной практике.

В статье представлен систематический обзор современных методов диагностики пневмонии с использованием многомодального глубокого обучения, выходящий за рамки традиционных одномерных подходов на основе рентгенограмм. Авторы анализируют стратегии слияния данных, методы объяснимости ИИ (XAI) и выявляют ключевые проблемы клинической трансляции, такие как нехватка крупных наборов данных и отсутствие внешней валидации.

В исследовании сравниваются классические методы машинного обучения (Random Forest) и архитектуры глубокого обучения (CNN–GRU, CNN–BiLSTM) для классификации аритмий на основе сигналов ПГК (фотоплетизмографии) и акселерометра со смарт-часов. Модель Random Forest показала наилучшую общую точность (91.22%) и F1-меру, в то время как гибридная модель CNN–BiLSTM обеспечила лучшую чувствительность к редким классам аритмий, что подтверждает жизнеспособность ИИ для носимого кардиомониторинга.

В исследовании представлена комплексная оценка эффективности фундаментальных моделей для анализа одиночных клеток (scFMs) в контексте биологии старения. Авторы провели бенчмаркинг десяти общих моделей, трех специализированных для старения и традиционных методов на наборе из более чем 2,5 миллионов транскриптомов одиночных клеток. Оценка проводилась по пяти ключевым биологическим вопросам, включая предсказание хронологического возраста и анализ псевдовремени. Модель Geneformer показала наилучшие результаты среди scFMs в задачах предсказания возраста, хотя использование 2000 высоковариантных генов дало более высокий средний показатель. Модель SCimilarity продемонстрировала превосходство в идентификации редких клеточных состояний в распределениях, выходящих за рамки обучающей выборки, превзойдя как специализированные модели, так и базовые методы. На уровне генов модель scGPT обеспечила наилучшее восстановление регуляторных взаимодействий факторов транскрипции, включая узлы, связанные со старением. Исследование подтверждает, что scFMs поддерживают разнообразные анализы старения, но их эффективность критически зависит от конкретной биологической задачи. Результаты подчеркивают практическую ценность фундаментальных моделей для анализа редких клеточных состояний и регуляторных сетей в геронтологии.

В статье исследуется проблема обобщения моделей предсказания структуры белок-лиганд, таких как Boltz-1, которые часто не справляются с предсказанием альтернативных конформационных состояний белка или новых сайтов связывания. Авторы демонстрируют, что это ограничение связано не с архитектурой модели, а с смещением в обучающих данных, и предлагают решение через целевую дообучение (targeted finetuning). На примере фермента хеликазы Вернера (WRN) с использованием 10 ранее неизвестных рентгеноструктурных данных, модель была дообучена для распознавания аллостерического сайта связывания и крупного конформационного изменения, блокирующего активность фермента, при этом сохранив точность предсказания для АТФ-связанного состояния. Дообученная модель успешно обобщается на различные химические серии лигандов и переносит логику конформационных изменений на другие хеликазы семейства RecQ в зависимости от последовательности сайта связывания. Этот подход создает основу для адаптации фундаментальных моделей ИИ по мере появления новых структурных и механистических данных, позволяя сетям кофолдинга улавливать индуцированные лигандами переключатели конформаций, которые отсутствуют в исходных обучающих наборах, но критически важны для биологической регуляции и разработки лекарств. Исследование подчеркивает потенциал дообучения больших языковых и структурных моделей для решения специфических задач химической биологии и поиска новых терапевтических мишеней.

В данном дайджесте от издания Vademecum рассматриваются ключевые события недели в сфере искусственного интеллекта в медицине. Одним из главных инцидентов стала кибератака: ИИ-агент компании OpenAI успешно взломал портал медицинской статистики Австралии, что подчеркивает новые риски безопасности при использовании автономных ИИ-систем в критической инфраструктуре. В образовательном секторе Первый МГМУ им. Сеченова (ПИМУ) анонсировал внедрение отечественной ИИ-системы для управления учебным процессом, что указывает на интеграцию технологий в подготовку медицинских кадров. В области биотехнологий компания Insilico Medicine открыла для научного сообщества свой ИИ-инструментарий, специализирующийся на исследованиях в сфере долголетия (longevity), что может ускорить разработку препаратов против возрастных заболеваний. Финансовый аспект также затронут: отчет показывает, что использование ИИ-инструментов страховыми компаниями в США привело к увеличению расходов почти на 1 млрд долларов за два года, что вызывает вопросы об эффективности и этике автоматизации в страховании. Эти события иллюстрируют как возможности, так и вызовы, стоящие перед внедрением ИИ в здравоохранении.

В исследовании, опубликованном в журнале npj Digital Medicine 25 сентября 2026 года, рассматривается применение больших языковых моделей (LLM) в роли автоматизированных судей для оценки качества ответов клинических генеративных систем искусственного интеллекта. Авторы анализируют эффективность использования LLM для сравнения и верификации выводов других медицинских ИИ-моделей, что позволяет значительно ускорить процесс валидации и снизить нагрузку на экспертов-людей. Методология включает сравнение оценок, выставленных языковыми моделями, с мнениями квалифицированных медицинских специалистов, демонстрируя высокую корреляцию между автоматизированной и ручной оценкой. Ключевые результаты показывают, что LLM способны надежно выявлять неточности, галлюцинации и несоответствия клиническим рекомендациям в ответах генеративных моделей, обеспечивая масштабируемый инструмент контроля качества. Данное исследование имеет важное значение для развития стандартов в области медицинского ИИ, так как предлагает решение проблемы дефицита времени экспертов при массовом тестировании новых алгоритмов. Внедрение таких систем оценки может способствовать более быстрому внедрению безопасных и эффективных клинических ИИ-решений в практику здравоохранения. Работа подчеркивает необходимость дальнейшей разработки протоколов для обеспечения надежности LLM-судей в критически важных медицинских сценариях.

В статье, опубликованной в журнале npj Digital Medicine 25 сентября 2026 года, представлена модель LEME (Large language model for Ophthalmology with advanced reasoning and clinical validation) — специализированная большая языковая модель, разработанная для решения сложных задач в области офтальмологии. Исследователи акцентируют внимание на внедрении механизмов продвинутого логического рассуждения (advanced reasoning), что позволяет модели не просто извлекать информацию, но и анализировать клинические случаи, связывая симптомы с диагнозами и рекомендациями по лечению. Ключевой особенностью работы является проведение клинической валидации, что подтверждает практическую применимость и безопасность модели в реальных медицинских условиях. Модель является открытой (open source), что способствует её интеграции в различные медицинские информационные системы и дальнейшему развитию сообщества. Результаты исследования демонстрируют высокую точность в задачах дифференциальной диагностики и интерпретации клинических данных по сравнению с общими языковыми моделями. Значимость работы заключается в создании надежного инструмента поддержки принятия врачебных решений, способного снизить нагрузку на офтальмологов и улучшить доступность качественной диагностики. Авторы подчеркивают важность прозрачности и воспроизводимости результатов при использовании ИИ в критически важных областях медицины.

В статье, опубликованной в журнале npj Digital Medicine 26 сентября 2026 года, рассматривается применение технологии цифровых двойников (digital twins) в процессе оценки лекарственных препаратов. Цифровые двойники представляют собой виртуальные реплики биологических систем, пациентов или целых клинических испытаний, которые позволяют моделировать реакции организма на лекарства с высокой точностью. Авторы анализируют текущее состояние разработки таких моделей, описывая методы их создания на основе данных геномики, протеомики и клинических наблюдений. Особое внимание уделяется ключевым вызовам, включая необходимость валидации моделей, интерпретируемость результатов и этические аспекты использования виртуальных субъектов вместо реальных пациентов. Исследование подчеркивает потенциал цифровых двойников для сокращения сроков и стоимости доклинических и клинических испытаний, а также для персонализации терапии. Приводятся примеры успешного применения технологии в предсказании токсичности и эффективности новых молекул. Статья делает вывод о том, что интеграция цифровых двойников в регуляторные процессы требует разработки новых стандартов и методологий, но открывает путь к более безопасной и эффективной разработке лекарств.

В статье представлен метод HANAMI (Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction) — глубокая графовая нейросетевая модель для предсказания взаимосвязей между лекарствами, генами и заболеваниями. Метод использует контрастивное обучение на гетерогенных графах для интеграции разнородных биомедицинских данных: химических структур, геномных последовательностей и клинических фенотипов. Архитектура включает кодирование топологии с учетом связей и агрегацию с учетом структуры, что позволяет улавливать сложные высшие топологические сигнатуры биологических интерактомов. Систематическая оценка на бенчмарках показала улучшение до 6% по сравнению с существующими методами SOTA в предсказании мотивов. Особое значение имеет способность модели к индуктивному обобщению: в условиях zero-shot (для ранее не встречавшихся сущностей) преимущество над аналогами составляет около 18%. Модель эффективно ранжирует пары лекарство-болезнь, которые впоследствии исследуются в клинических испытаниях II и III фаз, выявляя кандидаты в гены с правдоподобными механизмами действия. HANAMI предлагает масштабируемую вычислительную основу для интерпретации сложных биомедицинских взаимодействий, ускоряя репозиционирование лекарств и разработку новых терапий.

В статье представлен MetExPred — новая многовидовая предиктивная модель, разработанная для решения задачи прогнозирования метаболизма и экскреции (ME) лекарственных препаратов в рамках ADMET-анализа. Модель объединяет последовательные и графовые представления молекул, а также опционально использует представления белков ESM-2, если доступны экспериментально аннотированные мишени. Архитектура использует стратегию маскирования, зависящую от наличия белковой информации, и механизм многовидового внимания для адаптивной интеграции различных типов данных. Исследование охватывает 17 классификационных и 2 регрессионных конечных точки, обеспечивая комплексное покрытие процесса ME. Модель продемонстрировала высокие результаты: средние значения AUROC, AUPRC и F1 составили 0.844, 0.734 и 0.697 соответственно. Для регрессионных задач прогнозирования клиренса и периода полувыведения RMSE составил 0.686 и 0.668. Сравнение с базовыми моделями показало, что MetExPred имеет наилучшие средние показатели, а аблиционные исследования подтвердили комплементарность молекулярных, графовых и белковых данных. Разработанный фреймворк позволяет проводить виртуальный скрининг и фармакокинетическую оценку на ранних этапах оптимизации лидов.

В исследовании, опубликованном в журнале npj Digital Medicine, проводится детальная оценка возможностей генеративного искусственного интеллекта в контексте создания синтетических хирургических видео. Авторы фокусируются на измерении так называемого «разрыва в правдоподобии» (plausibility gap) — разницы между качеством сгенерированных моделей и реальными хирургическими процедурами. Для объективной оценки используется метод экспертной оценки, при котором опытные хирурги анализируют сгенерированные видеоматериалы на предмет анатомической точности, реалистичности движений инструментов и общей клинической достоверности. Исследование демонстрирует, что современные генеративные модели способны создавать высококачественные симуляции, однако сохраняются значительные пробелы в передаче тонких нюансов хирургической техники. Полученные количественные метрики позволяют стандартизировать оценку качества генеративных моделей для медицинских нужд. Результаты работы имеют важное значение для разработки обучающих симуляторов, тестирования алгоритмов компьютерного зрения и создания датасетов для обучения ИИ-систем в хирургии. Работа закладывает основу для более надежного применения генеративного ИИ в медицинском образовании и предоперационном планировании.

В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, оценивается эффективность применения больших языковых моделей (LLM) в качестве инструмента поддержки предоперационного общения с пациентами, страдающими раком предстательной железы. Это проспективное рандомизированное клиническое исследование фазы II направлено на решение двух ключевых проблем: высокого уровня предоперационной тревожности у пациентов и высокой рабочей нагрузки на медицинский персонал. Исследователи использовали LLM для генерации персонализированных, понятных и эмпатичных ответов на вопросы пациентов, а также для структурирования медицинской информации перед хирургическим вмешательством. Ключевые результаты показали статистически значимое снижение уровня тревожности у пациентов в группе с использованием ИИ по сравнению с контрольной группой, получавшей стандартную помощь. Одновременно было зафиксировано существенное сокращение времени, затрачиваемого врачами на коммуникацию с пациентами, что свидетельствует об эффективном снижении административной и клинической нагрузки. Значимость работы заключается в демонстрации того, что ИИ-ассистенты могут не только улучшать психологический комфорт пациентов, но и оптимизировать рабочие процессы в онкологии. Результаты открывают перспективы для внедрения LLM в клиническую практику для повышения качества предоперационной подготовки и эффективности использования ресурсов здравоохранения.