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.
В статье представлен SNMF (Spatial Non-negative Matrix Factorization) — новый метод деконволюции для пространственной транскриптомики, решающий проблему смешивания нескольких типов клеток в одной «точке» (spot). В отличие от существующих подходов, SNMF является безреференсным методом, что исключает необходимость в предварительно сопоставленных данных секвенирования РНК единичных клеток (scRNA-seq). Авторы интегрировали в стандартную модель NMF матрицу пространственного смешивания, которая учитывает влияние соседних участков ткани для достижения биологически согласованных результатов. Ключевым преимуществом является поддержка GPU-вычислений, что позволяет методу работать на два порядка быстрее конкурентов, завершая бенчмарки менее чем за одну минуту. Тестирование на синтетических и реальных данных, включая образцы меланомы человека, показало значительное превосходство SNMF в точности определения типов клеток. В частности, алгоритм успешно идентифицировал биологически значимые сигнатуры, такие как переходная зона на границе опухоли, без использования эталонных данных. Инструмент реализован в виде R-пакета и доступен в открытом доступе.
В исследовании представлен PrEditR — новый инструмент с открытым исходным кодом, предназначенный для высокопроизводительного дизайна гидовых РНК (sgRNA) для специализированных скринингов с использованием редакторов оснований CRISPR. В отличие от существующих инструментов, которые ориентированы на ДНК, PrEditR работает на уровне аминокислотных последовательностей белков, что позволяет напрямую связывать генетические изменения с функциональными свойствами белков. Платформа позволяет пользователям выбирать конкретные аминокислотные остатки и автоматически проектировать протоспейсерные последовательности для создания миссенс-мутаций в эндогенных генах. Это критически важно для изучения посттрансляционных модификаций (PTM), функции которых до сих пор остаются малоизученными. Разработанный подход обеспечивает бесшовную интеграцию с результатами масс-спектрометрической протеомики, позволяя проводить масштабные фенотипические скрининги. Использование PrEditR значительно ускоряет процесс функционального анализа белков, предоставляя точный инструмент для направленного редактирования аминокислотного состава.
Исследование представляет гибридный фреймворк для аннотации геномов немодельных организмов, который преодолевает ограничения классического выравнивания последовательностей. Авторы объединили ab initio предсказание структур экзонов и интронов на базе модели Evo2 с картированием структурного сходства с использованием белковых эмбеддингов ESM-2. При применении метода на геноме морской миноги (sea lamprey) удалось получить 73 485 переведенных белковых моделей, из которых 35 395 имеют высокую или среднюю степень достоверности. Система позволила расширить каталог структурных локусов до 31 286, добавив 20 871 позицию, отсутствующую в базовой базе Ensembl. Ключевым достижением стало выявление 21 391 структурно подтвержденного локуса, которые не удалось идентифицировать стандартным поиском DIAMOND по человеческому протеому, включая более 21 000 локусов без обнаружимого сходства аминокислотных последовательностей с человеком. В тестах на секвенировании РНК единичных клеток (scRNA-seq) новый референс Ensembl+Evo2 значительно улучшил восстановление генов и позволил более детально описать четыре транскрипционных состояния иммунных клеток, включая программы VLRA+- и VLRB+-типа. Работа доказывает, что использование эмбеддингов позволяет извлекать биологический сигнал там, где традиционные методы сравнения последовательностей терпят неудачу.
Разработан новый специализированный инструмент VicMAG, предназначенный для комплексной визуализации кольцевых метагеномно-собранных геномов (cMAGs), полученных с помощью технологии секвенирования длинных чтений PacBio HiFi. Основная задача инструмента — отображение функциональных аннотаций генов вирулентности (VFG), генов устойчивости к противомикробным препаратам (ARG) и мобильных генетических элементов (MGE), таких как плазмиды и фаги. В ходе тестирования на 353 cMAG, выделенных из проб сточных вод, VicMAG продемонстрировал способность эффективно визуализировать как бактериальные хромосомы, так и плазмиды в едином масштабируемом интерфейсе. Инструмент позволяет исследователям проводить целостный анализ распределения патогенных факторов и их геномного контекста в сложных микробных сообществах. Использование VicMAG значительно упрощает эпидемиологический надзор за распространением резистентности в клинической и экологической средах в рамках концепции «Единое здоровье» (One Health). Данное решение восполняет существующий пробел в биоинформатическом инструментарии для анализа сложных метагеномных данных.
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.
В данном систематическом обзоре области рассматривается применение сенсорных технологий цифрового здравоохранения для регистрации конечных точек в современных клинических исследованиях. Авторы анализируют данные из множества недавних клинических испытаний, где использовались носимые устройства, мобильные датчики и другие цифровые инструменты для сбора объективных медицинских показателей. Исследование охватывает различные типы сенсоров — от акселерометров и пульсоксиметров до умных пластырей и имплантируемых устройств — и их интеграцию в дизайн клинических исследований. Ключевой вывод заключается в том, что цифровые конечные точки позволяют повысить чувствительность измерений, снизить нагрузку на участников исследований и обеспечить непрерывный мониторинг в реальной жизни. Обзор выявляет значительный рост использования таких технологий в период с 2020 по 2025 год, особенно в области онкологии, кардиологии и неврологии. Основными вызовами остаются стандартизация методов валидации, обеспечение безопасности данных и регуляторное признание цифровых конечных точек. Работа демонстрирует потенциал цифровых биомаркеров для ускорения разработки новых терапий и персонализации лечения. Публикация представляет собой ценный ресурс для исследователей, разрабатывающих клинические протоколы с использованием цифровых технологий.
Скейпинг-обзор 44 исследований examines challenges and strategies for deploying medical AI in low-resource settings. The review found that successful implementation depends more on proper systems (infrastructure, data standards, capacity building, governance) than advanced technology itself.
Исследование представляет новую методологию на основе многокритериального обучения с подкреплением для задачи обратного сворачивания белков — фундаментальной проблемы в дизайне белков и разработке лекарств. Авторы предлагают фреймворк Symmetric Self-play Preference Optimization (SSP), который разделяет оптимизацию нескольких структурных целей путём обучения отдельных моделей предпочтений с различными сигналами вознаграждения, при этом обеспечивая взаимодействие через общий пул выборки. Ключевое отличие от существующих подходов заключается в том, что традиционные методы используют одну модель с скаляризованным вознаграждением, что смещает оптимизацию в сторону доминирующих целей и ограничивает разнообразие решений. Эксперименты на задачах обратного сворачивания как для естественных, так и для de novo биндеров демонстрируют, что SSP стабильно улучшает согласованность последовательностей по сравнению с одно-модельными и существующими базовыми методами. Дополнительный анализ показывает, что различные структурные цели лишь частично согласованы и индуцируют различные направления оптимизации, что подтверждается корреляцией метрик и white-box анализами. Результаты исследования имеют прямое значение для разработки новых терапевтических белков и лекарств, так как качество дизайна белков напрямую влияет на их функциональность и специфичность связывания. Методология SSP открывает перспективы для более эффективного дизайна белков с заданными структурными и функциональными свойствами.
