Найдите статьи по ключевым словам и фильтрам.
В статье рассматриваются методы разработки персонализированных чат-ботов на базе LLM для продвижения здорового образа жизни. Авторы анализируют стратегии кастомизации, такие как RAG, промпт-инжиниринг и fine-tuning, а также подчеркивают важность оценки безопасности и конфиденциальности данных.
Исследование посвящено этическим аспектам использования мобильного приложения MITHRA для скрининга и лечения депрессии у женщин в сельской Индии. Результаты подчеркивают необходимость гибридной модели помощи и адаптации процессов информированного согласия к местному культурному контексту.
Исследование оценило эффективность цифрового приложения INKA как терапевтического помощника для пациентов с гиперактивным мочевым пузырем. Результаты показали значительное снижение частоты мочеиспусканий и улучшение качества жизни у пользователей приложения по сравнению с контрольной группой.
Исследование представляет фреймворк для аудита предвзятости алгоритмов в клинической поддержке принятия решений с использованием логов прослеживаемости данных. Авторы сравнивают логистическую регрессию и случайный лес, доказывая, что интерпретируемость модели не всегда гарантирует отсутствие дискриминации, и предлагают стандарт записи для соответствия требованиям FDA и ONC.
Исследование посвящено применению моделей машинного обучения для дифференциации пациентов с рассеянным склерозом от здорового контроля и классификации фенотипов заболевания. Модели показали высокую точность (до 96%) в диагностике и эффективно прогнозируют уровень инвалидизации (шкала EDSS) на основе данных МРТ и клинических показателей.
Исследователи разработали ViralMap — специализированную модель многоцелевой аннотации, предназначенную для анализа эукариотических вирусных белков. В основе метода лежат представления языковой модели ESM-2, что позволяет предсказывать десять различных классов характеристик, включая топологию доменов, локализацию, посттрансляционные модификации и структурные особенности, напрямую из первичных аминокислотных последовательностей. Модель демонстрирует высокую эффективность, достигая показателя PR-AUC (площадь под кривой точности-полноты) на уровне 0,75 и выше для семи из десяти классов. Тестирование на сложных гликопротеинах, таких как спайк-белок SARS-CoV-2 и белок Env ВИЧ-1, подтвердило способность системы к обобщению на новые штаммы и семейства вирусов. Данная разработка является критически важной для ускорения проектирования вакцин в рамках инициатив вроде «Миссии 100 дней» CEPI, позволяя быстро преобразовывать последовательности новых патогенов в детальные профили для антигенной инженерии.
Специалисты Института искусственного интеллекта университета «Иннополис» разработали инновационную систему бесконтактного автоматического взвешивания животных, предназначенную для применения в агропромышленном секторе. Технология базируется на использовании компьютерного зрения и глубокого обучения, что позволяет проводить измерения без физического контакта со свиньями, минимизируя стресс для животных и риск травматизма. Система способна обрабатывать данные крайне быстро, обеспечивая взвешивание до 10 голов за одну секунду, что значительно повышает эффективность мониторинга поголовья. В основе методологии лежит анализ видеопотока и построение трехмерных моделей объектов для точного определения массы. Внедрение данной разработки позволяет автоматизировать контроль за ростом животных и оптимизировать рационы кормления на основе точных данных. Проект демонстрирует практическую значимость ИИ в автоматизации производственных процессов и цифровизации сельского хозяйства.
В данной статье исследуется разработка инновационного «цифрового двойника» на основе физически информированных нейронных сетей (PINNs) для моделирования церебрального кровотока. Исследователи стремятся объединить глубокое обучение с фундаментальными законы гемодинамики, чтобы предсказывать регуляцию церебральных сосудов с высокой точностью. Методология включает интеграцию уравнений Навье-Стокса и физических ограничений непосредственно в архитектуру нейросети, что позволяет модели учитывать биологические и физические параметры сосудистого русла. Ключевым результатом является способность системы моделировать сложные изменения кровотока в ответ на различные физиологические стимулы, что потенциально превосходит традиционные численные методы по скорости и точности. Данная технология имеет критическое значение для персонализированной медицины, позволяя прогнозировать риски инсульта и другие сосудистые патологии мозга. Внедрение таких цифровых двойников в клиническую практику может значительно улучшить мониторинг состояния пациентов и планирование нейрохирургических вмешательств.
В данном исследовании, опубликованном в журнале npj Digital Medicine, представлена масштабная мультицентровая валидация и обновленная версия модели ELDER-ICU, предназначенной для оценки степени тяжести состояния пожилых пациентов в отделениях интенсивной терапии (ОИТ). Авторы провели глубокий анализ данных для улучшения прогностической способности модели в отношении летальности и осложнений у возрастной группы пациентов. Методология включала использование современных алгоритмов машинного обучения для интеграции клинических параметров и специфических биомаркеров, характерных для гериатрических пациентов. Ключевые результаты демонстрируют значительное повышение точности прогнозирования по сравнению с традиционными шкалами, такими как APACHE II или SOFA, применительно к пожилым людям. Обновленная модель позволяет более эффективно распределять ресурсы ОИТ и персонализировать протоколы лечения, снижая риск неоправданной агрессивной терапии или недостаточного вмешательства. Практическая значимость работы заключается в предоставлении врачам высокоточного цифрового инструмента для принятия клинических решений в критических ситуациях.
В исследовании, опубликованном в журнале npj Digital Medicine, представлен инновационный подход к лечению большого депрессивного расстройства (БДР) с использованием цифровых биомаркеров на основе электроэнцефалографии (ЭЭГ). Авторы разработали метод персонализации параметров транскраниальной магнитной стимуляции (ТМС), который позволяет адаптировать терапию под индивидуальные нейрофизиологические особенности пациента. Использование ЭЭГ-данных в качестве цифрового биомаркера позволяет точнее определять целевые зоны коры головного мозга и оптимизировать протоколы стимуляции. Методология исследования направлена на преодоление проблемы низкой эффективности стандартных протоколов ТМС, которые часто применяются по принципу «один размер для всех». Ключевым результатом является возможность повышения клинической эффективности терапии за счет точной настройки нейромодуляции. Данная разработка имеет высокую значимость для психиатрической практики, предлагая переход к прецизионной (высокоточной) нейротерапии на основе объективных данных мониторинга мозговой активности.
В исследовании представлена инновационная модель DMVHP-IBS, предназначенная для высокоточного прогнозирования взаимодействий между белками вирусов и белками хозяина, а также определения конкретных сайтов их связывания. Методология базируется на динамической интеграции мультимодальных признаков, что позволяет учитывать сложные структурные и функциональные аспекты биомолекул. В отличие от существующих методов, данная модель использует динамический подход к анализу признаков, что значительно повышает точность предсказания в условиях вариативности биологических данных. Ключевым результатом работы является способность системы не только предсказывать факт взаимодействия, но и локализовать участки связывания, что критически важно для разработки таргетных противовирусных препаратов. Практическая значимость исследования заключается в ускорении процесса идентификации потенциальных мишеней для терапии вирусных инфекций, сокращая время на ранних этапах разработки лекарств. Использование ИИ в данном контексте позволяет автоматизировать сложнейшие биоинформатические задачи с высокой степенью достоверности.
Статья исследует применение методологий на базе ИИ для улучшения общественного здравоохранения и безопасности пациентов через использование онтологии человеческих фенотипов (HPO). Авторы предлагают пятиэтапную стратегию PHM, акцентируя внимание на риск-стратификации, управлении данными, этике и интеграции передовых технологий, таких как федеративное обучение и квантовые вычисления.
Исследование представляет автоматизированную платформу для систематического обзора биомедицинской литературы, направленную на решение проблемы галлюцинаций LLM при работе со сложными биологическими данными. В отличие от стандартных методов RAG, предлагаемый фреймворк заставляет модель анализировать каждую научную работу индивидуально на предмет соответствия конкретной гипотезе, что позволяет выявлять тонкие семантические противоречия. Методология фокусируется на поиске как подтверждающих, так и опровергающих доказательств, минимизируя риск чрезмерного обобщения данных. Эффективность системы была протестирована на задаче BioNLI, где она продемонстрировала высокую точность классификации поддержки или противоречия гипотезам. Использование ансамблевого подхода (ensemble approach) обеспечило более высокую стабильность и точность по сравнению с одиночными моделями. Результаты подтверждают практическую применимость метода для автоматизации доказательной базы в биомедицинских исследованиях и ускорения научного поиска.
В статье представлен STAnalyzer — инновационная мультиагентная интеллектуальная платформа, предназначенная для автоматизации полного цикла анализа данных пространственной транскриптомики. Разработка решает проблему фрагментированных инструментов и сложности интерпретации многомерных данных, которые часто становятся когнитивным барьером для исследователей. Архитектура системы базируется на трех ключевых принципах: оркестрации на основе намерений (перевод естественного языка в биоинформатические рабочие процессы), мультимодальном самосовершенствовании (автономная проверка через визуальные паттерны и статистические метрики) и кросс-валидации на основе доказательств (сопоставление корреляций с биологическими базами данных). В отличие от существующих LLM-агентов, STAnalyzer преодолевает проблему жесткой логики исполнения и изоляции от биологических знаний, обеспечивая замкнутый цикл самокоррекции. Использование данной платформы позволяет трансформировать массивные пространственные омиксные данные в верифицируемые биологические инсайты, значительно ускоряя процесс выдвижения гипотез и делая высокоразрешающий анализ доступным для широкого круга ученых.
Исследователи представили CompBioBench — новый бенчмарк, состоящий из 100 разнообразных задач, предназначенных для оценки возможностей агентных ИИ-систем в области вычислительной биологии. В отличие от математики, биологические данные характеризуются высокой зашумленностью, поэтому авторы применили уникальную стратегию создания задач: использование синтетических данных и метод перемешивания метаданных реальных датасетов для получения задач с единственным верным ответом. Бенчмарк охватывает такие области, как геномика, транскриптомика, эпигеномика, анализ единичных клеток и машинное обучение, требуя от ИИ многошагового рассуждения, написания кода и использования внешних инструментов. В ходе тестирования ведущие агентные системы продемонстрировали высокие результаты: Codex CLI (на базе GPT 5.4) достиг точности 83%, а Claude Code (Opus 4.6) — 81%. На наиболее сложных задачах показатели составили 59% и 69% соответственно. Данная работа создает важную платформу для измерения прогресса ИИ в биоинформатике и задает стандарты для разработки будущих систем оценки.
Исследователи представили IEKB (Inner Ear Knowledge Base) — первую открытую базу данных, специально разработанную для интеграции разрозненных генетических данных о внутреннем ухе. Платформа была создана с использованием автоматизированного рабочего процесса с поддержкой ИИ-агентов, который сочетает извлечение данных из литературы с экспертной проверкой. В ходе анализа 250 696 записей PubMed база данных аккумулировала 6 051 ассоциацию «ген-фенотип-заболевание» для 2 494 генов и зафиксировала более 4 102 кохлеарных взаимодействий генов. Особое внимание уделено модулю байесовской приоритизации «темной материи», который позволяет ранжировать 243 071 потенциальную ассоциацию для 13 229 генов с высоким показателем точности (AUC-ROC = 0,8603). Система также включает научную сеть из почти 4 000 сущностей и 83 712 связей, извлеченных из литературы. Для удобства пользователей реализован интерфейс IEKB QA, позволяющий задавать вопросы на естественном языке и получать ответы, подкрепленные доказательствами из научных источников. Данный ресурс значительно упрощает поиск новых генетических мишеней и понимание биологических механизмов заболеваний внутреннего уха.
В исследовании представлен новый метод SpecRNA-QA, предназначенный для оценки качества трехмерных моделей структур РНК. Основная проблема существующих подходов заключается в их ориентации на локальную геометрию, что мешает обнаружению глобальных топологических ошибок, когда локальные элементы (например, спирали) верны, но общая укладка доменов нарушена. Авторы предложили использовать мультимасштабные спектральные признаки, извлеченные из графового Лапласиана сетей контактов между нуклеотидами. Метод анализирует распределение собственных значений, следы теплового ядра и спектральную энтропию на четырех различных дистанционных масштабах. В ходе кросс-валидации на данных CASP16 (42 мишени, 7368 моделей) SpecRNA-QA показал медианный коэффициент корреляции Спирмена rho = 0,69, что значительно превосходит базовые геометрические методы (rho = 0,47). Для крупных молекул РНК (более 200 нуклеотидов) метод продемонстрировал превосходство над статистическим потенциалом DFIRE (rho = 0,72 против 0,52). Важной особенностью является возможность использования обучения без учителя (training-free heuristic) на основе всего трех спектральных статистик, что позволяет оценивать качество без необходимости в размеченных данных.
Исследователи представили GMIP-PLSR — новый масштабируемый вычислительный фреймворк на базе Nextflow, предназначенный для решения проблемы идентификации причинных генов после проведения полногеномных поисков ассоциаций (GWAS). Основная инновация заключается в использовании метода регрессии на частичных наименьших квадратах (PLSR) для преодоления проблемы мультиколлинеарности признаков, которая ограничивает эффективность существующих инструментов, таких как PoPS. Методология включает интеграцию GWAS с мультиомиксными данными, включая экспрессию генов, белок-белковые взаимодействия и генно-путевые сети. В ходе тестирования на наборах данных GWAS система показала превосходство над PoPS в большинстве сценариев. В рамках тематического исследования неалкогольной жировой болезни печени (NAFLD) использование GMIP-PLSR совместно с данными scRNA-seq позволило выявить наборы генов с более высокой наследуемостью и выраженной обогащенностью в специфических путях заболевания. Инструмент представляет высокую значимость для биоинформатики и персонализированной медицины, обеспечивая эффективную реприоритизацию генов в пост-GWAS анализах.
Исследование посвящено оценке эффективности нового ИИ-индекса заживления (Healing Index, HI) в сравнении с традиционным методом оценки процента сокращения площади раны (PAR). Использование ИИ направлено на решение проблемы субъективности текущих методов, которые обходятся системе здравоохранения США более чем в 126 миллиардов долларов ежегодно. В ходе ретроспективного анализа на базе верифицированного набора данных из 173 816 ран (включая пролежни, венозные, диабетические и артериальные язвы) было установлено, что модель HI превосходит PAR по скорости прогнозирования. К третьей неделе ИИ-индекс достиг сбалансированной точности в 65%, в то время как традиционному методу PAR потребовалась четвертая неделя для достижения аналогичного показателя. Раннее выявление рисков замедленного заживления позволяет врачам своевременно корректировать тактику лечения, оптимизировать распределение ресурсов и снижать экономическую нагрузку на медицинские учреждения. Внедрение подобных интеллектуальных систем в клиническую практику способно радикально изменить стандарты ухода за хроническими ранами.
Исследование, опубликованное в журнале npj Digital Medicine, посвящено разработке и внедрению интерпретируемых моделей машинного обучения для оценки риска развития инсульта у пациентов с недавно выявленной фибрилляцией предсердий. В отличие от традиционных «черных ящиков», предложенные алгоритмы позволяют врачам понимать, какие именно клинические факторы вносят наибольший вклад в прогноз для конкретного пациента. Методология исследования фокусируется на использовании структурированных медицинских данных для обучения моделей, обеспечивающих высокую точность предсказания при сохранении прозрачности принятия решений. Ключевым результатом является возможность персонализации стратегий профилактики инсульта на основе анализа специфических рисков, выявленных ИИ. Данная работа имеет высокую значимость для клинической практики, так как помогает интегрировать передовые технологии ИИ в повседневную кардиологическую помощь, повышая доверие врачей к автоматизированным системам поддержки принятия решений.
