Поиск

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология на основе интерпретируемого графового обучения (graph learning) для анализа пространственных паттернов микроокружения опухоли (TME) с использованием цифровой патологии. Авторы разработали модель, которая не только классифицирует гистологические образцы, но и выявляет значимые пространственные взаимодействия между различными типами клеток в микроокружении опухоли желудка. Методология позволяет визуализировать и количественно оценивать архитектуру TME, что ранее было сложной задачей при использовании традиционных методов машинного обучения. Ключевым результатом стало достижение высокой точности в прогнозировании выживаемости пациентов с раком желудка, превосходящей стандартные клинические маркеры. Модель демонстрирует способность идентифицировать специфические клеточные ниши, ассоциированные с плохим или хорошим исходом заболевания, предоставляя врачам понятные визуальные объяснения прогноза. Это исследование открывает новые возможности для персонализированной медицины, позволяя интегрировать сложные пространственные данные в клиническую практику для более точной стратификации риска. Результаты подтверждают потенциал графовых нейронных сетей в извлечении биологически значимых признаков из цифровых слайдов, что может стать стандартом в онкологической патологии.

В исследовании, опубликованном в журнале npj Digital Medicine 30 октября 2026 года, представлена и оценена система безопасности на основе искусственного интеллекта, предназначенная для выявления случаев пропущенных направлений к специалистам узкого профиля в условиях первичной медицинской помощи. Основная цель разработки заключается в снижении рисков для пациентов, когда врачи общей практики ошибочно не направляют больных к нужным экспертам, что может привести к поздней диагностике и ухудшению исходов лечения. Авторы детально анализируют точность алгоритмов ИИ в распознавании таких упущений на основе данных электронных медицинских карт, сравнивая результаты работы системы с рутинной клинической практикой. Ключевые результаты демонстрируют высокую чувствительность и специфичность модели, что позволяет эффективно фильтровать реальные случаи необходимости направления, минимизируя ложные срабатывания. Исследование также оценивает практическое влияние внедрения этой системы на клинические исходы, включая скорость получения специализированной помощи и удовлетворенность пациентов. Значимость работы заключается в потенциале интеграции таких ИИ-инструментов в рабочие процессы врачей общей практики для повышения качества и безопасности медицинской помощи без значительного увеличения административной нагрузки. Полученные данные подтверждают, что автоматизированный контроль направлений может стать важным элементом системы клинического аудита и предотвращения врачебных ошибок.

В статье представлена новая архитектура глубокого обучения AnySleep, предназначенная для автоматизированной и высокоточной стадийной классификации сна (sleep staging) на основе полисомнографических данных. Ключевой инновацией системы является её «канально-аgnostic» (channel-agnostic) природа, что позволяет модели эффективно обрабатывать электроэнцефалографические (ЭЭГ) и другие сигналы независимо от конкретного количества или типа используемых каналов регистрации. Это решает одну из главных проблем внедрения ИИ в клиническую практику — необходимость переобучения моделей под специфическое оборудование каждой лаборатории. Исследование проведено на многоцентровых когортах пациентов, что подтверждает высокую обобщающую способность алгоритма и его устойчивость к вариациям в качестве данных между разными центрами. Модель демонстрирует значительное улучшение показателей точности и согласованности с экспертной оценкой врачей-сомнологов по сравнению с существующими методами. Результаты указывают на потенциал AnySleep для стандартизации диагностики нарушений сна, снижения нагрузки на специалистов и упрощения скрининга широких слоев населения. Система способна работать с неполными или разнородными наборами данных, что критически важно для масштабирования телемедицинских решений в области сомнологии.

В исследовании, опубликованном в журнале npj Digital Medicine 27 октября 2026 года, оценивается эффективность внедрения алгоритмов искусственного интеллекта в рутинную клиническую практику отделения неотложной помощи. Целью работы стало проспективное сравнение точности обнаружения переломов рентгенологами при работе с обычными рентгенограммами и при использовании системы ИИ-ассистента, предназначенной для автоматического выделения подозрительных областей. Методология исследования предполагала реальное применение технологии в условиях высокой нагрузки, что позволяет оценить не только диагностическую чувствительность и специфичность, но и влияние на время обработки снимков и общую рабочую нагрузку персонала. Ключевые результаты демонстрируют статистически значимое улучшение показателей диагностики при использовании ИИ, включая снижение частоты ложноотрицательных заключений и повышение скорости принятия решений врачами. Исследование подтверждает практическую значимость интеграции глубокого обучения в рабочие процессы отделений неотложной помощи, показывая, что ИИ-ассистенты могут служить эффективным инструментом поддержки принятия клинических решений. Полученные данные имеют важное значение для разработки стандартов внедрения ИИ-систем в экстренную медицину и могут служить основой для масштабирования подобных технологий в других медицинских учреждениях.

В данном дайджесте освещены ключевые события на стыке искусственного интеллекта и медицины за неделю с 26 октября по 1 ноября 2026 года. Одним из главных инцидентов стало судебное разбирательство против OpenAI: истцы утверждают, что алгоритм ChatGPT по неосторожности причинил смерть женщине с эпилепсией, рекомендовав отмену жизненно важного препарата. Этот случай подчеркивает критические риски внедрения генеративных ИИ-моделей в клиническую практику без должного контроля. С другой стороны, компания Boehringer Ingelheim совместно с Microsoft начала работу над созданием цифровых двойников пациентов, что направлено на оптимизацию и ускорение клинических исследований. В образовательном секторе Саратовский и Башкирский государственные медицинские университеты открыли IT-программы Сеченовского университета и «Школы 21», готовя кадры для цифровой трансформации здравоохранения. Также отмечено применение языковых моделей в носимых сенсорных сетях: интеграция NLP улучшила персонализацию диетических рекомендаций на 7,8%. Дополнительно исследуется влияние ИИ на потребительское поведение: выявлено, что алгоритмы рекомендуют конкретные фармацевтические бренды в 75% ответов пользователям, что ставит вопросы о влиянии коммерческих интересов на медицинские рекомендации.

В статье представлена новая методология создания интерпретируемых векторных представлений (эмбеддингов) медицинских концепций, которая интегрирует экспертные знания в процесс обучения с помощью больших языковых моделей (LLM). Авторы подчеркивают критическую важность интерпретируемости в медицинских ИИ-системах, так как «черный ящик» недопустим в клинической практике, где каждое решение должно быть обосновано. Исследование фокусируется на том, как LLM могут не только генерировать семантические векторы, но и обеспечивать прозрачность связей между медицинскими терминами, опираясь на структурированные базы знаний и экспертные правила. Методология предполагает использование LLM для извлечения контекстуальных зависимостей и их согласования с онтологиями, что позволяет создавать эмбеддинги, сохраняющие как семантическую глубину, так и логическую строгость. Ключевые результаты демонстрируют значительное улучшение качества классификации медицинских текстов и извлечения сущностей по сравнению с традиционными методами, такими как Word2Vec или стандартные BERT-модели, обученные только на общих корпусах. Значимость работы заключается в создании инструмента, который снижает риск галлюцинаций ИИ и повышает доверие врачей к автоматизированным системам поддержки принятия решений. Это исследование закладывает фундамент для более надежного внедрения NLP-технологий в электронные медицинские карты и клинические протоколы.

Исследование предлагает подход на основе машинного обучения для прогнозирования риска панических атак на неделю вперёд с использованием данных о сне, активности и физиологии, собранных с помощью умных колец Oura. Персонализированные модели логистической регрессии показали значимое превосходство над обобщёнными моделями и случайным предсказанием, что указывает на потенциал пассивного мониторинга для своевременных профилактических вмешательств.

В исследовании разработан и валидирован ИИ-система поддержки принятия решений на основе моделей Random Forest для прогнозирования ответа на биологическую терапию у пациентов с тяжелым течением астмы. Модель улучшила специфичность и точность предсказаний, а также позволила симулировать альтернативные стратегии лечения для выявления фенотипов неответчиков.

Статья представляет систему CB-GFL, объединяющую федеративное обучение (FL) с учетом углеродного следа и блокчейн-аудитом для защиты данных и устойчивости в здравоохранении. Модель использует ансамбль алгоритмов (LightGBM, XGBoost) и достигает высокой точности (AUC 0.91) на медицинских данных, обеспечивая при этом 100% соблюдение углеродного бюджета.

В статье представлен структурированный обзор методов глубокого обучения (сверточные нейросети, Vision Transformers, U-Net) для автоматической сегментации и классификации кожных поражений. Авторы анализируют полный цикл разработки от предобработки данных до клинического внедрения, выделяя ключевые проблемы, такие как смещение доменов, неравенство классов и вопросы объяснимости ИИ.

В статье представлен систематический обзор литературы по применению глубокого обучения для анализа МРТ опухолей головного мозга, с акцентом на интеграцию объяснимого ИИ (XAI) и федеративного обучения (FL). Исследование выявляет сдвиг в сторону интерпретируемости моделей, но отмечает пробелы в области приватного совместного обучения и проблемы с обобщением и вычислительной сложностью современных архитектур.

В исследовании представлен метод глубокого обучения (CNN–BiLSTM с механизмом внимания) для автоматической классификации стадий болезни Альцгеймера по МРТ-снимкам. Модель достигла точности 95,94% на тестовой выборке из 6400 срезов, эффективно решая проблему дисбаланса классов и обеспечивая высокую чувствительность к ранним стадиям заболевания.

В статье представлен систематический обзор 169 исследований ИИ и машинного обучения для хронической болезни почек (ХБП), выявляющий разрыв между ретроспективной классификацией и настоящим прогнозированием будущих исходов. Анализ показал, что большинство работ страдают от высокого риска смещения и недостаточной валидации, что указывает на необходимость улучшения методологии для клинического внедрения.

Авторы разработали и валидировали модель машинного обучения для неинвазивного предсказания периневрального инвазии (PNI) при раке поджелудочной железы на основе признаков гетерогенности опухоли из мультипоследовательной МРТ. Комбинированная модель, объединяющая клинические данные и радиомические признаки, продемонстрировала высокую точность (AUC до 0.907) во внутренних и внешних тестовых выборках, превосходя стандартные клинические модели.

Исследование применяет объяснимый искусственный интеллект (XAI) и машинное обучение для анализа данных экспрессии микроРНК в сыворотке крови с целью выявления биомаркеров ранней диагностики рака поджелудочной железы. Модель достигла высокой точности (AUC 0.97), а методы интерпретируемости позволили выделить ключевые микроРНК, связанные с онкогенными путями.

В статье представлен новый метод глубокого обучения CAFM v4, объединяющий три архитектуры нейронных сетей (ConvNeXt V2, Swin-Base, EfficientFormerV2) для точной классификации опухолей головного мозга на МРТ-снимках. Модель продемонстрировала высокую точность (до 99.78%) на пяти публичных наборах данных, однако авторы отмечают необходимость внешней валидации для перехода к клиническому применению.

В статье представлен обзор роли публичных наборов данных маммографии в разработке и клинической валидации ИИ-моделей для обнаружения рака молочной железы. Авторы анализируют ключевые характеристики этих наборов (размер, качество аннотаций, демографическое разнообразие) и подчеркивают, что качество и репрезентативность данных критически важны для обобщаемости моделей от традиционного машинного обучения до современных трансформеров.

Авторы предлагают метод глубокого обучения CFT-Triplet для точного обнаружения легочных щелей на КТ-снимках, что критически важно для лечения ХОБЛ и эмфиземы. Метод объединяет контекстуальные, частотные и текстурные признаки с использованием архитектуры Mamba2 и CNN, превосходя существующие подходы на собственном наборе данных.

В статье представлен систематический обзор математических фундаментов, лежащих в основе ИИ в медицине, включая линейную алгебру, оптимизацию и теорию вероятностей. Исследование охватывает методы объяснимого ИИ, байесовские подходы и современные архитектуры, такие как графовые нейронные сети и трансформеры, применяемые в радиологии и диагностике.