МРТ

В исследовании, опубликованном в npj Digital Medicine 7 сентября 2026 года, представлена мультимодальная модель искусственного интеллекта для прогнозирования риска рецидива менингиомы после радиотерапии. Модель объединяет перитуморальные МРТ-изображения (область вокруг опухоли) с клиническими данными пациентов, что позволяет более точно стратифицировать пациентов по группам риска по сравнению с традиционными подходами. Авторы использовали методы глубокого обучения для анализа радиомических признаков перитуморальной зоны, которые отражают микроинвазию и биологическое поведение опухоли, недоступные при стандартной оценке только самой опухоли. Валидация модели проводилась на ретроспективных когортах пациентов с менингиомой, получавших лучевую терапию, с оценкой дискриминационной способности через AUC (площадь под ROC-кривой). Результаты показали значительное улучшение точности прогноза рецидива по сравнению с моделями, использующими только клинические параметры или только внутриопухолевые МРТ-признаки. Интеграция перитуморальных радиомических характеристик позволила выявить скрытые паттерны, связанные с агрессивностью опухоли, что может помочь в персонализации адъювантной терапии и выборе тактики наблюдения. Работа подчеркивает потенциал мультимодального ИИ в нейроонкологии для улучшения стратификации риска и принятия клинических решений, однако требует проспективной валидации перед внедрением в рутинную практику.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из Эдинбургского университета провели сравнительный анализ стратегий обучения моделей глубокого обучения для автоматической сегментации гиперинтенсивностей белого вещества (WMH) и инсультных поражений на FLAIR-МРТ изображениях. Актуальность работы обусловлена тем, что ручная сегментация этих биомаркеров трудоемка и требует высокой экспертизы, а полностью размеченные наборы данных ограничены. Авторы (Jesse Phitidis, Alison Q. Smithard, William N. Whiteley, Joanna M. Wardlaw, Miguel O. Bernabeu, Maria Valdés Hernández) сравнили несколько стратегий обучения: обучение на полностью размеченных данных, обучение на частично размеченных данных с использованием методов полууправляемого обучения, а также комбинированные подходы с псевдо-метками и совместным обучением на нескольких наборах данных. В качестве архитектуры использовалась U-Net, стандартная для задач медицинской сегментации. Ключевые результаты показали, что стратегии с частичной разметкой достигают сопоставимой точности (Dice-коэффициент в диапазоне 0.78–0.85 для WMH и 0.65–0.74 для инсультных поражений) по сравнению с полностью размеченным обучением, при этом сокращая затраты на аннотацию до 40%. Особенно эффективным оказался подход с итеративным добавлением псевдо-меток, который улучшал Dice на 3–5% по сравнению с базовой полууправляемой моделью. Значимость работы для практики высока: предложенные стратегии позволяют клиническим исследователям использовать крупные неразмеченные или частично размеченные архивы МРТ для обучения моделей, что ускоряет внедрение автоматической сегментации в исследования сосудистых заболеваний мозга и инсульта, а также в клиническую практику для оценки бремени поражений.

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.

В статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Группа ученых из ведущих китайских институтов (Фуданьский университет, Шанхайский университет Цзяотун и др.) разработала инновационную модель искусственного интеллекта для классификации большого депрессивного расстройства (БДР). Используя данные функциональной магнитно-резонансной томографии (фМРТ), алгоритм способен выделять два distinct биологических подтипа заболевания, которые ранее было сложно дифференцировать клинически. Исследование, опубликованное в журнале Digital Medicine, демонстрирует потенциал перехода от симптоматического подхода к биологически обоснованному лечению психических расстройств. Ключевая ценность разработки заключается в возможности прогнозирования вероятности ответа пациента на терапию еще до начала лечения. Внедрение данной модели в клиническую практику позволит врачам осуществлять персонализированный подбор медикаментозного и психотерапевтического вмешательства, минимизируя метод проб и ошибок. Это открывает новые горизонты в области прецизионной психиатрии и цифровой диагностики.

Компании продлевают партнерство для поддержки второй фазы клинических испытаний MagSense — нового класса МРТ-агентов на основе магнитных наночастиц для диагностики рака молочной железы. Технология направлена на повышение точности молекулярной визуализации, что в будущем заложит основу для разработки инструментов ИИ для интерпретации диагностических изображений.

Представлена инновационная мультиагентная платформа SpineAgent, предназначенная для автоматизированной генерации медицинских заключений по МРТ позвоночника. В основе системы лежит мультипоследовательная базовая модель, обученная на колоссальном массиве данных: 32 047 пациентах, 453 683 сериях МРТ и более 13,4 миллионах срезов. Методология включает предварительное обучение двух кодировщиков на базе DINOv3 для T1- и T2-взвешенных последовательностей с последующим использованием стратегии непрерывного обучения для синтеза единых эмбеддингов пациента. SpineAgent демонстрирует превосходство над существующими методами, показывая улучшение среднего показателя AUROC на 10,8% в 17 задачах прогнозирования патологий позвоночника. Система не только классифицирует заболевания, но и локализует патологические области, а также поддерживает мультимодальный поиск изображений и отчетов. Архитектура включает 37 специализированных агентов, чьи результаты интегрируются в медицинский агент для формирования структурированного и интерпретируемого отчета. Экспертная оценка пятью рентгенологами подтвердила лидирующую эффективность системы в задачах генерации клинически обоснованных описаний.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная архитектура нейросети, сочетающая диффузионные модели шумоподавления и генеративно-состязательные сети (GAN) для прогнозирования развития болезни Альцгеймера. Основная методологическая особенность заключается в использовании механизма сохранения идентичности пациента, что позволяет модели генерировать высокоточные прогностические снимки МРТ, соответствующие индивидуальной анатомической структуре конкретного человека. Исследователи применили подход Identity-Preserved Denoising Diffusion GAN (IP-DDGAN) для моделирования долгосрочных изменений в тканях головного мозга. Результаты демонстрируют значительное превосходство предложенного метода над традиционными методами прогнозирования по метрикам структурной точности и визуального правдоподобия. Данная технология позволяет врачам визуализировать будущие стадии дегенерации мозга, что критически важно для раннего планирования терапии и оценки эффективности лекарственных препаратов. Практическая значимость работы заключается в возможности персонализированного мониторинга пациентов на ранних стадиях нейродегенерации.

Данный систематический обзор посвящен комплексному анализу применения технологий искусственного интеллекта и машинного обучения в задачах нейроонкологии. Авторы исследуют современные подходы к сегментации, классификации и детекции опухолей головного мозга на основе данных мультимодальной МРТ. В работе систематизированы различные архитектуры нейронных сетей, включая сверточные нейронные сети (CNN) и трансформеры, которые демонстрируют высокую точность в автоматизации диагностики. Исследование охватывает методологии обработки медицинских изображений, позволяющие снизить нагрузку на радиологов и минимизировать человеческий фактор при определении границ новообразований. Особое внимание уделяется анализу эффективности алгоритмов в задачах дифференциальной диагностики различных типов глиом. Результаты обзора подчеркивают критическую значимость внедрения ИИ-решений для повышения точности планирования хирургических вмешательств и лучевой терапии. Работа представляет высокую ценность для специалистов в области радиологии и разработчиков медицинского программного обеспечения.

Исследование посвящено критической проблеме воспроизводимости фенотипов изображений, извлеченных из МРТ головного мозга с помощью методов глубокого обучения без учителя (unsupervised deep learning). Авторы проверяли стабильность полученных признаков при различных условиях: изменении случайных seed-параметров, разделении данных при кросс-валидации и использовании независимых когорт (UK Biobank и ADNI). В работе сравнивались архитектуры сверточных нейросетей (CNN) и трансформеров (ViT). Результаты показали высокую стабильность представлений ViT: средний показатель CKA составил 0.74 против 0.27 у случайных моделей, а KCCA — 0.84 против 0.60. Важным достижением стало подтверждение биологической значимости: коэффициент перекрытия генетических локусов (loci overlap ratio) для ViT составил 0.45, что значительно выше 0.08 у необученных моделей (p < 0.001). Исследование доказывает, что такие фенотипы (UDIPs) надежно отражают биологическую структуру мозга, а не артефакты обучения, что делает их перспективным инструментом для исследований в области нейрогенетики.

В исследовании представлен инновационный фреймворк двухпотокового сжатия для 16-битных медицинских изображений, предназначенный для сохранения тонких вариаций интенсивности, критически важных для клинической интерпретации. Авторы предложили раздельное моделирование наиболее значимых битов (MSB) и наименее значимых битов (LSB): структурный поток MSB кодируется методом JPEG со стратегией пропуска дублирующихся сегментов (DSS), а поток деталей LSB сжимается с помощью методов глубокого обучения. Эксперименты на четырех наборах данных МРТ и КТ показали, что предложенный метод превосходит традиционные и современные нейросетевые кодеки, обеспечивая минимальную скорость передачи битов при сохранении высокой точности реконструкции. Важным аспектом является сохранение локальных профилей интенсивности и консистентности при последующей сегментации изображений. Кроме того, авторы продемонстрировали возможность интеграции сжатых битовых потоков в ДНК-кодирование для создания последовательностей с благоприятными биохимическими свойствами, что открывает новые горизонты в долгосрочном хранении медицинских данных.

Компания Philips представила новую систему МРТ 3.0Т Titanion, которая сочетает сверхвысокую градиентную производительность с рабочими процессами на базе ИИ. Устройство предназначено для создания количественных биомаркеров и глубокого анализа микроструктуры тканей, что особенно важно для неврологии и онкологии.

GE HealthCare представила новые разработки в области МРТ, включая технологию ускорения Sonic DL на основе глубокого обучения и экосистему SIGNA One. Эти инновации направлены на сокращение времени сканирования, повышение качества изображений и оптимизацию рабочих процессов в клинических и исследовательских целях.

В данной научной работе, опубликованной в журнале npj Digital Medicine, представлен инновационный подход к использованию мультизадачного глубокого обучения (Multi-task deep learning) для автоматизации анализа нейровизуализационных данных. Исследование направлено на решение сложной задачи одновременного обнаружения и дифференциальной диагностики глиом и метастазов головного мозга на основе МРТ-снимков. Методология базируется на архитектуре нейронных сетей, способных обучаться нескольким задачам параллельно, что позволяет модели лучше улавливать общие признаки патологий и разделять специфические характеристики различных типов опухолей. Ключевым результатом является повышение точности сегментации и классификации новообразований по сравнению с традиционными однозадачными моделями. Разработанный алгоритм демонстрирует высокую чувствительность и специфичность, что критически важно для клинической практики. Внедрение подобных систем ИИ может существенно ускорить процесс постановки диагноза, снизить нагрузку на радиологов и минимизировать риск человеческой ошибки при интерпретации сложных снимков головного мозга.

В статье представлен систематический обзор применения глубокого обучения для диагностики болезни Альцгеймера с использованием МРТ и мультимодальных данных. Авторы анализируют архитектуры нейросетей, эффективность классификации стадий заболевания и подчеркивают важность интеграции различных типов данных для повышения точности диагностики.

В исследовании представлена инновационная двухэтапная архитектура для автоматической сегментации восьми сегментов печени по системе Куино на основе КТ и МРТ-изображений. Авторы решают критическую проблему: традиционные алгоритмы, обученные на здоровых органах, теряют точность при работе с гепатоцеллюлярной карциномой (ГЦК) из-за патологических деформаций структуры. Предложенный метод объединяет легкую нейросеть 3D UNet для изоляции объема печени и 3D графовую сверточную сеть (3D GCN) для анализа сложных анатомических связей. Для обеспечения топологической согласованности применяется стандартизированный пайплайн предобработки, нормализующий объем печени до 50 кадров по оси Z. В ходе слепого тестирования на новых клинических наборах данных модель показала высокую точность с коэффициентом Dice (mean Dice score) на уровне 0,828. Разработка имеет высокую практическую значимость, так как позволяет врачам быстро локализовать подозрительные узлы и опухоли в конкретных сегментах, а авторы предоставляют открытый доступ к коду и предобученным весам.

Компания Esaote представила систему I-Genius — открытый МРТ-сканер, оптимизированный для использования непосредственно во время операций по удалению глиом. Устройство позволяет проводить многократные сканирования без перемещения пациента, обеспечивая хирургов точными данными в реальном времени для более качественного удаления опухоли.

Крупнейший поставщик услуг визуализации SimonMed внедряет ИИ-решение SwiftMR от AIRS Medical во всей своей сети. Технология позволяет повысить качество МРТ-снимков, сократить время сканирования и оптимизировать рабочие процессы на оборудовании различных производителей.