Поиск

Статья описывает подход Mass General Brigham к внедрению ИИ-инструментов в медицинскую практику с акцентом на доказательства и реальное влияние. Система использует Microsoft Copilot для помощи клиницистам и создала безопасный доступ к большим языковым моделям, включая ИИ-агента для автоматического суммирования медицинских записей пациентов перед визитом.

Исследователи представили ClumPyCells — новый статистический фреймворк для анализа пространственной организации клеток в тканях с коррекцией на морфологические различия. Ключевая проблема, которую решает инструмент: различия в размерах клеток вводят значительные смещения при количественной оценке агрегации клеток или их молекулярных признаков, что может приводить к ошибочным интерпретациям данных пространственной транскриптомики и протеомики. Методология включает алгоритмы, позволяющие измерять агрегацию клеток и маркеров в ткани, одновременно корректируя влияние размера морфологии и исключая мешающие типы клеток или не связанные с исследованием области ткани. Валидация проводилась на нескольких типах опухолей, включая меланому и колоректальный рак, демонстрируя способность инструмента выявлять новые паттерны и структуры ткани без морфологических помех. Это имеет практическое значение для онкологических исследований, где точное понимание пространственной организации клеток критично для понимания развития опухоли, гомеостаза и патогенеза заболеваний. Инструмент позволяет исследователям интерпретировать пространственную агрегацию, обходя помехи от интерферирующих типов клеток.

Компания Viz.ai представила новый инструмент Viz Agent Studio, который позволяет организациям переводить клинические руководства в рабочие процессы и масштабировать их по всей системе здравоохранения с использованием естественного языка. Технология использует искусственный интеллект для автоматизации процесса трансформации клинических протоколов в цифровые алгоритмы, что упрощает внедрение стандартизированных медицинских практик. Инструмент предназначен для больниц и медицинских сетей, стремящихся унифицировать подходы к лечению и повысить эффективность клинических решений. Функция масштабирования «across the enterprise» указывает на возможность развертывания решения в крупных медицинских системах с множеством подразделений. Использование естественного языка для взаимодействия снижает барьер входа для медицинских специалистов, не обладающих техническими навыками программирования. Это решение относится к категории клинических систем поддержки принятия решений (CDSS), которые становятся всё более востребованными в современной медицине для снижения врачебных ошибок и улучшения исходов лечения.

GraphHDBSCAN* — это новый алгоритм машинного обучения для кластеризации данных одноячеистого секвенирования РНК (scRNA-seq), широко используемого в биомедицинских исследованиях для анализа клеточного разнообразия. Метод представляет собой иерархическое расширение HDBSCAN*, которое работает непосредственно с графовой структурой данных, устраняя необходимость в ручной настройке гиперпараметров. В отличие от существующих подходов, фокусирующихся на плоских кластерах, GraphHDBSCAN* сохраняет иерархическую организацию клеток, выявляя как широкие типы клеток, так и их специализированные подтипы. Исследователи протестировали метод на множестве наборов данных scRNA-seq и продемонстрировали, что алгоритм восстанавливает биологически значимые иерархии, включая тонкую структуру субпопуляций моноцитов. Метод обеспечивает высококачественные плоские кластеризации, превосходящие широко используемые методы обнаружения сообществ. GraphHDBSCAN* особенно важен для онкологических исследований, иммунологии и разработки персонализированных терапий, где точное определение клеточных популяций критично для понимания механизмов заболеваний и оценки ответа на лечение.

Исследование представляет FoundedPBI — ансамблевый подход глубокого обучения для предсказания взаимодействий бактериофагов с бактериями на основе ДНК-последовательностей. Методология использует ансамбль из трёх современных ДНК-языковых моделей (Nucleotide Transformer v2, DNABERT-2, MegaDNA), обученных на прокариотических и бактериофаговых геномах, с агрегацией выходов в единый мета-эмбеддинг и последующей классификацией нейросетью. Ключевые результаты: на бенчмарке PredPHI модель достигла F1-оценки 76%, превзойдя текущий state-of-the-art PBIP на 7%, а на внутреннем наборе данных CI4CB — 93% F1-оценка, улучшив предыдущие методы на 4%. Особый вклад — адаптация стратегий агрегации контекста NLP для обработки целых бактериальных и фаговых геномов до 5 млн пар оснований, что в 50-100 раз превышает контекстные окна фундаментальных моделей (12-96K bp). Это критически важно для ускорения открытия пар фаг-бактерия, необходимых для фаговой терапии как альтернативы антибиотикам. Практическая значимость: метод снижает трудоёмкость экспериментального скрининга, позволяя предсказывать совместимость пар по ДНК-последовательностям без лабораторных тестов, что может революционизировать разработку персонализированных фаговых препаратов.

Компания Insilico Medicine, специализирующаяся на разработке лекарств с использованием искусственного интеллекта, подписала коммерческое соглашение с фармацевтическим гигантом Eli Lilly. Сделка предусматривает первоначальный платеж в размере $115 миллионов и потенциальные дополнительные выплаты до $2,75 миллиарда в зависимости от достижения различных этапов разработки и коммерциализации. Это соглашение представляет собой одну из крупнейших сделок в области ИИ-фармацевтики и демонстрирует коммерческую валидацию технологий искусственного интеллекта в процессе открытия и разработки новых лекарственных препаратов. Партнёрство позволяет Lilly получить доступ к платформе Insilico для генерации новых молекул и ускорения доклинических исследований, что традиционно занимает годы. Успех такого сотрудничества подтверждает растущий интерес крупных фармацевтических компаний к интеграции машинного обучения в процессы drug discovery.

Исследование представляет scMagnifier — фреймворк консенсус-кластеризации для анализа данных одноядерного секвенирования РНК (scRNA-seq), который решает проблему выявления тонких подтипов клеток, чьи транскрипционные различия часто маскируются техническим шумом и разреженностью данных. Методология включает генерацию in silico возмущений кандидатных транскрипционных факторов (TF), распространение эффектов возмущений через кластер-специфичные сети регуляции генов (GRN) для симуляции профилей экспрессии после возмущения, и интеграцию результатов кластеризации across множественных возмущений в стабильные назначения подтипов. Дополнительно разработан rpcUMAP — визуализация, aware возмущений, обеспечивающая четкое разделение между подтипами клеток и помогающая выбрать оптимальное число кластеров. В бенчмарках как для single-batch, так и multi-batch данных scMagnifier последовательно улучшает разрешение и точность идентификации тонких типов клеток. При интеграции со методами пространственной кластеризации, такими как STAGATE, метод совместим с рабочими процессами пространственной транскриптомики и эффективно выявляет подтипы опухолевых клеток и их пространственную организацию в раке яичников. Это имеет значимость для персонализированной онкологии, позволяя точнее классифицировать опухолевые популяции для таргетной терапии.

Nextstrain — это онлайн-платформа для автоматизированного генетического надзора за 21 вирусом и бактериальным патогеном Mycobacterium tuberculosis, обеспечивающая непрерывное обновление данных в реальном времени. Система автоматически выполняет цепочку операций: получение и курирование открытых последовательностей генома, классификация по установленным номенклатурным системам, филодинамический анализ и публичная публикация результатов. Большинство анализов выполняются ежедневно, предоставляя актуальные снимки эволюции патогенов. Платформа использует исключительно открытые данные последовательностей, что делает её доступной для научного сообщества. Все исходные коды доступны на GitHub, результаты визуализации и скачивания — на nextstrain.org/pathogens, а открытые данные и метаданные размещены в отдельном каталоге файлов. Такой подход позволяет общественному здравоохранению получать почти мгновенную информацию об эволюционных и эпидемиологических динамических процессах, что критически важно для принятия своевременных и целенаправленных мер по контролю заболеваний. Платформа демонстрирует, как автоматизация и машинное обучение могут трансформировать эпидемиологический надзор и реагирование на вспышки инфекционных заболеваний.

Компания Tempus AI, лидер в области искусственного интеллекта и прецизионной медицины, объявила о стратегическом сотрудничестве с фармацевтической компанией Daiichi Sankyo (TSE: 4568). Партнёрство направлено на ускорение клинической разработки и дифференциации программы антитело-лекарственного конъюгата (ADC) в области онкологии. Ключевым элементом сотрудничества является использование ИИ-технологий для открытия биомаркеров, что позволяет более точно идентифицировать пациентов, которые могут получить максимальную пользу от терапии. ADC-программы представляют собой перспективное направление в лечении рака, где антитело доставляет цитотоксический препарат непосредственно к раковым клеткам, минимизируя повреждение здоровых тканей. Применение алгоритмов машинного обучения для анализа биомаркеров позволяет оптимизировать дизайн клинических испытаний и повысить вероятность их успеха. Это сотрудничество демонстрирует растущую интеграцию ИИ в процесс разработки онкологических препаратов, особенно в области таргетной терапии. Успех такого подхода может привести к более персонализированному лечению и улучшению клинических исходов для пациентов с различными типами рака.

Комментарий о важности объяснимого искусственного интеллекта (XAI) в медицине для обеспечения справедливости в здравоохранении. Статья обсуждает проблему «чёрного ящика» в сложных моделях ИИ и аргументирует необходимость внедрения объяснимости, воспроизводимости и культурно-ориентированных подходов для борьбы с системными предубеждениями в медицинских алгоритмах.

Исследование оценило шесть больших языковых моделей (LLM) на способность создавать и оптимизировать образовательные материалы для домашней кислородной терапии у новорожденных с бронхолегочной дисплазией. Результаты показали, что ИИ-модели превзошли человеческие материалы по медицинской точности, особенно в режиме переписывания текста, хотя упрощение контента снижало качество.

Авторы представляют инструмент TEXLoS для анализа влияния амбулаторных услуг на длительность госпитализации, используя методы классификации трасс и обнаружения процессов. На реальных данных итальянской больницы достигнута точность 93% с подтверждённой интерпретируемостью результатов конечными пользователями.

Статья представляет собой личный опыт использования сервиса Doctronic — платформы телемедицины, позиционирующей себя как ИИ-врач первичной помощи. Автор описывает процесс поиска направления к физиотерапевту и решение попробовать этот сервис. Doctronic предлагает услуги телемедицины по цене 39 долларов, используя искусственный интеллект для первичной диагностики и консультирования. Статья, вероятно, содержит обзор функциональности платформы, включая возможности ИИ в сборе анамнеза, предварительной диагностике и направлении к специалистам. Ожидается, что материал раскрывает как технологические возможности системы, так и практические проблемы, с которыми сталкиваются пользователи при взаимодействии с ИИ-медицинскими сервисами. Статья представляет интерес для специалистов в области цифрового здравоохранения, изучающих внедрение ИИ в первичную медицинскую помощь и телемедицину.

Представлена GYDE — открытая веб-платформа для совместной работы, предназначенная для упрощения использования вычислительных инструментов в науке о белках и разработке лекарств. Платформа позволяет исследователям исследовать взаимосвязи между последовательностью, структурой и функцией белков через интуитивный визуальный интерфейс с интеграцией современных ИИ-моделей для предсказания структуры и дизайна белков и антител. GYDE поддерживает как работу с реальными экспериментальными данными, так и использование вычислительных инструментов, что делает её универсальным решением для биологов-экспериментаторов. Платформа использует Slivka compute API, что обеспечивает гибкое добавление новых инструментов и моделей без значительных технических барьеров. Ключевая особенность — возможность сохранения сессий для лёгкого обмена результатами между исследователями, что способствует развитию коллаборативного научного сообщества. GYDE бесплатно доступна для учёных из академических и промышленных организаций, позволяя им создавать кастомизированные платформы для аналитики разработки лекарств. Платформа решает критическую проблему — технический барьер для внедрения современных ML-моделей в лабораторную практику, ускоряя процесс открытия новых терапевтических кандидатов.

Leica Biosystems представила сканер для цифровой патологии с интегрированным ИИ-программным обеспечением для автоматического контроля качества. Система автоматически обнаруживает артефакты на слайдах и ускоряет процесс QC на 69%, что критично для онкологических исследований и диагностики.

KyDab (Kymouse Antibody Database) представляет собой специализированную базу данных для разработки и оценки искусственных интеллектуальных моделей в области открытия антител. База данных содержит результаты 11 исследований иммунизации на платформе Kymouse, охватывающих 51 иммуноген. В коллекции представлено более 120 000 парных последовательностей тяжелых и легких цепей антител с измерениями связывания для экспериментально охарактеризованных клонов. База данных фиксирует полные данные отбора с согласованными метаданными, включая как положительные, так и отрицательные экспериментальные результаты. Это обеспечивает ценный ресурс для обучения моделей машинного обучения в области разработки терапевтических антител. База данных доступна по адресу https://kydab.naturalantibody.com и будет постоянно обновляться новыми наборами данных.

CEO Penguin Ai Фавад Батт обсуждает состояние рынка медицинского ИИ на конференции HIMSS: рынок перенасыщен стартапами без технической дифференциации, улучшение ИИ-моделей может происходить за счет утечки данных из медицинских организаций, агентный ИИ эффективен для простых задач, но не справляется со сложными рабочими процессами.

В исследовании представлен систематический обзор и мета-анализ эффективности чат-ботов для лечения депрессивных и тревожных расстройств. Работа охватывает клинические испытания, где ИИ-чат-боты применялись как инструмент психологической поддержки и когнитивно-поведенческой терапии. Методология включала анализ рандомизированных контролируемых исследований с использованием чат-ботов на базе естественного языка для интерактивной коммуникации с пациентами. Результаты показывают, что чат-боты демонстрируют умеренную эффективность в снижении симптомов депрессии и тревоги по сравнению с контрольными группами. Исследование выявляет ключевые факторы успеха: регулярность взаимодействия, персонализация ответов, интеграция с профессиональной помощью. Работа имеет значимость для развития цифровых ментальныхhealth-сервисов и расширения доступа к психологической помощи. Ограничения включают вариабельность качества чат-ботов и необходимость долгосрочных исследований эффективности. Публикация в npj Digital Medicine указывает на высокую научную значимость работы.

Представлен метод PRIMED — машинное обучение, объединяющее представления трёх белковых языковых моделей (ESM-2, ESM-3, ESM-C) для предсказания участков связывания белков с ДНК. Модель показала высокую точность (AUC 0.92-0.93) на тестовых наборах данных, что важно для структурного моделирования, инженерии белков и разработки терапевтических средств.