Поиск

В данной работе исследователи представляют инновационный метод коррекции аттенуации и рассеяния для позитронно-эмиссионной томографии (ПЭТ), который исключает необходимость использования предварительного КТ-сканирования. Основная проблема традиционной ПЭТ заключается в зависимости от КТ для построения карт коэффициентов поглощения, что увеличивает лучевую нагрузку и сложность процедуры. Авторы предложили подход на основе кросс-доменной адаптации с использованием стратегии few-shot learning, что позволяет модели эффективно переносить знания между различными типами сканеров и анатомическими структурами. Методология направлена на преодоление проблемы обобщающей способности нейросетей при работе с новыми наборами данных. Результаты исследования демонстрируют, что предложенный алгоритм обеспечивает высокую точность реконструкции изображений, сопоставимую с классическими методами на базе КТ, при этом значительно снижая техническую сложность процесса. Данная технология имеет критическое значение для развития гибридной визуализации и оптимизации протоколов ПЭТ-диагностики в клинической практике.

Исследователи из Лейпцигского университета и Университетской клиники Лейпцига представили инновационный метод использования объяснимого искусственного интеллекта (XAI) для стратификации онкологических пациентов. В отличие от традиционных подходов, данная система не требует заранее заданных клинических критериев риска, а обучается напрямую на данных о выживаемости пациентов. Это позволяет алгоритму самостоятельно выявлять скрытые закономерности, коррелирующие с неблагоприятным прогнозом заболевания. Метод, опубликованный в журнале Digital Medicine, обеспечивает высокую интерпретируемость решений ИИ, что критически важно для клинической практики. Внедрение такой системы позволит врачам более точно группировать пациентов по группам риска и персонализировать тактику лечения. Исследование демонстрирует потенциал перехода от жестких медицинских протоколов к гибким моделям, основанным на глубоком анализе данных реальной клинической практики.

Данный обзор посвящен критической проблеме обмена данными пациентов в Канаде для разработки многоцентрового искусственного интеллекта. Исследование анализирует два основных подхода: централизованное объединение данных (centralized pooling) и федеративное обучение (federated learning). Авторы рассматривают методологические различия между этими стратегиями, уделяя особое внимание вопросам конфиденциальности, безопасности и юридическим барьерам при передаче чувствительной медицинской информации. В работе подчеркивается, что федеративное обучение позволяет обучать модели на распределенных наборах данных без необходимости их физического перемещения, что значительно снижает риски утечки. Результаты обзора указывают на необходимость создания стандартизированных протоколов для интеграции ИИ в национальную систему здравоохранения. Практическая значимость работы заключается в предоставлении дорожной карты для исследователей и регуляторов при проектировании архитектур ИИ, способных работать с крупномасштабными медицинскими данными.

В статье представлена инновационная архитектура MediCARE, предназначенная для повышения точности и интерпретируемости медицинских выводов с помощью мультиагентных систем. Исследование фокусируется на использовании гетерогенных графов знаний, которые позволяют моделировать сложные взаимосвязи между пациентами, симптомами, заболеваниями и методами лечения. Методология базируется на концепции коллаборативного рассуждения (collaborative reasoning), где специализированные ИИ-агенты взаимодействуют друг с другом для верификации гипотез. Ключевым преимуществом системы является высокая степень объяснимости (explainability), что критически важно для клинической практики, так как врачи могут проследить логическую цепочку принятия решения. Работа демонстрирует потенциал перехода от «черных ящиков» нейросетей к прозрачным экспертным системам в диагностике. Результаты подчеркивают значимость интеграции графовых структур в современные LLM-ориентированные медицинские приложения.

В данной статье представлен инновационный метод DARE (Deformable Adaptive Regularization Estimator), предназначенный для решения критической задачи регистрации медицинских изображений с использованием глубокого обучения. Авторы предлагают новый подход к адаптивной регуляризации, который позволяет модели более точно подстраиваться под локальные геометрические особенности тканей, минимизируя артефакты при деформации. В отличие от традиционных методов, DARE обеспечивает высокую гибкость при сохранении топологической целостности структур, что крайне важно для точной сегментации и планирования лечения. Исследование фокусируется на преодолении ограничений стандартных функций потерь, которые часто приводят к чрезмерному сглаживанию или нереалистичным деформациям. Методология включает разработку алгоритма, способного динамически изменять параметры регуляризации в зависимости от локальной сложности изображения. Результаты демонстрируют значительное превосходство предложенного метода в точности сопоставления анатомических структур по сравнению с существующими архитектурами на основе нейронных сетей. Данная разработка имеет высокую практическую значимость для радиологии и хирургической навигации, где точность пространственного совмещения снимков напрямую влияет на успех клинического вмешательства.

В статье представлена инновационная методология GHOSTS, предназначенная для создания высококачественных синтетических временных рядов на основе данных стационарных пациентов. Исследование решает критическую проблему дефицита и конфиденциальности медицинских данных, предлагая способ генерации реалистичных показателей жизнедеятельности без риска раскрытия персональной информации. Авторы разработали фреймворк, который позволяет моделировать сложные временные зависимости, характерные для госпитальных условий. Основное внимание уделено валидации синтетических данных: методология проверяется на соответствие статистическим свойствам и клинической достоверности оригинальных наборов данных. Использование GHOSTS позволяет исследователям и разработчикам ИИ обучать модели на объемных массивах данных, имитирующих реальные клинические сценарии. Это открывает новые возможности для развития предиктивной аналитики и систем поддержки принятия врачебных решений в условиях строгих регуляторных ограничений.

В статье представлен EPPCMinerBen — инновационный набор метрик и стандартов (бенчмарк), разработанный специально для тестирования возможностей больших языковых моделей (LLM) в контексте цифрового взаимодействия пациентов и медицинских работников. Исследование фокусируется на анализе коммуникации, происходящей через порталы пациентов, что является критически важным аспектом современной телемедицины. Авторы предлагают методологию оценки того, насколько точно ИИ может интерпретировать запросы пациентов и генерировать адекватные, клинически безопасные ответы. В работе подчеркивается необходимость создания специализированных инструментов оценки, так как стандартные NLP-метрики не учитывают специфику медицинского контекста и этические аспекты общения. Использование данного бенчмарка позволит разработчикам ИИ-решений минимизировать риски неверной интерпретации симптомов и повысить качество автоматизированной поддержки в здравоохранении. Результаты исследования закладывают фундамент для внедрения более надежных LLM-ассистентов в клиническую практику через электронные медицинские системы.

В статье представлен инновационный подход к прогнозированию патологического тремора покоя с использованием специализированной архитектуры нейронной сети — Adaptive Time-Frequency Decomposition Informer. Исследователи разработали метод, который объединяет адаптивное разложение сигналов на временной и частотной областях для более точного захвата динамических характеристик тремора. Методология фокусируется на обработке сложных временных рядов, что позволяет модели лучше улавливать долгосрочные зависимости в паттернах движений пациентов. Ключевым результатом является повышение точности прогнозирования последовательностей патологических состояний по сравнению с традиционными моделями трансформеров. Данная разработка имеет высокую клиническую значимость, так как может быть интегрирована в системы носимых устройств для раннего предупреждения приступов тремора и мониторинга состояния пациентов с неврологическими расстройствами в режиме реального времени.

Исследование посвящено практическому внедрению коммерческой ИИ-платформы (AIRAQc) для автоматического контроля качества цифровых гистопатологических слайдов. Система показала высокую точность в обнаружении артефактов (складки ткани, пузырьки воздуха) и стабильную работу при обработке более 6000 слайдов в день.

Данная научная работа представляет собой комплексный систематический обзор современных возможностей использования больших языковых моделей (LLM) в задачах обработки медицинских текстовых данных. Исследование фокусируется на методологиях применения архитектур трансформеров для извлечения структурированной информации из неструктурированных клинических записей, электронных медицинских карт и научной литературы. Авторы анализируют эффективность различных моделей в таких ключевых задачах, как суммаризация анамнеза, классификация диагнозов и извлечение сущностей (NER). В обзоре рассматриваются как успехи в точности распознавания медицинских терминов, так и критические проблемы, включая галлюцинации моделей и вопросы конфиденциальности данных пациентов. Результаты подчеркивают потенциал интеграции ИИ в рабочие процессы врачей для автоматизации рутинного документирования. Работа служит важным ориентиром для разработчиков медицинского ПО и исследователей, стремящихся внедрить NLP-решения в клиническую практику.

В статье представлен обзор исследований (2020–2025 гг.), посвященных применению глубокого обучения и методов объяснимого ИИ (XAI) для автоматизации диагностики камней в почках. Рассматриваются такие техники, как SHAP и Grad-CAM, которые помогают повысить доверие врачей к диагностическим системам, несмотря на существующие проблемы с разнообразием данных.

Исследование представляет метод автоматической сегментации гистопатологических изображений с использованием архитектуры DeepLabV3+ и смартфонов в качестве микроскопов. Разработанная модель показала высокую точность (Dice: 93.1%) в выявлении 21 класса признаков рака шейки матки, превзойдя базовую архитектуру U-Net.

Исследование оценивает эффективность использования парадигм двойных задач (когнитивной и моторной нагрузки) для ранней диагностики деменции. Результаты показывают, что сенсорные датчики позволяют выявить значимые различия в походке и координации у пациентов по сравнению с контрольной группой, особенно при выполнении когнитивных задач.

Исследование оценивает точность мобильного приложения SightConnect для измерения остроты зрения и классификации степени нарушений. Результаты подтверждают возможность использования приложения для дистанционной оценки зрения и автоматизированного определения срочности направления к врачу.

Исследование сравнивает точность и надежность моделей Claude, Gemini и GPT при оценке риска систематической ошибки в нерандомизированных исследованиях. Результаты показали, что Gemini демонстрирует наиболее сбалансированную точность, однако на текущий момент готовые LLM не могут надежно заменять экспертов при использовании инструмента ROBINS-I.

В статье рассматривается проблема «дрейфа» данных и моделей ИИ, используемых в качестве медицинских изделий. Авторы анализируют статистические подтипы дрейфа, его причины и регуляторные вызовы, направленные на обеспечение безопасности пациентов при изменении характеристик медицинских данных.

Исследование оценивает эффективность анонимного чат-бота, используемого пациентами в клиниках Нигерии для повышения осведомленности о ВИЧ и профилактике (PrEP). Результаты показали, что чат-бот улучшает понимание рисков, повышает уверенность пациентов в обсуждении профилактики с врачами и делает взаимодействие с медицинским персоналом более продуктивным.

В исследовании представлен метод Graph-RAG, использующий графы знаний Neo4j для создания точных рекомендаций по диете при хронических заболеваниях. Система обеспечивает высокую интерпретируемость и учет демографических особенностей, минимизируя галлюцинации языковых моделей за счет строгой привязки к клиническим нормам нутриентов.

Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.