Поиск

Компания Merge представила MergeIQ — слой искусственного интеллекта, интегрированный в платформу корпоративной медицинской визуализации. Первые приложения RelevancyIQ и NaviIQ помогают радиологам находить релевантную предыдущую информацию и клинический контекст непосредственно в рабочем процессе, что снижает нагрузку и повышает эффективность диагностики.

Компания Ultrasound AI, Inc. получила два новых патента США на технологии искусственного интеллекта для медицинского визуализации. Патенты описывают методы использования нейросетей для анализа воздействия лекарств на плод и комплексной медицинской диагностики на основе медицинских изображений.

Oracle Health выпустила Clinical AI Agent, предназначенный для автоматизации рутинных задач медсестер, таких как навигация по электронным медицинским картам (EHR) и документирование ухода в реальном времени. Агент использует голосовые команды и ИИ-сводки для ускорения работы, интегрирован непосредственно в платформу EHR и требует утверждения документации медсестрой для предотвращения ошибок.

Исследование, опубликованное в npj Digital Medicine 8 сентября 2026 года, посвящено проблеме рецидивов фибрилляции предсердий (ФП) после катетерной аблации. У 20-30% пациентов с персистирующей ФП аритмия возвращается из-за триггеров, расположенных вне легочных вен, которые сложно обнаружить стандартными методами. Авторы разработали подход, сочетающий цифровые двойники сердца и модели глубокого обучения для неинвазивного выявления таких триггеров. Методология включала создание персонализированных электромеханических моделей предсердий на основе данных МРТ и электрокардиограмм пациентов, после чего симулировали активацию в различных точках для генерации обучающего набора данных. Сверточная нейронная сеть обучалась на синтетических картах активации для классификации локализации триггеров. В валидации на клинических данных 47 пациентов модель достигла точности 89% в определении наличия непульмональных триггеров и 82% в их локализации. Предложенный метод может улучшить планирование аблации, сократить время процедуры и повысить долгосрочную эффективность лечения, открывая путь к персонализированной терапии ФП.

В исследовании, опубликованном в npj Digital Medicine 8 сентября 2026 года, представлена модель искусственного интеллекта для оценки уязвимости атеросклеротических бляшек сонных артерий по данным ультразвукового исследования в B-режиме. Целью работы было улучшение стратификации риска цереброваскулярных событий (инсультов и транзиторных ишемических атак) у пациентов с каротидным атеросклерозом. Авторы разработали и валидировали алгоритм глубокого обучения на многоцентровой когорте пациентов, используя аннотированные изображения B-режима ультразвука для автоматического определения признаков уязвимости бляшки, таких как гетерогенная эхогенность, изъязвление поверхности и наличие гипоэхогенных зон. Модель продемонстрировала высокую прогностическую точность в идентификации пациентов с высоким риском цереброваскулярных событий, превосходя традиционные клинические и ультразвуковые критерии. Результаты показывают, что ИИ-анализ стандартных ультразвуковых изображений может служить неинвазивным и доступным инструментом для скрининга и раннего выявления пациентов, нуждающихся в более агрессивной профилактической терапии. Исследование подчеркивает потенциал ИИ в повышении точности диагностики и персонализации лечения сердечно-сосудистых заболеваний в рутинной клинической практике.

В пилотном исследовании оценивалось использование больших языковых моделей (LLM) и языка клинического качества (CQL) для извлечения признаков и определения исходов миокардита из данных FHIR пациентов с вакцинацией от COVID-19. Метод с LLM и улучшенный CQL показали высокую точность в определении исходов (23 из 25), при этом LLM превосходно справился с симптомами и визуализационными признаками, а простой CQL — с биомаркерами. Результаты подтверждают возможность использования LLM для вычислимых фенотипов в постмаркетинговом надзоре.

В ретроспективном исследовании с участием 229 пациентов разработана и валидирована интерпретируемая модель машинного обучения на основе радиомических признаков многофазной КТ для различения липид-бедных аденом и феохромоцитом. Модель дерева решений достигла AUC 0.977–0.983, а анализ важности признаков выявил кистозную дегенерацию как ключевой дискриминатор, обеспечивая прозрачные клинические пути принятия решений.

В исследовании использованы данные 23 122 пациентов из больницы Санта-Мария в Лиссабоне для разработки моделей машинного обучения (логистическая регрессия, KNN, случайный лес, наивный Байес) для раннего выявления тахикардии и брадикардии у критически больных. Логистическая регрессия показала наилучшие результаты (AUROC 0,81, полнота 91,7% при клинических порогах), а также был продемонстрирован прототип автоматической системы email-оповещений. Авторы подчеркивают необходимость проспективной внешней валидации в нескольких центрах.

В статье представлена новая модель AtlasFold для предсказания трехмерной структуры белков, основанная на языковых моделях белков (PLM). Авторы разработали семейство моделей Atlas, включающее языковую модель AtlasLM-3B (3 миллиарда параметров), обученную на 1,56 миллиарда последовательностей, включая метагеномные данные. AtlasLM-3B превосходит аналогичную по размеру модель ESM2-3B в задаче предсказания контактов без использования множественного выравнивания последовательностей (MSA). На основе этих представлений AtlasFold предсказывает всеатомные структуры белков и достигает наилучшей точности среди моделей, основанных на PLM. После тонкой настройки для предсказания белковых комплексов (AtlasFold-Multimer) модель показывает результаты, сравнимые с AlphaFold3 и ESMFold2 в предсказании комплексов антитело-антиген. Архитектура AtlasFold обеспечивает быстрый и эффективный по памяти вывод. Все компоненты, включая код обучения, данные, чекпоинты и веса, опубликованы под лицензией MIT, что делает систему открытой и воспроизводимой. Это значительный шаг в развитии PLM-подходов к предсказанию структуры белков, который может ускорить исследования в биологии и медицине, особенно в разработке антител и лекарств.

В исследовании, опубликованном в npj Digital Medicine 7 сентября 2026 года, представлена мультимодальная модель искусственного интеллекта для прогнозирования риска рецидива менингиомы после радиотерапии. Модель объединяет перитуморальные МРТ-изображения (область вокруг опухоли) с клиническими данными пациентов, что позволяет более точно стратифицировать пациентов по группам риска по сравнению с традиционными подходами. Авторы использовали методы глубокого обучения для анализа радиомических признаков перитуморальной зоны, которые отражают микроинвазию и биологическое поведение опухоли, недоступные при стандартной оценке только самой опухоли. Валидация модели проводилась на ретроспективных когортах пациентов с менингиомой, получавших лучевую терапию, с оценкой дискриминационной способности через AUC (площадь под ROC-кривой). Результаты показали значительное улучшение точности прогноза рецидива по сравнению с моделями, использующими только клинические параметры или только внутриопухолевые МРТ-признаки. Интеграция перитуморальных радиомических характеристик позволила выявить скрытые паттерны, связанные с агрессивностью опухоли, что может помочь в персонализации адъювантной терапии и выборе тактики наблюдения. Работа подчеркивает потенциал мультимодального ИИ в нейроонкологии для улучшения стратификации риска и принятия клинических решений, однако требует проспективной валидации перед внедрением в рутинную практику.

В исследовании изучается возможность использования GPT-4o для автоматической генерации бинарных меток заболеваний из радиологических отчетов и применения этих меток для обучения сверточных нейронных сетей (ResNet-18, DenseNet-121, EfficientNet-B1, ConvNeXt-Tiny) для классификации рентгенограмм грудной клетки. GPT-4o достиг точности 92,9% по сравнению с экспертными метками, а ConvNeXt-Tiny показал наилучшую производительность (AUC=0,832). Подход предлагает масштабируемое и экономичное решение для скрининга в условиях ограниченных ресурсов.

В статье представлен ReTIF (Relation-enhanced Task-specific Interaction Framework) — новая мультизадачная модель глубокого обучения для открытия лекарств, нацеленных на РНК. Модель одновременно решает две задачи: прогнозирование взаимодействий РНК-соединений (DTI) и локализацию сайтов связывания на нуклеотидном уровне. Ключевое новшество — раздельные представления взаимодействий для каждой задачи, в отличие от существующих подходов, использующих общие кросс-модальные представления. ReTIF интегрирует эмбеддинги из четырех предобученных моделей: RNA-FM, StructRFM, Mole-BERT и MolFormer. Ветвь DTI агрегирует глобальную совместимость, а ветвь локализации сохраняет нуклеотидное разрешение и усиливает локальные признаки через графовую пропагацию с учетом структурных и топологических приоритетов. Асимметричный сигнал совместимости из DTI-ветви обеспечивает глобальный контекст для локализации, не размывая локальные сигналы. В экспериментах на пятикратной кросс-валидации с четырьмя типами сдвигов (невидимые пары, РНК, соединения, совместные) и 13 базовыми моделями ReTIF показал наилучшие средние результаты в 13 из 16 комбинаций сценарий-метрика, включая AUPR для локализации сайтов во всех четырех настройках. Это подтверждает эффективность раздельных представлений для мультизадачного прогнозирования в области РНК-таргетной терапии.

PromptBio — это мультиагентная ИИ-платформа, доступная через веб-портал promptbio.ai, которая автоматизирует сквозные вычислительные биомедицинские исследования. С помощью естественного языка пользователь формулирует научный вопрос, а агентный харнесс PromptGenie преобразует его в проверяемый план, выполняет необходимые исследования и анализ, а затем адаптирует последующие шаги по мере появления новых данных. Платформа сочетает рассуждения с управляемым исполнением, сохраняя человеческий контроль и полную трассируемость процесса. PromptBio поддерживает как проверенные методы, так и создание пользовательских анализов, а также интеграцию внешних рабочих процессов, что обеспечивает воспроизводимость и выход за рамки фиксированных пайплайнов. В ходе оценки платформы сравнивались бенчмарки сквозного биоинформатического анализа и глубоких биомедицинских исследований, валидировались омиксные и ML-навыки, а также проводилось тематическое исследование регуляторной геномики. PromptGenie показал более высокую аналитическую точность и качество извлечения и синтеза информации по сравнению с агентами-конкурентами, а оцененные доменные навыки дали результаты, согласующиеся с устоявшимися методами. Тематическое исследование продемонстрировало способность PromptBio интегрировать человеческие геномные и эпигеномные особенности для изучения развития коры головного мозга. Таким образом, PromptBio позволяет координировать сложные биомедицинские анализы под наблюдением исследователя, ускоряя научные итерации и превращая исследовательские вопросы в прозрачные, переиспользуемые вычислительные рабочие процессы.

В статье представлено исследование, в котором разработан защищенный от утечек данных конвейер машинного обучения для классификации статуса эндометриоза (случай/контроль) и фазы менструального цикла на основе данных полногеномного метилирования ДНК из эутопической ткани эндометрия. Использованы данные 984 образцов, профилированных с помощью чипа Illumina Infinium MethylationEPIC, охватывающего около 759 000 CpG-сайтов. Техническая вариабельность скорректирована методом SmartSVA. Модели на основе гребневой (ридж) логистической регрессии обучались на стратифицированных разделениях 80/20, с выбором параметра регуляризации через стратифицированную кросс-валидацию. Для отбора признаков применялись ранжирование коэффициентов ридж-регрессии, t-тесты для каждого CpG и одномерная логистическая регрессия с поправкой на множественное тестирование (FDR). Валидность моделей оценивалась с помощью анализа с перемешиванием меток. Классификация фазы менструального цикла показала высокую эффективность (средний AUROC на кросс-валидации: 0.971, на отложенной тестовой выборке: 0.989), что отражает гормонально обусловленные изменения метилирования по всему геному. Для классификации эндометриоза ридж-регрессия дала более низкую, но значимую производительность (средний AUROC на кросс-валидации: 0.854, на тестовой выборке: 0.875). Отбор признаков на основе коэффициентов ридж-регрессии выявил компактные наборы прогностических CpG, что подтверждает гипотезу о распределенном сигнале метилирования, ассоциированного с эндометриозом, по многим локусам, а не о нескольких высокопрогностических CpG. Анализ обогащения путей показал существенное обогащение для фазы менструального цикла, но ограниченное для статуса заболевания после поправки FDR, что согласуется с диффузным сигналом. Результаты демонстрируют, что ридж-регрессия способна выявлять паттерны метилирования, связанные как с эндометриозом, так и с фазой цикла, и подчеркивают важность учета цикл-зависимой эпигенетической вариабельности в исследованиях метилирования эндометрия.

В статье представлен критический самоаудит графовой нейронной сети MetaGNN, предназначенной для оценки активности метаболических реакций в контексте персонализированного моделирования рака. Авторы выявили два независимых механизма, которые приводили к завышенным результатам бенчмарков. Во-первых, при обучении с метками, полученными пороговым преобразованием тех же транскриптомных данных, которые подаются на вход модели, достигался AUROC 0.9864 на TCGA-BRCA, однако это объяснялось прямой утечкой меток: для 5,925 реакций метки были детерминированной функцией входа, а для 4,675 реакций метки были сгенерированы псевдослучайным генератором с фиксированным сидом, и модель запоминала инвариантный вектор меток. Во-вторых, в независимом когорте модели, обученные без данных пациентов, имели нулевые признаки и не показывали согласия между пациентами, что указывает на отсутствие реального сигнала. После исправления этих проблем и переобучения на валидных признаках AUROC упал до 0.5800, что ниже базовых показателей (0.6342 для сырых данных и 0.6085 для информационно-пустого индикатора). Перенос модели на другие датасеты (METABRIC, CPTAC) оказался на уровне случайности. Авторы отзывают ранее заявленное улучшение на 0.105 AUROC от реляционных рёбер и публикуют код, данные и скрипты для воспроизведения проверок. Работа подчёркивает важность строгой валидации бенчмарков в ИИ-медицине и предлагает практические рекомендации для предотвращения утечки данных.

OmniSyn — это новая языковая модель с архитектурой Mixture-of-Experts (MoE), которая генерирует биоактивные молекулы, специфичные к заданному белку-мишени, с явными путями химического синтеза. В отличие от традиционных генеративных моделей, которые сначала создают молекулы, а затем оценивают их синтезируемость, OmniSyn встраивает планирование синтеза непосредственно в процесс генерации, объединяя de novo дизайн лигандов, проекцию синтезируемости и оптимизацию hit-to-lead (H2L) в едином пространстве. Модель предобучена с использованием самодистилляции и дообучена с помощью обучения с подкреплением (RL) для адаптации маршрутов экспертов и оптимизации свойств молекул. На бенчмарке MolGenBench OmniSyn достиг state-of-the-art результатов по генерации de novo и оптимизации H2L, включая метрики осведомлённости о мишени и повторного открытия хитов, используя только аминокислотные последовательности белков без трёхмерных структур. Независимая оценка с помощью AiZynthFinder показала успешность ретросинтеза 68.47% для de novo генерации и 71.92% для H2L-оптимизации, что превосходит лучшие базовые модели на 61.3% и 184.2% соответственно. Масштабирование на весь человеческий протеом позволило создать крупнейшую виртуальную библиотеку из 2.7 миллиардов молекул, специфичных к более чем 21 000 мишеней, каждая с синтез-трейсами и приоритетными оценками. OmniSyn открывает новые возможности для исследования ранее недоступных терапевтических мишеней, включая белки без экспериментально определённых структур.

В статье, опубликованной в npj Digital Medicine 1 сентября 2026 года, представлено исследование, в котором с помощью генеративного глубокого обучения впервые удалось реконструировать подкорковые нейронные сигналы на основе записей активности коры головного мозга. Авторы разработали модель на основе вариационного автокодировщика (VAE) и генеративно-состязательной сети (GAN), которая обучалась на синхронных записях из коры и подкорковых структур (например, базальных ганглиев) у пациентов с болезнью Паркинсона и эпилепсией. Модель достигла коэффициента корреляции Пирсона 0.87 между реконструированными и реальными подкорковыми сигналами, что значительно превышает показатели линейных методов (0.52). Валидация на независимой когорте из 12 пациентов подтвердила устойчивость модели, а анализ ошибок показал, что наибольшая точность достигается в бета-диапазоне (13–30 Гц), критичном для симптомов Паркинсона. Разработанный подход позволяет реализовать замкнутую глубокую стимуляцию мозга (DBS) без необходимости инвазивных электродов в подкорковых областях, что снижает хирургический риск и расширяет доступность терапии. Авторы также продемонстрировали, что реконструированные сигналы могут быть использованы для адаптивной стимуляции в реальном времени, что открывает путь к более персонализированным и эффективным нейромодуляционным вмешательствам. Исследование подчеркивает потенциал генеративного ИИ для преодоления ограничений инвазивной нейрофизиологии и улучшения клинических исходов.

В статье представлен SPHERE — новый метод, не основанный на моделях, который позволяет использовать чувствительные наборы данных (например, медицинские записи) в системах искусственного интеллекта и открытой науке, создавая их «синтетические двойники». Оригинальные данные при этом никогда не покидают локальную среду, что решает проблему конфиденциальности при совместном использовании данных. Метод был протестирован на 33 наборах данных из пяти научных областей, включая медицину и биологию. SPHERE точно воспроизводит статистические характеристики данных: средние значения, дисперсии и корреляции, а также обеспечивает численно идентичные эффекты и p-значения в линейном статистическом анализе. При этом сохраняется полезность данных для нелинейных методов машинного обучения, а генерация каждого «двойника» занимает секунды на обычном ноутбуке. Авторы демонстрируют, что ИИ-агенты, работающие с синтетическими двойниками, приходят к тем же научным выводам, что и при работе с оригинальными данными, включая воспроизведение результатов полногеномных и протеомных исследований в масштабе UK Biobank. Впервые открыто публикуется когорта Центра исследования болезни Альцгеймера Стэнфордского университета в виде SPHERE-двойника, охватывающего девять модальностей, доступная любому зарегистрированному исследователю без процедуры одобрения. Метод также применим к эмбеддингам глубокого обучения в области языка, зрения и временных рядов с минимальной потерей полезности. SPHERE выпускается с сертификацией конфиденциальности и точности каждого двойника, а также с ИИ-агентом, который автономно выполняет исследовательские задачи на чувствительных данных, не имея к ним прямого доступа. Это открывает возможность использовать закрытые наборы данных в открытой науке и ИИ для совершения ключевых открытий.

В журнале npj Digital Medicine опубликовано исследование, в котором представлен новый подход к диагностике заболеваний плаценты с использованием неконтролируемого машинного обучения. Метод анализирует пространственную организацию клеток в тканях плаценты, что позволяет выявлять патологические изменения без предварительной разметки данных. Исследователи применили алгоритмы кластеризации и анализа пространственных паттернов к изображениям гистологических срезов, полученным от пациенток с различными плацентарными патологиями, включая преэклампсию и задержку внутриутробного роста. Модель автоматически выделила характерные пространственные признаки, ассоциированные с конкретными заболеваниями, достигнув точности классификации до 92% по сравнению с экспертной оценкой патологов. Ключевое преимущество подхода — отсутствие необходимости в ручной аннотации данных, что значительно ускоряет внедрение метода в клиническую практику. Работа демонстрирует потенциал неконтролируемого обучения для объективной и воспроизводимой диагностики плацентарной патологии, что может улучшить прогнозирование исходов беременности и своевременное вмешательство. Авторы подчеркивают, что метод может быть адаптирован и для других тканевых патологий, открывая новые возможности для цифровой патологии в целом.