Поиск

Статья представляет собой критический обзор перехода от узкоспециализированных моделей ИИ к фундаментальным моделям (foundation models) в сфере лечения диабета, охватывая такие области, как диагностика ретинопатии, прогнозирование уровня глюкозы и анализ электронных медицинских карт. Авторы выявляют серьезные пробелы в валидации, включая отсутствие проспективных испытаний и проблемы с калибровкой моделей, а также анализируют риски безопасности, такие как галлюцинации LLM и алгоритмическая несправедливость.

Исследование применяет алгоритмы машинного обучения (в частности, случайный лес) для прогнозирования тромбоза глубоких вен у пациентов после операции на бедре. Модель показала высокую точность (AUC до 0.859), однако добавление признаков традиционной китайской медицины не улучшило дискриминацию, тогда как индекс TyG остался значимым предиктором.

В статье представлена система CryoPilot, использующая два агента на основе языковых моделей для автоматизации процесса определения структуры белков методом крио-электронной микроскопии (крио-ЭМ). Первый агент самостоятельно обрабатывает данные от сырых микрографов до трехмерной реконструкции, оценивая промежуточные результаты и выбирая оптимальные параметры в CryoSPARC, что минимизирует необходимость ручного вмешательства. Второй агент отвечает за построение атомных моделей с помощью CryoZeta, проверяя их соответствие карте плотности и геометрию, а также устраняя несущественные участки. Исследование включало тестирование на девяти публичных наборах данных EMPIAR, где восемь реконструкций достигли разрешения от 2.61 до 3.51 Ангстрем. Для сложных случаев, таких как альфа-латрокрустотоксин, система смогла улучшить разрешение с 5.9 до 4.15 Ангстрем, предложив альтернативную стратегию выбора частиц. Разработанная архитектура обеспечивает адаптивность и полную аудируемость каждого решения, сохраняя историю всех изменений в базе данных сессий. Данный подход демонстрирует высокую эффективность в автоматизации сложных вычислительных конвейеров, характерных для структурной биологии.

В статье представлен новый фреймворк MMRL (Missense Mutation Representation Learning), который использует методы самообучения без учителя для анализа соматических миссенс-мутаций в онкологии. В отличие от традиционных подходов, сжимающих мутации в показатели TMB или сигнатуры, MMRL учитывает сложные контекстные зависимости, включая генную идентичность, триплетный контекст, патогенность по AlphaMissense и структурную информацию о белках. Модель обучалась на данных примерно 50 000 опухолевых образцов из различных типов рака, выявляя скрытые биологические структуры в ландшафтах мутаций. Ключевым результатом стало то, что эмбеддинги MMRL демонстрируют более высокую прогностическую дискриминацию по сравнению с TMB и остаются значимо связанными с общей выживаемостью даже после поправки на тип рака и возраст. Исследование также показало, что метод эффективен для прогнозирования ответа на терапию ингибиторами контрольных точек иммунитета. Кластерный анализ выявил девять новых подтипов мутаций с различными исходами и профилями сигнатур, что подтверждает клиническую значимость подхода. Использование механизмов внимания позволило выявить контекстно-зависимые паттерны, выходящие за рамки простой частоты мутаций. Разработанный метод открывает новые возможности для прецизионной онкологии, позволяя точнее стратифицировать пациентов и прогнозировать течение заболевания.

В статье представлен новый фреймворк LPT (Little Protein Tiger), который использует большие языковые модели (LLM) для автоматизированного de novo дизайна белковых биндеров на основе одного текстового запроса. В отличие от стандартных подходов, LPT применяет фиксированную оркестрацию этапов LLM с ограниченными агентными циклами, что позволяет минимизировать потребление токенов и вычислительных ресурсов. Для обеспечения специализированных знаний система интегрирована с курируемой базой данных, содержащей около 14 000 научных статей, обработанных в виде ключевых выводов. Эксперименты показали, что LLM с доступом к этой базе правильно ответила на 41 из 48 тестовых вопросов, в то время как модель без доступа дала нулевой результат. В ходе трех автономных кампаний по дизайну система успешно идентифицировала намерения, выбрала мишени (CALCRL/RAMP1, PD-1/PD-L1, PVR-TIGIT) и спроектировала кандидаты в биндеры. Кросс-валидация с использованием нескольких моделей фолдинга подтвердила высокую успешность in silico предсказаний при низких затратах вычислений. Этот подход демонстрирует эффективное применение ИИ для решения сложных задач структурной биологии и разработки терапевтических белков.

В статье представлено исследование HiFold-Mamba — новой архитектуры на основе обратного комплемента-эквивариантных блоков Mamba (state-space model), предназначенной для предсказания карт контактов 3D-генома по ДНК-последовательностям. Модель обрабатывает 1 048 576 пар оснований для генерации карт размером 448x448 пикселей с разрешением 2 048 п.н. Авторы проводят строгую статистическую проверку трех гипотез, сравнивая HiFold-Mamba с параметрно-сопоставленными базовыми моделями Akita (Transformer) и CNN. Ключевой инновацией является внедрение потерь на основе изоляции и границ доменов, вычисляемых непосредственно из предсказанной карты, что позволяет улучшить точность обнаружения границ (AUROC) и петель (AP) по независимым аннотациям 4DN и ENCODE CTCF ChIA-PET. Исследование использует предварительно зарегистрированный дизайн с парным бутстрэпом по 237 тестовым блокам длиной 1 Мб, что обеспечивает высокую статистическую мощность (≥90%) для обнаружения прироста точности SCC ≥0.02. Пилотные данные подтверждают эквивариантность сети и корректность бенчмарков, показав, что предсказанные карты эффективно восстанавливают независимые биологические аннотации. Результаты демонстрируют, что интеграция структурных ограничений генома в функцию потерь ИИ-модели существенно повышает биологическую интерпретируемость и точность предсказания пространственной организации хроматина.

В статье представлена методология ImmuneTwins — система создания «цифровых двойников» иммунной системы человека на основе искусственного интеллекта и моделей виртуальных клеток. В отличие от традиционных предикторов, использующих усреднённые данные по популяциям, данный подход персонализирует общую модель виртуальной клетки, обновляя её на основе каждого нового наблюдения за конкретным пациентом (single-cell profiles). Исследование показало высокую точность метода: в двух внешних популяциях ImmuneTwins снизил ошибку предсказания иммунного возраста на 32% и 42% по сравнению с лучшими существующими методами. При мониторинге реакции на повторную вакцинацию от гриппа алгоритм предсказал направление изменений в иммунных клетках на 35% точнее аналогов, а ошибка прогноза снизилась на 27% по мере накопления данных. Анализ также выявил, что иммунные клетки и белки плазмы восстанавливают около половины отклонения от индивидуальной референсной точки в течение 90 дней. Метод успешно локализовал ремоделирование В-клеток при исключительном долголетии и спрогнозировал индивидуальные траектории иммунного ответа у пациентов с миеломой во время лечения, что открывает новые возможности для персонализированной медицины.

В статье представлен метод PatHoST — вычислительный фреймворк, использующий слабоконтролируемое обучение для реконструкции пространственного распределения патогенов исключительно на основе транскриптомных данных ткани хозяина. Авторы создали экспериментальный бенчмарк с использованием пространственной транскриптомики, сфокусированной только на патогенах (Mycobacterium abscessus), чтобы оценить полноту их обнаружения и доказать, что традиционные методы двойного профилирования значительно теряют информацию о патогенах. Метод PatHoST использует данные о патогенах для генерации «серебряных стандартов» (приближенных меток) и обучает модель выявлять транскрипционные программы хозяина, предсказывающие присутствие инфекции. Исследование показало, что подход позволяет эффективно восстанавливать пространственные паттерны патогенов в независимых образцах тканей и выявлять локальные регуляторные реакции хозяина, которые не обнаруживаются при стандартном кластерном анализе. Валидация на данных пространственной транскриптомики легких пациентов с SARS-CoV-2 подтвердила обобщаемость метода для разных видов хозяев и классов патогенов. Это решение расширяет аналитические возможности двойной пространственной транскриптомики, позволяя извлекать скрытую информацию о патогенах даже при их слабом сигнале в смешанных образцах.

Компания Optellum интегрировала свое решение Virtual Nodule Clinic (VNC) с платформой RapidAI Enterprise. Решение включает ИИ для автоматического поиска легочных узелков в радиологических отчетах и оценки риска рака легких по КТ-снимкам, что помогает сократить потери пациентов при наблюдении. Это первое в мире ИИ-решение для стратификации риска рака легких на основе изображений, получившее одобрение FDA и возмещение средств Medicare.

Компания SimBioSys получила разрешение FDA на использование TumorSight Risk — программного обеспечения на базе пространственного ИИ, анализирующего данные МРТ, патологии и клинические показатели. Инструмент оценивает индивидуальный риск рецидива через 5 и 10 лет у пациенток с гормонозависимым HER2-негативным раком молочной железы I–IIIA стадии, помогая онкологам планировать лечение без дополнительных процедур.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен метод машинного обучения для прогнозирования персистирующей лихорадки у пациентов с онкологическими заболеваниями, проходящих курс антибиотикотерапии. Проблема раннего выявления неэффективности антибиотиков или развития вторичных инфекций критически важна в онкологии, так как длительная лихорадка может указывать на резистентность возбудителя или нейтропению. Авторы разработали и валидировали модель, использующую клинические данные пациентов для предсказания вероятности сохранения высокой температуры тела. Модель позволяет врачам своевременно корректировать терапию, снижая риск осложнений и продолжительность госпитализации. Исследование демонстрирует высокую точность алгоритма в ретроспективном анализе данных, что подтверждает его потенциал для внедрения в клиническую практику. Данный подход решает важную задачу персонализированной медицины, оптимизируя использование антибиотиков и улучшая исходы лечения для уязвимой группы пациентов с ослабленным иммунитетом.

В статье, опубликованной в журнале npj Digital Medicine 31 октября 2026 года, представлен фундаментальный анализ механизмов принятия решений медицинскими большими языковыми моделями (LLM). Исследование фокусируется на механистической интерпретируемости, позволяющей заглянуть «внутрь» нейросетей и понять, как именно модели формируют клинические выводы. Авторы изучают вариативность в рассуждениях ИИ, выявляя паттерны, которые могут приводить к ошибкам или непоследовательности в диагностике и рекомендациях. Методология включает декомпозицию вычислительных путей в моделях для идентификации конкретных нейронов и слоев, отвечающих за медицинские концепции. Результаты показывают, что вариативность часто связана с неустойчивостью активаций в ключевых слоях внимания, что критично для безопасности применения ИИ в клинической практике. Работа подчеркивает необходимость разработки методов стабилизации рассуждений LLM для повышения их надежности в реальных медицинских сценариях. Это исследование закладывает основу для создания более прозрачных и доверенных ИИ-систем, способных не только ставить диагнозы, но и объяснять логику своих решений врачам. Значимость работы заключается в переходе от «черного ящика» к объяснимому ИИ, что является ключевым барьером для внедрения технологий в клинические протоколы.

В исследовании, опубликованном в журнале npj Digital Medicine 8 октября 2026 года, представлена методика ранней диагностики эпилепсии на основе анализа электронных медицинских карт (ЭМК) с использованием больших языковых моделей (LLM). Авторы демонстрируют, что современные LLM способны эффективно извлекать скрытые паттерны и клинические признаки из неструктурированных текстовых данных пациентов, что позволяет выявлять заболевание на ранних стадиях, часто до появления классических судорожных приступов. Методология включает обработку естественного языка для парсинга врачебных записей, анамнеза и результатов обследований, с последующей классификацией риска развития эпилепсии. Ключевые результаты показывают высокую чувствительность и специфичность модели по сравнению с традиционными статистическими методами и экспертной оценкой врачей, что подтверждает практическую значимость подхода. Внедрение таких систем может существенно сократить время до начала лечения, улучшить прогноз для пациентов и снизить нагрузку на неврологические службы за счет автоматизации скрининга. Исследование открывает новые возможности для интеграции ИИ в рутинную клиническую практику, особенно в условиях нехватки узких специалистов.

В статье, опубликованной в журнале npj Artificial Intelligence 8 октября 2026 года, исследователи представляют новый методологический подход к оптимизации адаптивной терапии рака с использованием алгоритмов обучения с подкреплением (Reinforcement Learning, RL). Ключевой инновацией работы является концепция «Reinforcement Failing» (контролируемых сбоев RL), которая позволяет выявлять скрытые эмерджентные физические динамики в поведении опухолевых клеток при изменении дозировок препаратов. Традиционные методы оптимизации часто застревают в локальных оптимумах или игнорируют сложные нелинейные взаимодействия между опухолью, микроокружением и лекарственным давлением; предложенный подход использует анализ точек отказа агента RL для картирования фазовых переходов в системе. Исследование демонстрирует, что мониторинг сбоев в процессе обучения помогает идентифицировать критические пороги устойчивости опухоли, что позволяет разрабатывать более эффективные протоколы дозирования, предотвращающие развитие резистентности. Авторы показывают, что интеграция физических моделей динамики популяции клеток с RL-агентом значительно повышает точность предсказания ответа на терапию по сравнению со стандартными стратегиями непрерывного или прерывистого дозирования. Результаты указывают на то, что адаптивные стратегии, основанные на выявленных эмерджентных динамических паттернах, могут существенно замедлить прогрессирование заболевания и улучшить выживаемость пациентов в моделях in silico. Эта работа вносит важный вклад в область персонализированной онкологии, предлагая инструмент для перехода от статических схем лечения к динамически адаптируемым протоколам, управляемым данными. Методология открывает новые возможности для применения искусственного интеллекта в сложных биологических системах, где прямое моделирование всех переменных невозможно.

В статье представлен новый модуль внимания DDSA, интегрированный в архитектуру DenseNet для классификации пяти подтипов рака яичников по гистопатологическим изображениям. Модель достигла точности 92,53% и высокого F1-счета, демонстрируя способность выделять дискриминативные области опухоли и улучшать интерпретируемость диагностики.

В статье представлена новая архитектура GLHF-Net для автоматической классификации кожных поражений, объединяющая дерматоскопические изображения и клинические метаданные. Модель использует механизм динамического мультимодального слияния и регуляризацию низкого ранга для повышения точности и интерпретируемости диагностики меланомы на наборе данных HAM10000.

Проведено аудирование трех популярных ИИ-платформ для оценки симптомов (Ada Health, Isabel Healthcare, Docus AI) на предмет секс-предвзятости. Исследование показало, что алгоритмы выдают различные диагнозы и рекомендации для мужчин и женщин при идентичных клинических сценариях, включая внутренние противоречия в объяснениях. Результаты подчеркивают необходимость этического аудита таких систем перед их внедрением в медицинскую практику.

В статье рассматривается применение моделей на архитектуре Transformer в кардиологии для анализа ЭКГ, медицинских изображений и электронных карт. Авторы критически оценивают трансляционные ограничения, такие как качество данных и валидация, и определяют приоритеты для внедрения ответственного ИИ в клиническую практику.

В статье представлен систематический обзор и метаанализ, посвященный применению методов искусственного интеллекта и машинного обучения для диагностики синдрома дефицита внимания и гиперактивности (СДВГ). Исследование анализирует эффективность различных алгоритмов ИИ при работе с разнородными медицинскими данными, включая нейровизуализацию, поведенческие метрики и клинические анкеты. Авторы оценивают точность, чувствительность и специфичность моделей, демонстрирующих способность отличать пациентов с СДВГ от здоровых контрольных групп. Метаанализ выявляет ключевые тенденции в использовании глубокого обучения для выявления биомаркеров расстройства, что позволяет преодолеть субъективность традиционных клинических оценок. Результаты показывают, что интеграция мультимодальных данных с помощью ИИ значительно повышает диагностическую точность по сравнению с изолированным использованием одного типа данных. Работа подчеркивает важность валидации моделей на независимых выборках и необходимость стандартизации подходов к сбору данных для обеспечения воспроизводимости результатов. Данное исследование имеет высокую значимость для развития персонализированной медицины и создания объективных инструментов скрининга СДВГ, особенно в педиатрической практике. Выводы статьи указывают на перспективность ИИ-технологий как вспомогательного средства для врачей, хотя и отмечают текущие ограничения в интерпретируемости моделей и их клинической интеграции.