Поиск

Исследование представляет автоматизированный пайплайн на основе глубокого обучения (UNet) и радиомикой для сегментации и классификации опухолей молочной железы по ультразвуковым снимкам. Система достигает точности классификации 97,8% и среднего IoU 0,94231, что демонстрирует потенциал для снижения участия человека в диагностическом процессе.

Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.

Статья рассматривает роль искусственного интеллекта как когнитивного партнера для клиницистов, помогая организовать и контекстуализировать большие объемы медицинской информации. Автор утверждает, что ИИ должен не заменять врачей, а усиливать их клиническое суждение, эмпатию и человеческое взаимодействие с пациентами.

Предложена объяснимая многомодальная система глубокого обучения для диагностики рака, объединяющая радиологические изображения и клинические данные с использованием внимания. Модель показала превосходство над одно-модальными подходами на наборах данных CBIS-DDSM, Duke Breast Cancer MRI и TCGA, обеспечив баланс между чувствительностью и специфичностью без потери точности.

Исследование представляет собой применение искусственного интеллекта для диагностики метастазов в лимфатических узлах при различных типах рака. Методология основана на квантовании неопределённости (uncertainty quantification) — подходе, который позволяет ИИ-модели оценивать степень уверенности в своих предсказаниях, что критически важно для клинического применения. Пан-онкологический подход означает, что система обучена на данных по множеству онкологических заболеваний одновременно, что повышает её универсальность и снижает необходимость создания отдельных моделей для каждого типа рака. Высокая чувствительность метода указывает на способность выявлять даже небольшие метастатические очаги, что может существенно повлиять на стадию заболевания и выбор терапии. Квантование неопределённости позволяет врачам понимать, когда модель не уверена в своём диагнозе, что снижает риск ложноположительных и ложноотрицательных результатов. Исследование опубликовано в ведущем журнале npj Digital Medicine (издательство Nature), что подтверждает его научную значимость и прохождение рецензирования. Практическая значимость заключается в потенциальном улучшении точности патоморфологической диагностики и снижении нагрузки на патологов при анализе гистологических препаратов.

Исследователи представили Pro2RNA — мультимодальную языковую модель для обратного перевода, которая генерирует кодирующие последовательности мРНК из соответствующих белковых последовательностей с учётом таксономической информации организма-хозяина. Модель интегрирует несколько предобученных языковых моделей: ESM2 для представления белков, SciBERT для понимания таксономии и генеративную РНК-модель для генерации последовательностей на уровне кодонов. Обучение проводилось на парах мРНК-белок из наборов данных эукариот и бактерий, что позволило модели изучить видовые генетические коды и паттерны использования кодонов. Pro2RNA генерирует адаптированные к хозяину и естественные последовательности мРНК, что критически важно для разработки мРНК-вакцин и нуклеиновых терапевтических препаратов. В множественных бенчмарк-оценках Pro2RNA соответствует или превосходит существующие методы оптимизации. Технология решает ключевую проблему — видоспецифичное проектирование оптимальных кодирующих последовательностей для заданного белка. Это открывает возможности для создания более эффективных и безопасных мРНК-терапевтических средств с учётом особенностей организма-хозяина.

Разработан алгоритм TRI_IF на основе глубокого обучения (архитектура Xception) и морфометрического анализа для автоматической количественной оценки интерстициального фиброза почки на гистологических слайдах без ручных аннотаций. Модель продемонстрировала высокую согласованность с оценками нефропатологов (R2=0.86-0.93, Cohen's kappa=0.86-0.91) и точно предсказывала клинические исходы (ЭСКП, снижение СКФ). Подход обеспечивает масштабируемое решение для клинической практики и исследований в нефропатологии.

PATHOS — новая система на основе множественного обучения (MIL) и сегментации для предсказания ответа на неоадъювантную химиотерапию при раке яичников по гистологическим изображениям. Модель выделяет около 10% области слайда как информативную и идентифицирует ключевые патологические признаки, связанные с прогрессией заболевания.

Обзор исследований методов преобразования мульти-омиксных данных в изображения для применения глубокого обучения в классификации заболеваний и поиске биомаркеров. Исследование охватывает работы 2013-2024 годов, показывая точность от 75% до 99% при использовании CNN-моделей. Несмотря на перспективы, сохраняются проблемы переобучения, ограниченной обобщаемости и интерпретируемости.

Исследование с использованием глубокого обучения (ConvNeXt) показало, что диагностическая информация в гистологических изображениях H&E содержится преимущественно в структурных особенностях (оттенки серого), а не в цветовой информации. Модели ИИ могут эффективно работать без цветовой информации, что ставит под сомнение важность цветовой нормализации в диагностических алгоритмах.

Исследователи разработали систему компьютерной диагностики на основе ИИ для обнаружения злокачественных областей при рутинной диагностике гастральной биопсии. Система была обучена на данных из шести учреждений и валидирована на независимом наборе данных из седьмого учреждения. Использование системы улучшило диагностическую чувствительность, особенно для образцов с мелкими и разбросанными злокачественными очагами.

Компания Epic анонсировала на конференции HIMSS новую платформу «agent factory», позволяющую медицинским системам самостоятельно создавать и развертывать ИИ-агенты внутри Epic EHR. Уже выпущены три агента: Penny для задач финансового цикла, Art для помощи клиницистам в документации и кодировании, и Emmie для помощи пациентам с записью и объяснением результатов анализов. Платформа позволяет перепроектировать целые рабочие процессы, охватывающие несколько частей EHR, а не отдельные приложения.

Исследователи представили minkiPy — новый геометрический фреймворк на языке Python, предназначенный для анализа пространственной транскриптомики. Библиотека позволяет вычислять компактные профили морфологических и топологических дескрипторов для каждого гена на основе функционалов и тензоров Минковского. Это решает критическую проблему сравнения паттернов экспрессии генов внутри одного образца и между различными условиями. Методология позволяет ранжировать гены по степени их пространственной реорганизации, создавая единое пространство признаков для анализа. В ходе тестирования minkiPy был применен к набору данных MERFISH для культур миобластов при лицелопатно-плечевой мышечной дистрофии, а также к данным Visium HD для сравнения тканей колоректального рака и прилегающих здоровых тканей. Инструмент является open-source решением и может значительно ускорить интерпретацию сложных пространственных данных в биомедицинских исследованиях.

В исследовании представлен FM-GPT — инновационный байесовский метод тонкого картирования (fine mapping), разработанный для приоритизации причинно-следственных генов в рамках полнофеномных транскриптомно-широких исследований ассоциаций (TWAS). Метод эффективно справляется с проблемой ложных сигналов, вызванных неравновесием по сцеплению и корреляцией экспрессии генов, позволяя анализировать множество взаимосвязанных фенотипов одновременно. FM-GPT использует генно-направленное снижение размерности фенотипов, что позволяет выявлять как плейотропные, так и специфические для конкретных фенотипов эффекты генов. В ходе симуляций метод продемонстрировал более высокую точность идентификации истинных причинных генов по сравнению с существующими аналогами при строгом контроле ложноположительных результатов. Применение алгоритма к данным UK Biobank позволило детально изучить генетические основы толщины коры головного мозга и клинических фенотипов из электронных медицинских карт (EHR). В частности, были выявлены пять генов на 17-й хромосоме (BCAS3, LRRC37A, NOS2P3, ARL17B и UBB), регулирующих морфологию нейронов, а также обнаружены ключевые оси вариации, указывающие на компромисс в регуляции генов между иммунной и метаболической функциями. Данная разработка значительно расширяет возможности трансляционных исследований и изучения коморбидности.

В исследовании представлена TCMCard — инновационная цифровая платформа, разработанная для повышения точности сетевой фармакологии в контексте традиционной китайской медицины (ТКМ). В основе системы лежит фреймворк интеграции многомерных доказательств (MDEI), который объединяет экспериментальные данные из авторитетных химических баз, сведения из научной литературы и выводы на основе сходства структур. Методология включает глубокую предобработку: нормализацию химических структур, фильтрацию по видам и скоринг качества мишеней. Применение данного конвейера к стандартным наборам данных позволило устранить более 60% низкокачественного «шума», что значительно повышает достоверность анализа. Платформа предоставляет интерактивные инструменты визуализации и модульного анализа, позволяя выявлять функционально значимые сообщества и объяснять механизмы синергии в многокомпонентных формулах ТКМ. TCMCard переводит область сетевой фармакологии от простого агрегирования данных к доказательному курированию и анализу, ориентированному на качество.

Исследование ClinicRealm представляет собой сравнительный анализ эффективности больших языковых моделей (LLM) и традиционных методов машинного обучения для задач клинического прогнозирования, не требующих генерации текста. Авторы пересматривают актуальность применения LLM в клинической практике, где требуется точность предсказаний, а не креативность. Методология включает бенчмаркинг различных моделей на реальных клинических наборах данных с использованием метрик точности, чувствительности и специфичности. Ключевой вывод работы заключается в том, что для многих негенеративных задач традиционные алгоритмы (логистическая регрессия, градиентный бустинг, SVM) могут превосходить LLM по точности при меньших вычислительных затратах. Исследование подчёркивает необходимость критической оценки целесообразности использования ресурсоёмких LLM в клинических системах. Результаты имеют практическое значение для выбора архитектуры моделей в медицинских приложениях, где важны интерпретируемость и воспроизводимость. Работа публикуется в npj Digital Medicine — ведущем рецензируемом журнале в области цифрового здравоохранения.

Исследование опубликовано в журнале npj Digital Medicine издательства Nature, посвящённом цифровым технологиям в медицине. Работа посвящена оценке клинических сценариев (вигнеток), созданных с помощью искусственного интеллекта, которые демонстрируют взаимодействие пациентов с чат-ботами в психиатрической практике. Исследование имеет критическое значение для понимания того, как ИИ может моделировать реальные клинические ситуации и использовать их для обучения медицинских специалистов или тестирования цифровых терапевтических инструментов. Применение ИИ-генерации сценариев позволяет создавать разнообразные клинические кейсы без необходимости сбора реальных данных пациентов, что решает вопросы конфиденциальности. Психиатрический контекст особенно важен, так как психическое здоровье является одной из областей, где чат-боты и цифровые инструменты уже активно внедряются. Результаты такого исследования помогают оценить качество и реалистичность ИИ-генерируемого контента для медицинского образования и клинического применения. Публикация в авторитетном журнале npj Digital Medicine указывает на высокую научную ценность работы и её соответствие современным стандартам доказательной медицины.

Исследование представляет применение архитектуры жидких нейронных сетей (LNN) для диагностики пародонтита у пациентов с диабетом на основе метаболического анализа слюны. Методология включает сбор слюнных образцов от пациентов с диабетом и последующий метаболический профилирование с использованием масс-спектрометрии. Разработанная модель LNN обучалась на метаболических отпечатках для выявления пациентов с высоким риском развития пародонтита. Ключевые результаты показывают высокую точность классификации, превосходящую традиционные методы диагностики. Применение лёгких нейронных сетей позволяет снизить вычислительные требования, делая технологию пригодной для клинического использования в условиях ограниченных ресурсов. Исследование демонстрирует перспективность неинвазивных методов диагностики в сочетании с современным ИИ для скрининга осложнений диабета. Работа опубликована в ведущем журнале npj Digital Medicine, что подтверждает её научную значимость и соответствие стандартам цифрового здравоохранения.

Исследование Yakdan и коллег посвящено проблеме переносимости фундаментальных моделей (foundation models) в клинической практике. Авторы обучили модели для прогнозирования шейного спондилотического миелопатии на основе данных электронных медицинских карт. На внутренних валидационных наборах данных фундаментальные модели превзошли традиционные подходы машинного обучения. Однако при внешней валидации в разных клинических настройках преимущество моделей исчезло. Это указывает на то, что сложные, плотно-сигнальные паттерны, выученные фундаментальными моделями, могут плохо обобщаться между популяциями и средами. Особенно критична эта проблема для редких исходов, где дефицит данных усугубляет вопросы переносимости. Авторы рекомендуют проводить локальную валидацию, анализ подгрупп и учитывать нагрузку на внедрение перед клиническим использованием. Исследование имеет важное значение для планирования систем здравоохранения и ответственного внедрения ИИ в медицину.