Поиск

В статье описывается система автоматической классификации типов свода стопы (плоскостопие, высокий свод, норма) на основе изображений отпечатков, полученных с помощью матрицы Харриса. Для анализа применяются методы машинного обучения, включая сверточную нейронную сеть (MobileNetV2) и метод опорных векторов (SVM), что позволяет автоматически выявлять патологии, влияющие на осанку и походку.

В статье, опубликованной в журнале npj Digital Medicine 6 октября 2026 года, представлен новый метод применения искусственного интеллекта для усиления фармаконадзора с использованием базы данных сообщений о побочных эффектах FDA (FAERS). Исследование фокусируется на разработке калиброванной модели машинного обучения, способной более точно выявлять и классифицировать потенциальные сигналы о нежелательных лекарственных реакциях, минимизируя уровень ложноположительных результатов. Авторы применяют передовые алгоритмы обработки естественного языка (NLP) для анализа неструктурированных текстовых отчетов, что позволяет извлекать скрытые паттерны и корреляции между препаратами и побочными эффектами, которые часто упускаются при традиционном ручном анализе. Ключевым нововведением является внедрение механизма калибровки вероятностей, который обеспечивает надежную оценку неопределенности предсказаний модели, что критически важно для принятия клинических решений и регуляторных выводов. Результаты демонстрируют значительное улучшение показателей точности и полноты (precision и recall) по сравнению с существующими базовыми методами, что подтверждает эффективность подхода в реальных условиях мониторинга безопасности лекарств. Данный инструмент может быть интегрирован в рабочие процессы регуляторных органов и фармацевтических компаний для ускорения выявления рисков и повышения качества данных о безопасности препаратов на этапе постмаркетингового наблюдения.

Авторы разработали интерпретируемую модель scTIME, которая преобразует данные транскриптомики одиночных клеток в баллы для массовых образцов, чтобы прогнозировать ответ на иммунотерапию при немелкоклеточном раке легкого. Модель на базе алгоритма ElasticNet достигла ROC-AUC 0.810, выявив ключевые иммунные программы, связанные с ответом на лечение. Исследование демонстрирует потенциал многоомного подхода для разработки прозрачных биомаркеров без опоры на единичные пути.

Статья описывает фреймворк для мониторинга беременных, использующий агентный ИИ и модели градиентного бустинга для оценки рисков сердечно-сосудистых и метаболических заболеваний в реальном времени. Система интегрирует телеметрию и данные от пациентов, используя LLM (Google Gemini) для структурирования выводов и маршрутизации пациентов, что позволяет снизить усталость от оповещений у врачей. Результаты симуляции показывают высокую точность, но требуется клиническая валидация.

В статье представлен обзор 68 исследований, посвященных использованию анализа голоса и речи для выявления маркеров психических расстройств, преимущественно депрессии. Авторы оценивают готовность этих технологий к клиническому применению, отмечая низкий уровень внешней валидации и ограниченность данных по естественным условиям сбора речи. Работа подчеркивает необходимость улучшения методологии для перевода кандидатов в биомаркеры в реальные клинические практики.

В статье, опубликованной в Nature Machine Intelligence 1 октября 2026 года, представлена концепция нового глубокого исследовательского агента DeepEvidence, который меняет парадигму биомедицинских открытий. Авторы подчеркивают, что современным ограничивающим фактором в науке является не нехватка данных, а сложность их интеграции и интерпретации. В отличие от традиционных систем, которые просто извлекают факты, DeepEvidence строит явные репрезентации научных доказательств, обеспечивая более глубокое понимание контекста. Этот подход позволяет агенту не просто искать информацию, а проводить активное исследование и синтез данных, выявляя скрытые связи между различными источниками. Использование глубокого обучения для моделирования доказательной базы открывает новые возможности для ускорения биомедицинских исследований и принятия клинических решений. Технология демонстрирует высокий потенциал для автоматизации сложных аналитических задач, требующих критического осмысления огромных массивов научной литературы. Внедрение таких систем может существенно сократить время от открытия до внедрения новых методов лечения в практику.

Обзорная статья рассматривает применение ИИ в гастроэнтерологической эндоскопии для обнаружения неопластических и преднеопластических поражений, критикуя фокус на диагностической точности в ущерб оценке клинических исходов и экономической эффективности. Авторы предлагают использовать стохастические микросимуляционные модели для оценки стоимости-эффективности и подчёркивают незаменимую роль человека как связующего звена между технологическими инновациями и реальным клиническим результатом.

В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология многокритериальной оценки неопределенности (uncertainty estimation) для систем искусственного интеллекта, применяемых в дерматологии. Основной целью работы является повышение надежности алгоритмов глубокого обучения при обнаружении сдвигов распределения данных (distribution shift detection), что критически важно для безопасного внедрения ИИ в клиническую практику. Авторы разработали подход, который позволяет модели не только классифицировать кожные новообразования на злокачественные и доброкачественные, но и точно оценивать степень своей уверенности в каждом предсказании. Использование нескольких критериев неопределенности помогает системе выявлять случаи, выходящие за рамки обучающей выборки, предотвращая ошибочные диагнозы на атипичных или редких примерах. Результаты показывают значительное улучшение показателей чувствительности и специфичности по сравнению с традиционными методами, что напрямую влияет на безопасность пациентов. Данный подход решает одну из главных проблем ИИ в медицине — проблему «черного ящика» и доверия к предсказаниям модели в условиях изменчивости реальных клинических данных. Исследование демонстрирует, что интеграция оценки неопределенности является необходимым шагом для создания надежных систем поддержки принятия врачебных решений в онкодерматологии.

В статье предложен гибридный фреймворк для обнаружения серповидноклеточных эритроцитов, сочетающий легковесные CNN-модели, обученные с помощью дистилляции знаний (Knowledge Distillation), с классификатором KNN. Система достигает точности 95,45% и оптимизирована для развертывания на устройствах с ограниченными ресурсами (Raspberry Pi) в формате TensorFlow Lite.

В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.

Авторы статьи анализируют текущее состояние применения искусственного интеллекта в условиях вооруженных конфликтов, отмечая, что ИИ преимущественно используется для разведки и целеуказания, тогда как его потенциал в поддержке медицинских работников остается недооцененным. В условиях дефицита диагностики, прерванных цепочек рефералов и нестабильной связи гуманитарной медицине необходим проактивный подход к внедрению ИИ, который усиливает клиническое суждение, а не заменяет его. Предлагается двухэтапная модель: ограниченный, основанный на протоколах чат-бот выступает в роли «перейма мили» для структурирования оценки, выявления недостающей информации и генерации стандартных отчетов, а телемедицина служит «второй милей» для обеспечения надзора и ответственности со стороны удаленных специалистов. Безопасное развертывание требует прозрачных протоколов, жестких отказов при выходе за рамки компетенции, минимизации данных, работы в офлайн-режиме и моделирования враждебных угроз для предотвращения двойного использования технологий. Оценка эффективности должна включать локальные симуляции, скрытое развертывание, проспективный мониторинг отклонений и независимый гуманитарный надзор перед широким внедрением. Приоритетом является обеспечение того, чтобы дизайн, управление и оценка ИИ в медицине конфликтов руководствовались безопасностью пациентов, медицинской нейтральностью и локальным участием, ставя технологии на службу человеку, а не военной машине.

В данном исследовании проводится сравнительная оценка эффективности трех больших языковых моделей (LLM) — Claude-Sonnet-4.6, Grok-4 и ChatGPT-5 — в задачах пренатальной диагностики по сравнению с двумя врачами-клиницистами. Для оценки использовался набор из 125 вопросов, взятых из национального стандартизированного квалификационного экзамена по пренатальному ультразвуковому скринингу в Китае. Исследование показало, что общая точность ответов не имела статистически значимых различий между моделями и врачами: главный врач набрал 89,60% (112/125), Claude-Sonnet-4.6 — 85,60% (107/125), Grok-4 — 84,80% (106/125), ChatGPT-5 — 84,00% (105/125), а врач-ординатор — 80,00% (100/125). Однако при детализации по типам вопросов выявились существенные различия: в задачах на основе клинических случаев (n=20) главный врач значительно превзошел все модели (95,00% против 70,00% у лучшей модели, Grok-4), что указывает на пробелы в сложном клиническом рассуждении у ИИ. В последовательных наборах вопросов Grok-4 (95,74%) и главный врач (93,62%) показали лучшие результаты по сравнению с врачом-ординатором (76,60%). Авторы приходят к выводу, что современные LLM могут служить мощными инструментами для расширения знаний, но пока не готовы к автономному выполнению роли клинического рассудителя в такой сложной и этически значимой области, как пренатальная диагностика.

В данном исследовании оценивается способность больших языковых моделей (LLM), в частности ChatGPT-4o и Gemini 3 Pro, точно оценивать транскрибированные симулированные взаимодействия между стандартизированными пациентами и студентами-медиками, а также генерировать полезную нарративную обратную связь. Исследование проводилось в рамках одного центра с участием 12 пар «врач-пациент», где оценки LLM сравнивались с оценками врача-рецензента, использующего золотой стандарт рубрики, включающей 55 элементов сбора анамнеза и 19 элементов презентации случая для оценки диагностического мышления, планирования лечения и консультирования пациентов. Результаты показали высокую степень согласия между LLM и врачом при оценке элементов сбора анамнеза (коэффициент каппы Коэна κ = 0,84–0,89; внутриклассовые коэффициенты корреляции ICC = 0,93–0,97), тогда как согласие при оценке презентации случая было умеренным (κ = 0,62–0,72; ICC = 0,61–0,83). Обе модели сгенерировали подробную, точную и клинически полезную нарративную обратную связь, которая была дополнительно оценена независимыми экспертами. Авторы делают вывод, что LLM могут надежно оценивать симулированные взаимодействия врач-пациент, что открывает возможности для стандартизированной оценки клинической коммуникации в исследовательских целях, улучшении качества медицинской помощи и медицинском образовании. Это исследование демонстрирует практическую применимость ИИ для автоматизации сложного процесса оценки коммуникативных навыков медицинских работников, снижая субъективность и временные затраты на ручную оценку.

Исследование, опубликованное в Nature Machine Intelligence, демонстрирует, что искусственные нейронные сети, обучаемые решению нескольких задач одновременно, спонтанно организуются в специализированные модули. Особое внимание уделено влиянию ограничений вычислительных ресурсов: при их нехватке модульность становится более выраженной, что повышает эффективность обработки информации. Авторы показывают, что инкрементное многозадачное обучение не только усиливает эту модульную структуру, но и приводит к формированию архитектур, которые структурно напоминают организацию нейронных сетей в биологическом мозге. Это открытие имеет фундаментальное значение для понимания принципов работы как искусственного, так и естественного интеллекта, предлагая новые пути для создания более эффективных и биологически правдоподобных моделей машинного обучения. Результаты указывают на то, что модульность является не просто побочным эффектом, а необходимым условием для масштабируемого многозадачного обучения в условиях ограниченных ресурсов. Работа открывает перспективы для разработки новых архитектур ИИ, вдохновленных нейробиологией, что может значительно ускорить прогресс в области общего искусственного интеллекта и когнитивного моделирования.

В статье представлен новый вычислительный фреймворк CryoMV, предназначенный для анализа непрерывной структурной гетерогенности белков с использованием данных криоэлектронной микроскопии (крио-ЭМ). Методология интегрирует моделирование, основанное на структурных приоритетах (используя эталонные карты плотности как якоря), с строгой валидацией на реальных 2D-изображениях частиц. Алгоритм строит кандидаты на пути конформационных переходов, оценивает их поддержку экспериментальными данными через оценку поз частиц и функций контраста, а затем реконструирует поддерживаемые конформации методом обратного проецирования. Исследование демонстрирует высокую надежность и разрешающую способность метода на наборах данных EMPIAR-10516 и EMPIAR-10345. Ключевым преимуществом CryoMV является явный механизм проверки того, сгенерированные ли конформации действительно подтверждаются экспериментальными данными, что позволяет существенно снизить артефакты, вызванные моделями. Этот подход решает проблему высокого уровня шума и размытия движения, характерную для сырых данных крио-ЭМ. Разработка имеет прямое значение для структурной биологии и разработки лекарств, так как позволяет точнее понимать фундаментальные биологические процессы, зависящие от динамики белков. Технология представляет собой значительный шаг вперед в автоматизации и точности анализа непрерывных конформационных изменений макромолекул.

Исследователи представили CardioChrom — специализированную вычислительную платформу на базе искусственного интеллекта, предназначенную для реконструкции данных об эпигеноме сердца (хроматинная доступность и модификации гистонов H3K27ac и H3K27me3) исключительно на основе данных одноядерного транскриптома (RNA-seq). Методология разработки включала обучение моделей на совмещенных наборах данных, где у одних и тех же ядер измерялись и РНК, и эпигеномные маркеры, с последующей строгой валидацией на внешних когортах из 10 доноров и 23 образцов. Результаты показывают, что CardioChrom превосходит базовые контрольные значения и конкурирует с архитектурой Transformer по 6 предопределенным метрикам качества реконструкции, демонстрируя статистически значимое улучшение площади под кривой точности-полноты (AUPRC) на 0.0109 и площади под ROC-кривой на 0.0179 по сравнению со случайным перемешиванием данных. Применение метода к когорте из 43 доноров с сердечной недостаточностью с сохраненной фракцией выброса (HFpEF) позволило выявить 3581 ассоциацию на уровне путей, устойчивую к поправкам на пол и метод leave-one-donor-out. Особое внимание уделено эндотелиальным клеткам, где реконструированные эпигеномные изменения указывают на активацию коагуляции, воспаления, гипоксии и профибротической сигнализации, при этом экспрессия фактора фон Виллебранда и ее регуляторные состояния были последовательно снижены. Генерация гипотез о взаимодействии транскрипционных факторов с регуляторными элементами (TF-cCRE-gene) в эндотелии и фибробластах открывает новые возможности для понимания молекулярных механизмов сердечной недостаточности без необходимости дорогостоящего и трудоемкого эпигеномного профилирования каждого образца. Данный подход демонстрирует высокую значимость для персонализированной медицины и фундаментальных исследований, позволяя извлекать многомерную эпигеномную информацию из уже существующих транскриптомных баз данных.

В статье представлена новая фундаментальная модель ДНК под названием MicroGlot, разработанная специально для анализа микробной геномики. Модель обучена на обширном корпусе из 3,7 миллиона последовательностей, содержащих 378,3 миллиарда нуклеотидов и охватывающих 99 700 видов микроорганизмов. Ключевой особенностью архитектуры является использование гиперболических вложений для кодирования иерархических таксономических связей в сочетании со структурой разреженного смесителя экспертов (sparse mixture-of-experts), что позволяет эффективно интегрировать биологические знания в процесс обучения. Исследователи провели нулевую оценку (zero-shot) встраиваний слоев модели, доказав, что полученные репрезентации не только отражают таксономическую принадлежность, но и кодируют фенотипические признаки организмов. Сравнение с вариантом модели, обученным без учета таксономии, показало, что включение таксономических знаний последовательно улучшает качество репрезентаций на всех слоях нейросети. В тестировании на наборе из 1000 видов, охватывающем основные клеточные домены и вирусные царства, маршрутизирующие отпечатки MicroGlot продемонстрировали более высокую согласованность с таксономическими группами по сравнению с традиционным методом анализа тетра-нуклеотидного состава. Модель демонстрирует лидирующие результаты в задачах нулевого обучения и конкурентоспособные показатели при дообучении (fine-tuning) при низких вычислительных затратах. Разработанная архитектура представляет собой эффективный инструмент для микробной геномики, открывая новые возможности для исследований в области биотехнологий, сельского хозяйства и понимания роли микробиома в здоровье человека.

Обзорная статья, опубликованная в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026), посвящена систематическому обзору эволюции методов искусственного интеллекта в анализе изображений сетчатки глаза — от классических свёрточных нейронных сетей (CNN) до современных фундаментальных моделей (foundation models). Авторы рассматривают ключевые этапы развития: переход от специализированных моделей глубокого обучения, обучаемых на конкретных наборах данных (например, для диагностики диабетической ретинопатии, глаукомы, возрастной макулярной дегенерации), к крупным предобученным моделям, способным решать множество задач офтальмологии с минимальной донастройкой. Особое внимание уделяется проблемам клинической трансляции: обобщаемости моделей между различными популяциями пациентов и типами оборудования, интерпретируемости предсказаний, калибровке уверенности и обеспечению надёжности (trustworthiness) при развёртывании в реальной клинической практике. Статья охватывает вопросы валидации, регуляторных требований и барьеров, препятствующих внедрению ИИ-систем в офтальмологические клиники. Работа представляет интерес для исследователей и клиницистов, занимающихся автоматизированной диагностикой заболеваний сетчатки.