Поиск

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.

Биотехнологическая компания Earendil Labs, базирующаяся в США с корнями в Китае, привлекла $787 миллионов частных инвестиций для финансирования своей ИИ-платформы для разработки лекарств. Платформа уже сгенерировала конвейер из более чем 40 программ разработки препаратов, что демонстрирует эффективность подхода искусственного интеллекта в фармацевтике. Сумма финансирования в $787 млн является значительной для частного раунда и указывает на высокий интерес инвесторов к ИИ-биотехнологиям. Компания находится на этапе подготовки к возможному IPO, что свидетельствует о зрелости технологического продукта и бизнес-модели. Применение машинного обучения в открытии новых лекарственных соединений позволяет сократить время и стоимость разработки препаратов по сравнению с традиционными методами. Этот раунд финансирования подтверждает тренд на интеграцию ИИ в фармацевтическую промышленность и биотехнологические исследования. Успешное привлечение такого объёма инвестиций указывает на доверие рынка к способности ИИ-платформ создавать коммерчески перспективные лекарственные программы.

Учёные Первого МГМУ им. И.М. Сеченова совместно с компанией Medical Neuronets и Московской городской онкологической больницей № 62 создали систему искусственного интеллекта для обнаружения метастазов колоректального рака в лимфатических узлах. Алгоритм работает с цифровыми гистологическими препаратами, выполняя двухэтапный анализ: сначала выявляет подозрительные зоны на срезах тканей, затем с помощью методов сегментации более точно выделяет границы опухолевых клеток. Результаты пилотного клинического исследования были опубликованы в международном журнале Cancer Medicine. Разработка направлена на повышение точности патоморфологической диагностики и снижение риска пропуска метастатического поражения лимфоузлов при онкологических операциях. Система использует глубокое обучение для автоматизации рутинных задач патологоанатома, что может сократить время подготовки заключения и минимизировать человеческий фактор. Технология может быть интегрирована в существующие цифровые патологические лаборатории для поддержки врачей при принятии решений о необходимости дополнительных исследований или расширении объёма операции. Проект представляет собой пример практического применения компьютерного зрения в онкопатологии и демонстрирует потенциал ИИ-систем для улучшения качества диагностики рака.

Разработана вероятностная модель на основе гауссовой смеси (GMM) с подходом «один против одного» для определения подтипа лёгочной гипертензии по неинвазивным сигналам (фотоплетизмография, ортогональный градиент напряжения) у пациентов с положительным результатом ранее валидированного ML-диагностического теста. Модель позволяет оценить вероятность прекапиллярного подтипа и поддержать исключение тяжёлой формы заболевания, что помогает в принятии решения о направлении к специалисту.

Статья рассматривает применение ИИ (машинное обучение и глубокое обучение) для перехода от реактивного мониторинга малярии к предиктивному прецизионному общественному здравоохранению. Авторы анализируют три направления: surveillance (обнаружение случаев, мониторинг переносчиков), прогнозирование вспышек и оптимизацию вмешательств, отмечая точность диагностики свыше 90%, но подчёркивая необходимость решения проблем качества данных, алгоритмической предвзятости и локальной адаптации моделей.

Исследователи разработали MEGA-ODE — инновационный фреймворк на основе графовых нейронных обыкновенных дифференциальных уравнений для реконструкции динамических омиксных ландшафтов из разреженных временных данных. Метод интегрирует молекулярно-сетевые приоры, графовые нейронные ODE и контекстно-адаптивную маршрутизацию mixture-of-experts для предсказания неизмеренных молекулярных состояний и приоритизации виртуальных возмущений. На транскриптомных данных L1000 и протеомных данных CPPA модель превзошла базовые методы в предсказании удержанных признаков и ненаблюдаемых возмущений, а во временных рядах инфекции SARS-CoV-2 продемонстрировала конкурентоспособное прогнозирование будущих точек времени. В когорте пациентов с COVID-19 предсказанные промежуточные профили улучшили ретроспективную стратификацию по стадиям заболевания относительно только наблюдаемых профилей, при этом экспертные программы выделили иммунные и воспалительные сигналы, ассоциированные с тяжестью течения. В кейс-стади ответа на препараты MAPK и дифференциации стволовых клеток атрибуции приоритизировали связанные с возмущениями рёбра MAPK, регуляторы развития и отношения транскрипционных факторов с мишенями, подтверждённые независимым ChIP-seq анализом промоторных областей. При дифференциации эмбриональных стволовых клеток человека в дефинитивную энтодерму MEGA-ODE приоритизировал кандидаты транскрипционных факторов-возмущений, предсказанно смещающих профили 12-36 часов toward 96-часовые сигнатуры маркеров дефинитивной энтодермы, превращая навигацию траектории в конкретную задачу генерации гипотез для биомедицинских исследований.

Исследователи разработали новый фреймворк для оценки биологического возраста с учётом неопределённости предсказаний, генерирующий калиброванные доверительные интервалы и индивидуализированные вероятности ускоренного или замедленного старения alongside традиционных точечных оценок. Методология была применена к данным UK Biobank Pharma Proteomics Project с оценкой трёх композитных и одиннадцати органоспецифичных часов биологического возраста. Результаты показали, что предсказательная неопределённость существенно варьируется как внутри, так и между различными часами, причём часы с низкой точностью (включая многие органоспецифичные) предоставляют мало доказательств для уверенного определения ускоренного или замедленного старения. Ширина доверительного интервала предсказания независимо ассоциировалась с риском заболеваний и смертностью, особенно для композитных, мозговых и иммунных часов, что указывает на то, что неопределённость предсказания отражает дополнительный аспект биологического старения, связанный с молекулярной гетерогенностью и дисрегуляцией. findings были реплицированы в Biobank Japan и независимой клинической когорте Стэнфорда. Фреймворк позволяет улучшить индивидуальную стратификацию рисков для профилактики заболеваний и лонгитюдного мониторинга, предоставляя более информативную характеристику биологического старения по сравнению с традиционными методами.

Исследователи разработали BIGraph-ST — новый метод на основе графовых нейронных сетей для идентификации функциональных доменов в пространственной транскриптомике. Метод интегрирует два типа данных:_scores активности биологических путей и признаки гистологических изображений, что позволяет преодолеть шум и разреженность данных экспрессии генов. BIGraph-ST представляет сходство между модальностями через аффинные графы и распространяет пространственную топологию для захвата связности высшего порядка в тканевом микроокружении. Экспериментальные результаты показали робастную производительность и значительные улучшения на множестве бенчмарк-датасетов, особенно на образцах раковых тканей. Ключевое преимущество метода — биологически интерпретируемые представления доменов на уровне путей, что даёт исследователям инструмент для получения биологических инсайтов о сложных тканевых архитектурах. Исходный код будет опубликован после принятия статьи. Данная работа напрямую применяет методы машинного обучения для анализа медицинских данных в онкологии и патологической анатомии.

Исследование оценивает применимость современных ИИ-моделей предсказания функционального эффекта генетических вариантов (AlphaMissense, ESM-2) к ферментам цитохрома P450, которые метаболизируют около 75% клинически используемых лекарств. Авторы демонстрируют, что гомологические модели систематически ошибаются на фармакогенах: AlphaMissense классифицирует варианты как «неоднозначные» почти в два раза чаще, чем в среднем по протеому, а внутри этого класса корреляция с экспериментальной активностью CYP2C9 составляет всего ρ = 0,069. Исследователи разработали ансамблевую модель на основе k-ближайших соседей над эмбеддингами ESM-2, которая улучшила корреляцию для неоднозначных вариантов в 10 раз — с ρ = 0,069 до ρ = 0,715 (общая корреляция выросла с 0,638 до 0,825). Однако даже эта улучшенная точность не согласуется с клиническими аннотациями. Авторы выдвигают гипотезу, что ключевой недостающий признак — идентичность субстрата, поскольку эффект варианта может зависеть от конкретного лекарства, и предлагают переопределить функцию как условную относительно субстрата. Работа имеет прямое значение для персонализированной медицины и фармакогеномики, указывая на фундаментальные ограничения текущих ИИ-подходов в предсказании лекарственного ответа.

Исследователи разработали новую архитектуру глубокого обучения CREAM (Contrastive Regulatory Embeddings Attention Model) для предсказания персонализированной экспрессии генов на основе последовательностей ДНК. Основная проблема, которую решает модель — обучение межиндивидуальных различий, когда вариации последовательности ДНК между людьми минимальны, а экспрессия генов сильно зависит от негенетического шума. Методология включает декомпозицию экспрессии генов на генетические и негенетические компоненты, а также использование контрастных регуляторных эмбеддингов для улавливания тонких различий в последовательностях. Модель была оценена на симулированных данных и транскриптомных наборах данных GTEx, где продемонстрировала значительное превосходство над базовыми архитектурами на обучающих генах и способность автономно приоритизировать статистически точно определённые причинные локусы количественных признаков экспрессии (eQTL). Введение вспомогательного индуктивного смещения L1 дополнительно улучшило локализацию причинных вариантов в невиданных генах. Однако обобщение на предсказание экспрессии невиданных генов остаётся нерешённой проблемой — корреляция падает практически до нуля у всех тестированных методов. Исследование подчёркивает ключевые препятствия в моделировании персонализированной генной регуляции и намечает направления для будущих разработок в области прецизионной медицины.

GE HealthCare запустила новые решения для УЗИ молочной железы Invenia ABUS Prime и ABUS StreamVue с интегрированными ИИ-инструментами Verisound AI и QVCAD для оценки качества сканирования и обнаружения поражений. ИИ-ассистент демонстрирует сокращение времени чтения на 33% и чувствительность до 93% для детекции опухолей, что особенно важно для женщин с плотной тканью молочной железы.

Исследователи разработали MHChron — единую систему прогнозирования связывания пептидов с молекулами MHC класса I и II на основе машинного обучения для оценки иммуногенности. Ключевое достижение — создание одного из самых разнообразных обучающих датасетов на сегодняшний день, охватывающего 214 аллелей MHC класса I и 98 аллелей класса II, с пептидами длиной от 8 до 36 аминокислотных остатков. Авторы обучили два типа моделей: последовательностную и структурно-ориентированную, протестировав их в строгих режимах генерализации с контролем утечки данных. Обе модели превзошли существующие решения state-of-the-art, несмотря на обучение на меньшем объёме данных. Структурная модель не показала систематического преимущества над последовательностной, за исключением экстраполяции на новые кластеры аллелей, что указывает: ключевой фактор успеха — разнообразие датасета и тщательная валидация, а не архитектурная сложность. Последовательностная версия MHChron доступна с воспроизводимой установкой и автоматизированным пайплайном для скрининга целых белков, что делает инструмент практичным для разработки вакцин и иммунотерапии рака.

Исследователи разработали инновационную вычислительную систему на основе искусственного интеллекта для идентификации лекарственных мишеней среди малоизученных «тёмных киназ» — белков, которые могут стать ключом к лечению сложных заболеваний, включая рак и нейродегенеративные расстройства. Методология объединяет BERT-эмбеддинги белков и путей, двухступенчатый трансформер, гетерогенный графовый трансформер (HGT), а также генеративно-состязательную сеть WGAN-GP для создания негативных примеров обучения. Модель обучена на классификаторах XGBoost и lightGBM с интерпретацией результатов через SHAP-анализ для объяснимости. Система достигла выдающихся метрик: точность 98,16%, F1-мера 98,16%, специфичность 98,52%, AUROC 99,78%, AUPRC 99,82%, корректно классифицировав 97,48% тестовых данных. В результате предсказано 62 225 ассоциаций путей для тёмных киназ, проанализирована функциональная схожесть 96 белков и выявлено 9 ключевых признаков. Особое внимание уделено киназам, связанным с синдромом поликистозных яичников (СПКЯ), для которых проведён докинг-анализ с известными препаратами. Работа демонстрирует практическую применимость ИИ для ускорения открытия лекарств и функциональной аннотации белков.

MerMED-FM представляет собой новую фундаментальную модель искусственного интеллекта для медицинской визуализации, разработанную для работы в нескольких медицинских специальностях одновременно. Модель является мультимодальной, что означает способность обрабатывать и интегрировать различные типы медицинских изображений (рентген, КТ, МРТ, УЗИ и другие форматы). Ключевая особенность MerMED-FM — кросс-специальностная адаптивность: модель обучена интерпретировать изображения для диагностики множественных заболеваний, а не ограничивается одной областью медицины. Архитектура фундаментальной модели позволяет дообучать систему под конкретные клинические задачи с минимальными дополнительными данными. Потенциальное применение включает поддержку врачей в диагностике, скрининговые программы, автоматизацию рутинной интерпретации снимков. Детали архитектуры, результаты валидации и метрики точности в предоставленном материале не указаны — требуется доступ к полной версии статьи для оценки технических характеристик и клинической эффективности модели.

Ученые Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы разработали систему искусственного интеллекта для автоматического контроля качества рентгенограмм органов грудной клетки. Алгоритм анализирует снимки и выявляет дефекты в среднем за 14 секунд, что значительно ускоряет процесс проверки по сравнению с ручной оценкой. В ходе пилотного исследования система продемонстрировала высокую эффективность в обнаружении двух типов ошибок: неправильного позиционирования пациентов при съемке и некорректного заполнения метаданных снимков. Решение направлено на снижение количества бракованных исследований и повышение диагностической точности рентгенографии. Результаты работы опубликованы в рецензируемом журнале Digital Diagnostics, что подтверждает научную ценность разработки. Внедрение такого ИИ-инструмента в клиническую практику может существенно улучшить организацию рентгенологических исследований в медицинских учреждениях.

Статья посвящена критической проблеме внедрения искусственного интеллекта в здравоохранении и фармацевтике, где уровень адаптации ИИ всё ещё отстаёт от других отраслей, а общественное доверие остаётся ограниченным. Авторы предлагают различать два взаимосвязанных, но отдельных концептуальных框架: «этичный ИИ» (определяет, что должно быть сделано с точки зрения ценностей, норм и справедливости) и «доверенный ИИ» (определяет, что может быть реализовано технически и оценено). Этичный ИИ фокусируется на этических дилеммах, таких как использование социальных детерминант здоровья для распределения ресурсов или оптимизация набора пациентов в клинические испытания без ущерба репрезентативности выборки. Доверенный ИИ касается инженерных и оценочных аспектов, обеспечивая техническую надёжность и безопасность решений. Статья подчёркивает, что руководители здравоохранения и фармацевтических компаний должны демонстрировать этическое управление и техническую компетентность для защиты пациентов и укрепления доверия заинтересованных сторон. Практическая значимость материала заключается в предоставлении организациям структуры для ответа на два ключевых вопроса: какие риски связаны с данным применением ИИ и способны ли мы их минимизировать. Материал особенно актуален для руководителей, разрабатывающих стратегии внедрения ИИ в клинические рабочие процессы и разработку лекарств.