Поиск

Крупнейший поставщик услуг визуализации SimonMed внедряет ИИ-решение SwiftMR от AIRS Medical во всей своей сети. Технология позволяет повысить качество МРТ-снимков, сократить время сканирования и оптимизировать рабочие процессы на оборудовании различных производителей.

Исследователи разработали инновационную динамическую мультимодальную платформу для прогнозирования общей выживаемости пациентов с множественной миеломой, учитывающую временную динамику после постановки диагноза. Модель объединяет три ключевых типа данных: пространственное представление экспрессии генов (с использованием метода DeepInsight), траектории 10 ключевых лабораторных показателей и историю применения трех классов препаратов. В ходе тестирования на когорте MMRF CoMMpass (n = 752) предложенный подход продемонстрировал превосходство над классическими методами, такими как DeepSurv и случайные леса для выживаемости, достигнув индекса конкордации (C-index) 0,773 и AUC на горизонте 1 года 0,789. Анализ абляции показал, что наиболее значимым предиктором являются динамические лабораторные измерения, а использование DeepInsight для геномных данных обеспечило более высокую точность по сравнению с обычными многослойными перцептронами. Важным достижением стала проверка модели на независимой когорте (GSE24080, n = 507), где упрощенная версия системы сохранила высокую прогностическую способность (C-index 0,672) без переобучения. Интерпретируемость модели подтвердила биологическую релевантность результатов, выявив связь с путями стресса эндоплазматического ретикулума и интерферон-альфа ответом.

В исследовании представлен инновационный подход к лечению сепсиса в условиях реанимации, объединяющий возможности обучения с подкреплением (Offline Reinforcement Learning) и потенциал больших языковых моделей (LLM). Авторы разработали специализированный фреймворк, который использует исторические данные пациентов для оптимизации протоколов терапии без необходимости прямого взаимодействия с живыми субъектами в процессе обучения. Интеграция LLM позволяет обогатить процесс принятия решений контекстуальной информацией из неструктурированных медицинских записей, что значительно повышает точность прогнозирования и выбора тактики лечения. Методология направлена на минимизацию рисков при подборе дозировок медикаментов и объемов инфузионной терапии. Ожидается, что внедрение данной системы позволит снизить уровень смертности при сепсисе за счет персонализированного и динамического управления состоянием критических пациентов. Результаты демонстрируют превосходство гибридной модели над стандартными клиническими протоколами и классическими алгоритмами машинного обучения.

Исследование представляет модель на базе VGG16, которая использует признаки симметрии тканей для раннего выявления аденокарциномы толстой кишки. Авторы интегрировали методы XAI (Grad-CAM, SHAP, LIME) для устранения проблемы «черного ящика» и достигли точности 99,85% на наборе из 10 000 гистопатологических снимков.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель на базе архитектуры Vision-Language для работы с диффузными глиомами у взрослых. Основная задача модели заключается в автоматизации двух критически важных процессов: прогнозировании молекулярно-генетического статуса опухоли и генерации структурированных радиологических отчетов на основе медицинских изображений. Методология объединяет визуальные признаки МРТ-снимков с текстовыми данными, что позволяет достичь высокой точности в определении биомаркеров, которые традиционно требуют дорогостоящей инвазивной биопсии. Использование ИИ позволяет сократить время постановки диагноза и минимизировать человеческий фактор при интерпретации сложных снимков. Результаты демонстрируют потенциал технологии в интеграции визуального анализа и текстовой генерации, что может значительно ускорить процесс принятия клинических решений в нейроонкологии. Данная разработка является важным шагом к созданию полностью автоматизированных систем поддержки принятия врачебных решений (СППВР) в радиологии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.

Представлена новая гибридная модель Quantum-SpinalNet, сочетающая Swin ResUNet3+ для сегментации опухолей и квантовую нейронную сеть (DQNN) для классификации. Исследование показало высокую эффективность на наборах данных CBIS-DDSM и DDSM с точностью 93,8%, что делает метод перспективным для клинической диагностики.

В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.

Разработана гибридная мультимодальная нейросеть, сочетающая классические CNN и квантовые вариационные схемы для диагностики болезни Паркинсона по рисункам спиралей и клиническим данным. Модель показала высокую точность (до 97.28%) и обеспечивает интерпретируемость результатов с помощью Grad-CAM и анализа чувствительности.

Разработан мультимодальный ИИ-фреймворк, объединяющий гистопатологические изображения и клинические данные для диагностики рака эндометрия. Модель демонстрирует высокую точность (AUC 0.95), обеспечивая при этом интерпретируемость результатов и защиту конфиденциальности данных пациентов.

В данном исследовании, опубликованном в журнале npj Digital Medicine, проводится сравнительный анализ эффективности системы искусственного интеллекта и профессиональных экспертов в задаче классификации лейкоцитов. Методология исследования заключалась в сопоставлении автоматизированных результатов работы ИИ с оценками 15 высококвалифицированных специалистов в области морфологии крови. Основная цель работы — определить, может ли алгоритм достичь уровня точности, сопоставимого с человеческим экспертным мнением, при анализе сложных клеточных структур. Ключевые результаты демонстрируют потенциал ИИ в автоматизации рутинных процессов гематологического анализа, что критически важно для снижения нагрузки на лаборатории. Исследование подчеркивает значимость внедрения подобных систем для стандартизации диагностики и минимизации субъективных ошибок при интерпретации мазков крови. Данная работа имеет высокую практическую ценность для цифровой гематологии и автоматизированных систем лабораторной диагностики.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования визуально-языковых моделей (VLM) для глубокого анализа легочных узлов. Авторы предлагают подход «graphicalized vision-language modeling», который объединяет визуальные признаки КТ-снимков с текстовыми описаниями для более точной интерпретации патологий. Данная модель направлена на автоматизацию процесса обнаружения узлов и, что более важно, на эффективную стратификацию рисков злокачественности. Использование графических структур позволяет нейросети лучше понимать пространственные взаимосвязи между компонентами узла и окружающими тканями. Внедрение подобных систем в клиническую практику может значительно снизить нагрузку на радиологов и повысить точность ранней диагностики рака легких. Результаты демонстрируют потенциал интеграции мультимодальных данных для создания более надежных систем поддержки принятия врачебных решений в онкологии.

В статье представлена гибридная нейросетевая архитектура (HDNN) для классификации нейродегенеративных заболеваний на основе данных МРТ. Использование методов ConvNeXt, MaxViT и механизмов Cross-Fusion Attention позволило достичь точности 97,4%, а применение Grad-CAM++ обеспечивает интерпретируемость результатов для клинического применения.

GE HealthCare получила одобрение FDA для True Definition DL — нового решения на базе глубокого обучения для реконструкции изображений в компьютерной томографии (КТ). Технология обеспечивает высокую четкость и разрешение снимков, что критически важно для диагностики заболеваний легких, опорно-двигательного аппарата и внутреннего уха.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методика автоматизированной классификации подтипов немелкоклеточного рака легкого (НМРЛ) без использования традиционных методов окрашивания. Авторы разработали систему на базе глубокого обучения, которая способна выполнять «виртуальное иммуногистохимическое окрашивание» (virtual IHC) непосредственно на стандартных гистологических препаратах. Основная цель метода заключается в замене дорогостоящих и трудоемких химических процессов цифровой имитацией экспрессии специфических биомаркеров. Использование нейросетевых алгоритмов позволяет с высокой точностью определять молекулярные характеристики опухоли, что критически важно для выбора таргетной терапии. Технология демонстрирует потенциал для значительного ускорения патоморфологической диагностики и снижения операционных расходов медицинских лабораторий. Данный подход открывает новые возможности для персонализированной онкологии, позволяя проводить глубокий анализ тканей в режиме реального времени.

В исследовании AI-REACT оценивалось влияние ИИ-инструмента qER EU 2.0 на точность, скорость и уверенность врачей при анализе КТ головного мозга без контраста (NCCTH). В ретроспективном анализе приняли участие 30 специалистов (рентгенологи, врачи скорой помощи и рентген-лаборанты), оценивших 150 сканов, из которых 98 содержали критические патологии. Результаты показали, что использование ИИ повысило общую чувствительность при выявлении критических аномалий с 82,8% до 89,7% (+6,9%), а чувствительность к внутричерепным кровоизлияниям выросла с 84,6% до 91,6% (+7,0%). При этом наблюдалось снижение специфичности с 84,5% до 78,9% (-5,5%). Важным практическим выводом стало то, что врачи отделений неотложной помощи при поддержке ИИ достигли уровня чувствительности, сопоставимого с квалифицированными рентгенологами. Исследование подтверждает высокий потенциал ИИ в повышении диагностической эффективности неспециализированного медицинского персонала в экстренных ситуациях.

Исследование представляет инновационный двухэтапный конвейер для интерпретируемой классификации клеток крови, решающий проблему «черного ящика» в глубоком обучении. В первом этапе используется замороженная мультимодальная модель ConceptCLIP, которая преобразует изображения клеток в 70-мерный вектор морфологических концептов (таких как форма ядра и текстура хроматина) через zero-shot сходство. На втором этапе мягкое дерево решений (Soft Decision Tree, SDT) классифицирует клетки исключительно на основе этих концептуальных оценок, создавая прозрачный путь принятия решения. На наборе данных BloodMNIST система достигла точности 94,86%, что всего на 3% ниже показателей классических непрозрачных моделей. Важным достижением стало то, что модель смогла самостоятельно выявить различия между подтипами незрелых гранулоцитов (промиелоцитами и миелоцитами) без специального обучения на эти метки. Это доказывает возможность создания систем, чья логика полностью совпадает с клиническими критериями гематологов, обеспечивая возможность аудита и верификации каждого диагноза.

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.

Представлена инновационная мультиагентная платформа SpineAgent, предназначенная для автоматизированной генерации медицинских заключений по МРТ позвоночника. В основе системы лежит мультипоследовательная базовая модель, обученная на колоссальном массиве данных: 32 047 пациентах, 453 683 сериях МРТ и более 13,4 миллионах срезов. Методология включает предварительное обучение двух кодировщиков на базе DINOv3 для T1- и T2-взвешенных последовательностей с последующим использованием стратегии непрерывного обучения для синтеза единых эмбеддингов пациента. SpineAgent демонстрирует превосходство над существующими методами, показывая улучшение среднего показателя AUROC на 10,8% в 17 задачах прогнозирования патологий позвоночника. Система не только классифицирует заболевания, но и локализует патологические области, а также поддерживает мультимодальный поиск изображений и отчетов. Архитектура включает 37 специализированных агентов, чьи результаты интегрируются в медицинский агент для формирования структурированного и интерпретируемого отчета. Экспертная оценка пятью рентгенологами подтвердила лидирующую эффективность системы в задачах генерации клинически обоснованных описаний.