глубокое обучение

Исследование, опубликованное в npj Digital Medicine 8 сентября 2026 года, посвящено проблеме рецидивов фибрилляции предсердий (ФП) после катетерной аблации. У 20-30% пациентов с персистирующей ФП аритмия возвращается из-за триггеров, расположенных вне легочных вен, которые сложно обнаружить стандартными методами. Авторы разработали подход, сочетающий цифровые двойники сердца и модели глубокого обучения для неинвазивного выявления таких триггеров. Методология включала создание персонализированных электромеханических моделей предсердий на основе данных МРТ и электрокардиограмм пациентов, после чего симулировали активацию в различных точках для генерации обучающего набора данных. Сверточная нейронная сеть обучалась на синтетических картах активации для классификации локализации триггеров. В валидации на клинических данных 47 пациентов модель достигла точности 89% в определении наличия непульмональных триггеров и 82% в их локализации. Предложенный метод может улучшить планирование аблации, сократить время процедуры и повысить долгосрочную эффективность лечения, открывая путь к персонализированной терапии ФП.

В исследовании, опубликованном в npj Digital Medicine 8 сентября 2026 года, представлена модель искусственного интеллекта для оценки уязвимости атеросклеротических бляшек сонных артерий по данным ультразвукового исследования в B-режиме. Целью работы было улучшение стратификации риска цереброваскулярных событий (инсультов и транзиторных ишемических атак) у пациентов с каротидным атеросклерозом. Авторы разработали и валидировали алгоритм глубокого обучения на многоцентровой когорте пациентов, используя аннотированные изображения B-режима ультразвука для автоматического определения признаков уязвимости бляшки, таких как гетерогенная эхогенность, изъязвление поверхности и наличие гипоэхогенных зон. Модель продемонстрировала высокую прогностическую точность в идентификации пациентов с высоким риском цереброваскулярных событий, превосходя традиционные клинические и ультразвуковые критерии. Результаты показывают, что ИИ-анализ стандартных ультразвуковых изображений может служить неинвазивным и доступным инструментом для скрининга и раннего выявления пациентов, нуждающихся в более агрессивной профилактической терапии. Исследование подчеркивает потенциал ИИ в повышении точности диагностики и персонализации лечения сердечно-сосудистых заболеваний в рутинной клинической практике.

В статье представлена новая модель PI-HGRU (physics-informed hybrid gated recurrent unit) для прогнозирования распространения пирикуляриоза (рисового грибка) в пространстве и времени. Модель сочетает дифференциальные уравнения, описывающие динамику передачи болезни, с гибридной архитектурой на основе гейтированных рекуррентных блоков (GRU), что позволяет объединить механистические знания эпидемиологии с обучением на данных. Для обучения и оценки использован многолетний набор данных (2000–2016 гг.) по 16 крупным рисоводческим провинциям Южного Китая, включающий полевые наблюдения, данные дистанционного зондирования, метеорологические и почвенные характеристики. Для обработки нерегулярных интервалов наблюдений и разной длины временных рядов применён подход со скользящим временным окном, а также проведён анализ чувствительности для выбора оптимальных параметров окна и задержки. Результаты показали, что PI-HGRU значительно превосходит чисто data-driven модель HGRU: коэффициент корреляции r² улучшен на 22,8%, а RMSE и MAE снижены на 10,2% и 18,0% соответственно. Анализ промежуточных переменных выявил интерпретируемую связь между скоростью передачи β(t) и условиями окружающей среды, что подтверждает способность модели объяснять механизмы распространения болезни. Работа демонстрирует, что интеграция эпидемиологических механизмов в глубокое обучение повышает точность, стабильность и интерпретируемость прогнозов, что важно для крупномасштабного мониторинга и точного управления болезнями сельскохозяйственных культур.

В статье представлен ReTIF (Relation-enhanced Task-specific Interaction Framework) — новая мультизадачная модель глубокого обучения для открытия лекарств, нацеленных на РНК. Модель одновременно решает две задачи: прогнозирование взаимодействий РНК-соединений (DTI) и локализацию сайтов связывания на нуклеотидном уровне. Ключевое новшество — раздельные представления взаимодействий для каждой задачи, в отличие от существующих подходов, использующих общие кросс-модальные представления. ReTIF интегрирует эмбеддинги из четырех предобученных моделей: RNA-FM, StructRFM, Mole-BERT и MolFormer. Ветвь DTI агрегирует глобальную совместимость, а ветвь локализации сохраняет нуклеотидное разрешение и усиливает локальные признаки через графовую пропагацию с учетом структурных и топологических приоритетов. Асимметричный сигнал совместимости из DTI-ветви обеспечивает глобальный контекст для локализации, не размывая локальные сигналы. В экспериментах на пятикратной кросс-валидации с четырьмя типами сдвигов (невидимые пары, РНК, соединения, совместные) и 13 базовыми моделями ReTIF показал наилучшие средние результаты в 13 из 16 комбинаций сценарий-метрика, включая AUPR для локализации сайтов во всех четырех настройках. Это подтверждает эффективность раздельных представлений для мультизадачного прогнозирования в области РНК-таргетной терапии.

В статье представлен PredIDR3 — обновлённая версия метода предсказания внутренне неупорядоченных областей (IDR) белков, основанная на глубоких свёрточных нейронных сетях. Метод был разработан для участия в международном соревновании CAID3 (Critical Assessment of protein Intrinsic Disorder) и показал значительное улучшение по сравнению с предыдущей версией PredIDR2. На тестовом наборе Disorder-PDB из CAID3 PredIDR3 достиг AUC_ROC = 0.953, тогда как PredIDR2 — 0.936. Авторы связывают улучшение с двумя ключевыми нововведениями: новой схемой кодирования выходных данных, которая впервые позволила использовать скользящее окно размером 91 аминокислотный остаток, и расширением обучающей выборки за счёт включения негативных примеров (не-IDR) из баз данных PDB и DisProt. Это позволило модели использовать больше информации о последовательности и лучше различать упорядоченные и неупорядоченные участки. PredIDR3 достиг производительности, сопоставимой с лучшими методами CAID3 по всем оцениваемым критериям. Метод доступен бесплатно через портал CAID Prediction Portal и в виде контейнера Singularity. Работа имеет практическое значение для биоинформатики и структурной биологии, поскольку IDR играют важную роль в регуляции клеточных процессов и связаны с рядом заболеваний.

В статье представлен MEL-Steered PharmacoNet — метод параметрически эффективной адаптации глубокого обучения (DL) для виртуального скрининга гигамасштабных химических библиотек. Работа решает ключевую проблему стратегии V-SYNTHES: при докинге фрагментов (MEL) лишь небольшая часть сопоставимо хорошо докованных фрагментов может быть развёрнута в полные лиганды из-за фиксированного бюджета вычислений. Авторы предлагают использовать данные начального докинга фрагментов для тонкой настройки модели PharmacoNet, которая предсказывает фармакофорные горячие точки и ранжирует кандидатов через графовое сопоставление. Метод включает два механизма: эмпирическое управление предсказанными горячими точками через карты плотности и тонкую настройку весов типов взаимодействий. На трёх структурно различных GPCR-мишенях (CB2, GPR91, 5-HT2AR) MEL-Steered PharmacoNet достигает улучшения фактора обогащения EF100 по сравнению со стандартным PharmacoNet в 8.94, 6.87 и 1.69 раза соответственно. Подогнанные веса выявляют химически интерпретируемые профили взаимодействий, которые фиксированные веса PharmacoNet не улавливают. Метод не требует дополнительных экспериментальных данных или переобучения модели, сохраняя сверхбыстрый скрининг. Результаты демонстрируют, что данные фрагментного докинга из стандартного конвейера V-SYNTHES могут адаптировать универсальный прескрининг к конкретной мишени, значительно повышая его эффективность.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026), представлен новый метод глубокого обучения для автоматического выявления признаков эндометриоза по ультразвуковым изображениям и клиническим данным. Авторы (Yuan Zhang, Hu Wang, Yutong Xie и др.) разработали подход unpaired multi-modal multi-label learning, который позволяет обучать модель на непарных данных — когда ультразвуковые изображения и текстовые клинические записи не обязательно относятся к одним и тем же пациентам. Это решает ключевую проблему реальных медицинских наборов данных, где полное соответствие модальностей часто недоступно. Метод использует механизмы кросс-модального внимания и совместного представления признаков для интеграции информации из изображений и текста, что повышает точность детекции. В экспериментах на клинических данных модель достигла AUC 0.87, что на 8% выше, чем у односторонних (single-modal) baseline-моделей, и на 4% выше, чем у существующих мультимодальных подходов, требующих парных данных. Особую значимость работа имеет для диагностики эндометриоза — заболевания, которое в среднем диагностируется с задержкой 7-10 лет из-за неспецифичности симптомов и сложности визуализации. Предложенный метод позволяет автоматизировать скрининг, снизить нагрузку на врачей и повысить выявляемость на ранних стадиях. Работа демонстрирует практический потенциал ИИ в гинекологии и ультразвуковой диагностике, а также открывает путь к использованию неполных и разнородных клинических данных для обучения моделей.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026), авторы Zhiqiang Shen, Qingshan Hou, Peng Cao, Jinzhu Yang, Huazhu Fu, Osmar R. Zaiane и Zhaolin Chen представляют новый метод полууправляемой сегментации медицинских изображений, устойчивый к смене доменов (domain generalization). Проблема заключается в том, что модели глубокого обучения, обученные на данных одного медицинского учреждения или сканера, резко теряют точность при применении к данным из других источников из-за различий в распределении изображений. Предложенный подход основан на совместном обучении (co-training) двух ветвей: ветви сегментации и ветви синтеза изображений. Ветвь синтеза генерирует разнообразные варианты изображений с различными стилистическими и доменными характеристиками, что позволяет ветви сегментации обучаться на более широком распределении данных без необходимости разметки новых доменов. Метод использует полууправляемую парадигму: лишь небольшая часть данных имеет аннотации, остальные используются в неразмеченном виде для улучшения обобщающей способности. Авторы провели эксперименты на нескольких публичных наборах данных медицинской сегментации, включая сегментацию сердца и полипов, и показали, что предложенный метод превосходит существующие подходы к доменной генерализации и полууправляемому обучению. В частности, метод демонстрирует значительное улучшение метрики Dice coefficient (до 5-7 процентных пунктов) по сравнению с базовыми моделями при тестировании на невидимых доменах. Работа имеет высокую практическую значимость, поскольку позволяет создавать более надежные модели сегментации, которые можно безопасно развертывать в различных клинических условиях без дорогостоящей повторной разметки данных. Код и модели планируются к публикации для воспроизводимости результатов.

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.

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.

В статье сравниваются 15 архитектур глубокого обучения (сверточные, гибридные и др.) для трехклассовой классификации закодированных последовательностей сайтов сплайсинга. Лучшая точность на тестовой выборке (96,87%) достигнута с помощью Custom CNN, однако авторы подчеркивают, что результаты не являются статистически значимыми и не демонстрируют клиническую применимость.

Пространственные омиксные технологии позволяют изучать молекулярную экспрессию и пространственную организацию тканей на уровне отдельных клеток, однако профилирование целых слайдов остаётся дорогостоящим. На практике обычно анализируются лишь несколько областей интереса (ROI), а остальная ткань остаётся неизученной. Ранее предложенный фреймворк S2-omics объединял выбор ROI с предсказанием вне ROI, но работал на суперпикселях, а не на отдельных клетках, и предсказывал дискретные типы клеток вместо непрерывных молекулярных профилей. В новой работе представлен RECON — двухэтапный фреймворк, который выполняет выбор ROI и реконструкцию молекулярных профилей всего слайда с разрешением отдельных клеток, предсказывая как непрерывные молекулярные профили, так и дискретные типы клеток. На первом этапе RECON извлекает морфологические и микросредовые признаки из отдельных клеток для идентификации репрезентативной ROI для пространственного молекулярного профилирования. На втором этапе RECON обучает модели глубокого обучения на молекулярных измерениях, полученных в выбранной ROI, и реконструирует транскриптомные или протеомные профили для всех остальных клеток на слайде. В сравнении с аннотациями патологов выбор ROI в RECON превосходит подходы на основе суперпикселей S2-omics (IoU: 0.75 против 0.64). Для транскриптомики переход от суперпикселей к отдельным клеткам улучшает корреляцию Пирсона по генам на 22%. Для протеомики RECON превосходит современный метод ROSIE по всем 16 маркерам, достигая медианной корреляции Пирсона на клетку 0.91 против 0.84. Кроме того, RECON delineates границы опухолей и области с различной плотностью иммунных клеток, а также выявляет кандидатные третичные лимфоидные структуры. Эти результаты демонстрируют, что RECON обеспечивает информативный выбор ROI и реконструкцию молекулярных профилей всего слайда с разрешением отдельных клеток как для пространственной транскриптомики, так и для пространственной протеомики.

В журнале npj Digital Medicine опубликовано исследование, представляющее фундаментальную модель голосовых биомаркеров, предназначенную для мониторинга бокового амиотрофического склероза (БАС) и скрининга болезни Паркинсона. Модель обучалась на крупном наборе аудиоданных, включающем записи речи пациентов с нейродегенеративными заболеваниями и здоровых контролей. Используя методы глубокого обучения, модель извлекает акустические признаки, связанные с дизартрией и другими речевыми нарушениями, характерными для этих заболеваний. Для БАС модель позволяет отслеживать прогрессирование заболевания по изменениям речевых характеристик, что может служить неинвазивным и доступным инструментом мониторинга в клинической практике. Для болезни Паркинсона модель демонстрирует высокую точность скрининга, позволяя выявлять ранние признаки заболевания по голосу. Валидация проводилась на независимых когортах, показав устойчивые результаты. Исследование подчеркивает потенциал голосовых биомаркеров как масштабируемого решения для нейродегенеративных заболеваний, что может улучшить раннюю диагностику и персонализированное лечение.

Виртуальное окрашивание (virtual staining) — перспективный метод, позволяющий заменить дорогостоящую флуоресцентную микроскопию на дешёвую label-free микроскопию с последующей генерацией окрашенных изображений с помощью нейросетей. Однако его практическое применение зависит от способности моделей к обобщению на новые данные. В данном исследовании авторы систематически проверили, насколько семь широко используемых метрик оценки качества изображений (IQA) — MAE, PSNR, SSIM, foreground PSNR и SSIM, LPIPS и DISTS — пригодны для оценки виртуального окрашивания. Они применили контролируемые деградации (изменение интенсивности, текстуры, морфологии) к изображениям Cell Painting, охватывающим 18 клеточных линий, различные плотности посева и флуоресцентные каналы. Оказалось, что канал, клеточная линия и плотность посева объясняют значительную часть вариаций метрик даже после учёта степени деградации. Метрики DISTS и foreground-метрики показали лучший баланс между чувствительностью к деградации и инвариантностью к биологическому контексту, однако ни одна метрика не была полностью независима от биологических условий. При постепенном ухудшении изображений большинство метрик использовали лишь малую часть своего номинального диапазона значений и часто выходили на плато, тогда как визуальное качество продолжало падать. Далее авторы обучили три популярные архитектуры (UNet, WGAN-GP, UNeXt) на пяти плотностях посева клеток U2-OS и оценили их предсказания на 17 ранее не встречавшихся клеточных линиях. Архитектура и плотность посева вместе объясняли менее 2% вариаций метрик, а визуальный анализ показал, что одинаковые значения метрик могут соответствовать качественно разным ошибкам (например, различиям в морфологии клеток и интенсивности маркеров). Авторы делают вывод, что традиционные IQA-метрики плохо переносятся на задачи виртуального окрашивания, и рекомендуют выбирать и оптимизировать модели, ориентируясь на конкретное приложение, например, на высокопроизводительный скрининг лекарств без меток.

Статья рассматривает применение ИИ (машинное обучение и глубокое обучение) для перехода от реактивного мониторинга малярии к предиктивному прецизионному общественному здравоохранению. Авторы анализируют три направления: surveillance (обнаружение случаев, мониторинг переносчиков), прогнозирование вспышек и оптимизацию вмешательств, отмечая точность диагностики свыше 90%, но подчёркивая необходимость решения проблем качества данных, алгоритмической предвзятости и локальной адаптации моделей.

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.

Систематический обзор 128 исследований (2021-2026) оценивает применение трансформерных архитектур в медицинской визуализации: сегментация, классификация, реконструкция и регистрация изображений. Наиболее убедительные результаты достигаются гибридными моделями, сочетающими локальную экстракцию признаков с глобальным контекстом, а не чистыми трансформерами. Выявлены ключевые проблемы: отсутствие стандартизированных бенчмарков, ограниченная внешняя валидация, недостаточная доступность кода и слабая клиническая оценка.

Исследователи разработали новый метод глубокого обучения для молекулярной динамики, который позволяет проводить симуляции на значительно более длительных временных масштабах по сравнению с существующими подходами. Ключевое достижение метода — преодоление традиционного фемтосекундного ограничения при сохранении точности предсказания физических свойств молекул. Технология опубликована в журнале Nature Machine Intelligence 5 августа 2026 года. Метод использует нейросетевое прогнозирование траекторий молекулярного движения, что открывает возможности для более эффективного моделирования биомолекулярных процессов. Данное исследование имеет потенциальное значение для фармацевтической разработки и дизайна лекарств, где молекулярная динамика применяется для изучения взаимодействий белков и лигандов. Однако статья не содержит конкретных количественных результатов или данных о клинических применениях, что ограничивает прямую оценку медицинской релевантности.

Исследователи разработали новую архитектуру глубокого обучения CREAM (Contrastive Regulatory Embeddings Attention Model) для предсказания персонализированной экспрессии генов на основе последовательностей ДНК. Основная проблема, которую решает модель — обучение межиндивидуальных различий, когда вариации последовательности ДНК между людьми минимальны, а экспрессия генов сильно зависит от негенетического шума. Методология включает декомпозицию экспрессии генов на генетические и негенетические компоненты, а также использование контрастных регуляторных эмбеддингов для улавливания тонких различий в последовательностях. Модель была оценена на симулированных данных и транскриптомных наборах данных GTEx, где продемонстрировала значительное превосходство над базовыми архитектурами на обучающих генах и способность автономно приоритизировать статистически точно определённые причинные локусы количественных признаков экспрессии (eQTL). Введение вспомогательного индуктивного смещения L1 дополнительно улучшило локализацию причинных вариантов в невиданных генах. Однако обобщение на предсказание экспрессии невиданных генов остаётся нерешённой проблемой — корреляция падает практически до нуля у всех тестированных методов. Исследование подчёркивает ключевые препятствия в моделировании персонализированной генной регуляции и намечает направления для будущих разработок в области прецизионной медицины.