В статье представлено новое гидравлическое устройство (электронная детская бутылочка) для объективной оценки биомеханики сосания у младенцев. С помощью машинного обучения (ROCKET-преобразование) разработана автоматическая классификация эффективных сосательных движений, достигшая высокой точности. Исследование показало, что через неделю после френотомии у большинства детей с уздечкой языка улучшились показатели внутриротового давления, что подтверждает клиническую применимость метода.
В статье представлен систематический обзор применения искусственного интеллекта в хирургических решениях на всех этапах периоперационного периода: предоперационном, интраоперационном и послеоперационном. Авторы проанализировали 55 источников и выявили, что предоперационные приложения (диагностика, стратификация риска, планирование) наиболее зрелые, тогда как интраоперационные и послеоперационные сталкиваются с ограничениями по данным и интеграции в рабочие процессы. Отмечается недостаток проспективной валидации и реального внедрения.
Представлена гибридная система цифрового двойника, объединяющая оптимизированный алгоритм XGBoost (обученный на ~100 000 госпитализаций, AUC 0.68) с физиологически обоснованным фармакокинетическим моделированием (PBPK) для прогнозирования 30-дневных повторных госпитализаций у диабетиков. Система интегрирует риск и симулированную экспозицию лекарств в персонализированный фенотип, позволяя различать фармакологические и нефармакологические факторы риска и предлагать целевые вмешательства (коррекция доз, усиленный мониторинг).
Представлена мультимодальная глубокая обучающая система VHealth-MFusion, объединяющая рентгенографию грудной клетки и структурированные клинические данные для многоклассовой диагностики пневмонии. Модель достигла точности 97,2%, превзойдя базовый уровень 95,9%, что подтверждает эффективность интеграции изображений и клинической информации для телемедицины.
Статья рассматривает концепцию физического искусственного интеллекта (PAI) в медицине, который выходит за рамки экранных решений и напрямую взаимодействует с физическим миром. Авторы анализируют ключевые потребности здравоохранения, которые могут быть решены с помощью роботизированных агентов, а также технологические аспекты (периферийные вычисления, цифровые двойники, инфраструктура edge-to-cloud) и культурные факторы, способствующие внедрению PAI. Делается вывод о наступлении переломного момента для физического ИИ в медицине благодаря конвергенции спроса, технологий и культурной готовности.
В статье представлен обзор применения ИИ для автоматической оценки коронарного кальция (AI-CAC) на компьютерной томографии грудной клетки с целью стратификации сердечно-сосудистого риска. Показано, что AI-CAC последовательно ассоциируется с общей и сердечно-сосудистой смертностью, а также с неблагоприятными сердечно-сосудистыми событиями, при этом радиомика может улучшить прогностическую точность. Авторы подчеркивают необходимость проспективных исследований внедрения, стандартизации и оценки экономической эффективности для реализации клинического потенциала.
В исследовании разработана модифицированная модель на основе ResNet50 (ResNet50-SCPA-Net) для автоматической классификации стадий цирроза печени по МРТ-изображениям. Модель объединяет SE-канальное и CBAM-пространственное внимание в параллельной структуре с обучаемым параметром слияния. Достигнута точность 80.82%, сбалансированная точность 81.93%, F1-мера 82.55% и AUC 93.05%, что подтверждает эффективность подхода.
Представлена семиклассовая система ИИ для анализа изображений диабетических язв стопы, сочетающая классификацию и оценку тяжести. Модель достигла точности 95,5% на тестовом наборе, высокой согласованности с клиницистами (κ=0,952) и работает на смартфоне за 322 мс на изображение, обеспечивая объяснимые результаты.
В исследовании систематически оценивается вклад отдельных речевых биомаркеров (паузы, запинки, неразборчивые слова) в классификацию болезни Альцгеймера с помощью легковесных языковых моделей (BERT, AlBERT, DistilBERT). Паузы оказались наиболее информативным биомаркером (F1 = 0.8326), а их целенаправленный отбор улучшает точность детекции по сравнению с объединением всех признаков.
В статье представлен метод прогнозирования выживаемости при немелкоклеточном раке легкого (НМРЛ) с использованием мультимодального подхода, объединяющего КТ-изображения, радиомику, клинические данные и шесть симуляционных прокси-признаков, моделирующих взаимодействие гетерогенности и морфологии опухоли. Модель на основе трансформерного маскированного автоэнкодера (TMAE) достигла C-index 0.641 на публичной когорте Lung1, что превосходит предыдущие мультимодальные результаты и демонстрирует потенциал симуляционных признаков для улучшения стратификации риска.
В ретроспективном перекрестном исследовании с участием 1461 взрослого оценивалась осуществимость и клиническая значимость ИИ-оценки риска сердечно-сосудистых заболеваний по изображениям сетчатки (Reti-CVD) в гибридной модели оказания помощи. Более высокий риск по Reti-CVD был связан с возрастом, мужским полом, диабетом, гипертонией и другими кардиометаболическими факторами, однако категориальное согласие с калькулятором PREVENT оказалось слабым (κ = 0.144). Результаты требуют проспективной валидации для подтверждения прогностической ценности.
Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.
В статье сравниваются два полууправляемых подхода к классификации опухолевых патчей на гистологических изображениях рака молочной железы: базовый, использующий контролируемую модель для генерации псевдометок, и улучшенный, применяющий состязательное контрастивное обучение (AdCo) на 347 884 неразмеченных патчах. AdCo заменяет фиксированную очередь памяти на обучаемый банк состязательных негативов, что повышает качество представлений. Методы оцениваются на 18 комбинациях архитектур и четырех наборах данных, показывая преимущества состязательного самоконтролируемого предобучения.
В статье представлен конвейер in silico, который использует условную языковую модель Finenzyme для генерации ферментных последовательностей, а затем оценивает их структурную стабильность с помощью симуляций молекулярной динамики. Симуляции 236 ферментов из четырёх классов EC показали, что 82,6% структур сохраняют стабильность, что подтверждает потенциал подхода для биомедицинских и промышленных применений.
Представлена улучшенная структура ConvNeXt-Tiny с модулем пространственной адаптивной многомасштабной свертки (SAMC) для классификации заболеваний сетчатки по OCT-изображениям. Модель достигает точности 98,39% на наборе данных OCT-C8 с восемью классами, а также включает анализ калибровки, неопределенности, устойчивости к помехам и интерпретируемости, подтверждая клиническую значимость.
Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.
Представлена ARTNet — трансформерная нейросеть для автоматической классификации и сегментации диабетической ретинопатии (ДР) по снимкам глазного дна. Модель объединяет три подсети: адаптивную канальную калибровку, пространственное внимание к клинически значимым областям и трансформерный энкодер для глобального контекста. На наборах данных Diabetic Retinopathy Detection, APTOS-2019 и IDRiD модель достигает точности 96.45% и превосходит современные подходы, поддерживая реальный скрининг в офтальмологии.
В исследовании на основе клинического испытания COMPASS созданы молекулярные цифровые двойники пациентов с помощью байесовской фундаментальной модели рака FarrSight®. Индивидуальные прогнозы ответа на mFOLFIRINOX показали значительно лучшие показатели AUC, точности, PPV и NPV по сравнению с классификацией Moffitt, что указывает на потенциал для улучшения отбора пациентов на терапию.
В статье представлен AnnFlux — новый метод на основе нейронных стохастических дифференциальных уравнений (SDE), который моделирует динамику клеточных популяций в ответ на генетические и химические вмешательства (возмущения). В отличие от большинства существующих моделей, которые учат статическое отображение между возмущением и конечным состоянием клеток, AnnFlux обучает дрейфовое поле в латентном пространстве клеточных состояний, учитывая временную эволюцию и комбинаторные эффекты возмущений. Ключевая особенность — объектно-обусловленное conditioning: модель позволяет запрашивать дрейф для каждого отдельного возмущающего объекта (гена или лекарства), что делает дрейфы сопоставимыми между разными генами и препаратами. Метод продемонстрировал способность интерполировать пропущенный временной шаг в тайм-курсе эпителиально-мезенхимального перехода и предсказывать ответы на невиданные ранее возмущения. Кроме того, AnnFlux улучшает точность распределения (distributional fidelity) и предсказывает ответы на комбинации возмущений, которые не встречались в обучающих данных. В независимом пан-раковом пространственном атласе предсказанный AnnFlux IFN-сигнатурный ответ был ассоциирован с близостью к TLS (третичным лимфоидным структурам), что подтверждает биологическую значимость предсказаний. Предложенная структура позволяет отображать эволюцию клеточных состояний как непрерывные траектории и представлять невиданные возмущения с помощью эмбеддингов на основе предварительных знаний. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области персонализированной медицины и понимания механизмов действия лекарств.
Детская глиома низкой степени злокачественности (pLGG) — наиболее распространенный тип опухоли мозга у детей, составляющий около 30% всех опухолей центральной нервной системы у детей. pLGG имеет множество молекулярных подтипов, различающихся по прогрессированию заболевания, характеру рецидивов и ответу на лечение. Традиционные лабораторные методы молекулярного профилирования и гистопатологии трудоемки, дороги и медленны. Существующие методы ИИ/МО для молекулярной классификации pLGG обычно выделяют лишь два-три подтипа. Авторы разработали интегрированный подход мета-кластеризации Meta-pLGG, который позволяет выявлять высокоразрешающие молекулярные подтипы и их транскрипционную гетерогенность. Метод включает многократную случайную проекцию (RP) для снижения размерности транскриптомных данных, кластеризацию с помощью шести алгоритмов (иерархическая, K-means, SOM, NMF, GMM, спектральная) и взвешенную мета-кластеризацию (wMetaC) для объединения результатов. На данных 532 пациентов с pLGG подход показал превосходную стабильность и дискриминационную способность по сравнению с традиционными методами. Анализ консенсусной матрицы выявил два основных мега-подтипа, один из которых делится на три подгруппы, другой — на две. Дифференциальный анализ экспрессии генов, молекулярных путей и связей ген-лекарство-болезнь показал значительную транскрипционную гетерогенность между пятью подгруппами. Результаты демонстрируют более высокую производительность и надежность мета-кластеризации для выявления подтипов pLGG, что может способствовать более точной молекулярной классификации и персонализированной терапии.
