Поиск

Статья рассматривает роль человеческого фактора в безопасности медицинских устройств с ИИ, подчёркивая, что риски возникают не из-за алгоритмов, а из-за взаимодействия клиницистов с ИИ-выводами. Автор объясняет важность калибровки доверия, интеграции в рабочие процессы и коммуникации неопределённости для предотвращения ошибок, таких как автоматизированная предвзятость.

Статья описывает применение ИИ-моделей в Geisinger Health System (2019-2022) для анализа факторов риска колоректального рака и выявления пациентов, нуждающихся в скрининге. ИИ-система оценивала риск на основе биомаркеров крови, возраста и пола, а медсёстры проводили целевой контакт с пациентами, что привело к увеличению количества колоноскопий на 214% и снижению смертности на 43%.

Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.

Предложен метод ансамбля ESDRCX для раннего обнаружения болезни Паркинсона, объединяющий деревья решений, SVM, Random Forest с CNN для спиральных изображений и XGBoost как мета-обучатель. Модель достигла 95.7% точности и 86% precision на датасете HandPD, демонстрируя значительный прогресс в диагностике.

Исследование посвящено применению дискретных диффузионных моделей для генерации реалистичных филогенетических деревьев опухолей, которые кодируют клональную родословную и приобретение мутаций при эволюции рака. Авторы обучают графовые трансформеры на наборе из примерно 12 500 синтетических филогенезов, охватывающих двенадцать различных эволюционных режимов, используя процесс обратного диффузионного шумоподавления на типизированных графах. Эксперименты по масштабированию выявили немонотонную зависимость между ёмкостью модели и её производительностью: модель среднего масштаба достигла высокой структурной валидности и близкого соответствия распределения тестовым данным, тогда как более глубокая модель провалилась при фиксированных гиперпараметрах оптимизации. Эксперименты с недостатком данных показали, что разнообразное обучение приводит к более переносимым представлениям по сравнению со специализацией на одном режиме. Результаты демонстрируют, что структурные ограничения филогенеза могут быть выучены неявно через безусловную дискретную диффузию. Это открывает перспективный путь к созданию генеративных моделей эволюции опухолей, что имеет прямое значение для персонализированной онкологии и понимания механизмов развития рака. Исследование вносит вклад в развитие методов машинного обучения для анализа онкологических данных.

Исследование сравнивает алгоритм QuPath для автоматической оценки индекса пролиферации Ki-67 в нейроэндокринных опухолях с ручной оценкой патологов. Алгоритм показал умеренное согласие с патологами (Kappa = 0.32) и чаще присваивал более высокие степени опухоли (42% случаев), подчеркивая необходимость стандартизации критериев.

Исследование предлагает гибридную AI-квантовую рамку, объединяющую классическое глубокое обучение (LSTM) с квантово-вдохновлёнными моделями для анализа медицинских записей пациентов с СПКЯ. Модель демонстрирует улучшенную способность обрабатывать гетерогенные клинические данные и повышает точность классификации риска бесплодия по сравнению с традиционными методами машинного обучения.

Исследование Madduri и коллег представляет принципиально новую вычислительную framework для моделирования ко-адаптации между пользователями и декодерами в нейронных интерфейсах. Framework основан на теории управления и теории игр, что позволяет создавать систематический подход к проектированию замкнутых систем. Ключевое достижение — возможность предсказывать и формировать взаимодействия между человеком и машиной, что критически важно для персонализации нейронных интерфейсов. Методология включает математическое моделирование процесса обучения и адаптации, где пользователь и декодер одновременно адаптируются друг к другу в замкнутом контуре обратной связи. Практическая значимость исследования заключается в улучшении usability и точности нейронных интерфейсов, что напрямую влияет на эффективность медицинских применений — от протезирования до лечения неврологических расстройств. Framework может быть применен к различным типам нейронных интерфейсов, включая инвазивные и неинвазивные системы для пациентов с двигательными нарушениями, инсультом или травмами спинного мозга. Разработка открывает новые возможности для создания более интуитивных и эффективных медицинских устройств, управляемых мозгом.

Исследование представляет новый вычислительный метод PrePR-CT, разработанный группой Alsulami et al. и опубликованный в Nature Machine Intelligence в марте 2026 года. Метод объединяет биологические сети с машинным обучением для предсказания реакции различных типов клеток на лекарственные соединения при ограниченных данных. Ключевое преимущество подхода — работа в режиме малых данных (small-data regime), что критически важно для ранней стадии разработки лекарств, когда экспериментальных данных недостаточно. Метод улучшает точность предсказаний, интерпретируемость результатов и эффективность процесса открытия новых препаратов. Использование индуктивных априорных знаний позволяет модели извлекать полезные паттерны из ограниченных наборов данных, что особенно актуально для персонализированной медицины и таргетной терапии. Разработка имеет практическое значение для фармацевтических компаний, позволяя сократить время и стоимость доклинических исследований за счёт более точного предсказания эффективности соединений на ранних этапах. Методология открывает перспективы для применения в скрининге библиотек соединений и оптимизации дозировок для конкретных типов клеток.

Исследование оценивает возможности моделей рассуждения (LLM) для поддержки клинического принятия решений при лечении болей в пояснице. Результаты показывают достаточную надёжность моделей, но выявляют недостатки в эмпатии и интуиции по сравнению с экспертами-клиницистами.

Мини-обзор посвящён применению больших языковых моделей в клинической практике, сравнивает общие и специализированные медицинские модели. Статья анализирует преимущества в эффективности документации и диагностических рассуждениях, а также проблемы галлюцинаций, приватности и валидности метрик оценки. Описываются перспективные направления развития, включая retrieval-augmented generation и агентные архитектуры.

Обзор систематизирует требования к надзору за программным обеспечением как медицинским устройством (SaMD) и сравнивает регуляторные ожидания в США, ЕС и Великобритании для кардиоваскулярного ИИ на протяжении всего клинического жизненного цикла. Статья предлагает практические инструменты внедрения: шаблоны документов прозрачности, протоколы тестирования, рабочие тетради для управления изменениями и фреймворк подотчётности. Приведены примеры использования в КТ-оценке функции, ЭКГ-скрининге и эхокардиографической количественной оценке.

Исследование оценивает применение LLM для анализа структурированных клинических данных, показывая, что LLM-эмбеддинги могут сохранять структурную целостность клинических наборов данных и улучшать предиктивное моделирование. Тестирование на синтетических и реальных клинических данных (база UCI, пациенты с эндокардитом) продемонстрировало высокую точность (cosine similarity до 0.95) и улучшенные предиктивные характеристики.

Исследование применяет методы машинного обучения (иерархическая кластеризация) для выявления 4 различных клинических фенотипов кардиогенного шока на основе данных 1513 пациентов. Выделенные фенотипы демонстрируют значительную разницу в показателях смертности (от 22,4% до 78,4%) и предлагают новую систему стратификации рисков для персонализированной терапии.

GE HealthCare и Springbok Analytics заключили соглашение о разработке, объединяющее ИИ-платформу Springbok для анализа мышц с технологиями МРТ GE HealthCare. Решение количественно оценивает до 140 мышц, предоставляя объективные метрики для оценки мышечного здоровья, руководства реабилитацией и оптимизации спортивных результатов.

Статья представляет модель Athena — фундаментальную модель для гистопатологии, обученную на 115 миллионах патчей тканей из 282 тысяч слайдов. Исследование показывает, что разнообразие данных важнее их объема: модель достигает state-of-the-art результатов на задачах молекулярной и морфологической классификации, превосходя модели, обученные на значительно больших наборах данных.

Исследование представляет метод автоматической классификации тканей поджелудочной железы с помощью комбинации ближнеинфракрасной гиперспектральной визуализации и машинного обучения. Оптимизированная модель достигла 84% сбалансированной точности, что на 10 процентных пунктов лучше традиционных подходов, что может улучшить раннюю диагностику рака поджелудочной железы.

Разработана система ИИ-ассистированной эндометриальной цитологии с использованием модели YOLOv5x для обнаружения аномальных клеточных кластеров. Система показала точность 85% и сократила медианное время диагностики на 45% по сравнению с оценщиками без ИИ-поддержки. Исследование демонстрирует возможность доступной, реальной ИИ-поддержки для цитологии с использованием широко доступного оборудования.

Исследование применяет ансамбль U-Net для автоматической сегментации коллагена на гистологических срезах печени с оценкой неопределённости предсказаний. Анализ 686 биопсий из 20+ клиник показал высокую точность сегментации (Dice 0.83–0.90) и продемонстрировал, что оценка неопределённости помогает выявлять некачественные изображения и артефакты.