диагностика

В рамках многоцентрового исследования Articulate Pro были представлены результаты внедрения специализированного ИИ-решения Paige Prostate в клиническую практику Национальной службы здравоохранения (NHS) Великобритании. Исследование подтвердило, что использование искусственного интеллекта для анализа патологии простаты значительно повышает диагностическую согласованность между специалистами. Ключевые результаты демонстрируют существенное ускорение времени обработки анализов (turnaround times) и заметное снижение нагрузки на лабораторный персонал. Технология позволяет автоматизировать рутинные процессы, минимизируя человеческий фактор при анализе биооптических срезов. Данное внедрение является важным этапом перехода к прецизионной медицине в масштабах государственной системы здравоохранения, доказывая безопасность и эффективность ИИ в реальных условиях эксплуатации.

Исследование представляет двухэтапный фреймворк на основе машинного обучения для автоматизированного скрининга велофарингеальной дисфункции по речи. Предложенный метод использует контрастивное обучение для повышения устойчивости модели к шуму и различиям в записывающих устройствах, что позволяет эффективно проводить диагностику в неконтролируемых домашних условиях.

Систематический обзор 24 исследований, посвященных применению ИИ и глубокого обучения для диагностики заболеваний по данным рентгена, КТ, МРТ и других методов визуализации. Основное внимание уделяется вопросам прозрачности, объяснимости (Grad-CAM, SHAP), справедливости алгоритмов и клинического доверия к системам.

Разработана новая система MMCRAG-Resp, использующая мультимодальный RAG для диагностики респираторных заболеваний на основе звуков, спирометрии и текста. Метод значительно снижает уровень галлюцинаций ИИ и обеспечивает клинически обоснованные, объяснимые ответы с использованием локальных языковых моделей.

Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.

Шведская компания Neko Health получила финансирование серии C для расширения своего присутствия на рынках США и Великобритании. Компания специализируется на профилактической медицине с использованием передовых технологий сканирования для оценки рисков диабета, сердечно-сосудистых заболеваний и состояния кожи.

Разработанный компанией PinPoint Data Science тест на основе машинного обучения анализирует около 30 маркеров в крови для оценки риска рака. Технология позволяет эффективно выявлять женщин с низким риском, избавляя тысячи пациенток от болезненных процедур, таких как трансвагинальное УЗИ.

Компания Neko Health получила крупное финансирование для экспансии на рынок США, предлагая комплексную систему превентивной диагностики. Сервис объединяет ИИ-сканирование всего тела, анализ крови и специализированные датчики для раннего выявления рака кожи, сердечно-сосудистых заболеваний и диабета.

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.

Компании Viz.ai и Cortechs.ai объявили о партнерстве для интеграции инструментов количественного анализа нейровизуализации в платформу Viz.ai. Основное внимание будет уделено рассеянному склерозу, что позволит врачам быстрее идентифицировать пациентов и точнее управлять лечением с помощью ИИ-анализа МРТ.

GE HealthCare и Mayo Clinic запускают исследование MI-BET, направленное на персонализацию радиолигандной терапии рака простаты. Проект использует передовые технологии визуализации и биомаркеров для адаптации циклов лечения на основе индивидуального ответа пациента.

Исследователи из клиники Майо успешно протестировали использование портативного цифрового рентгена в условиях микрогравитации во время коммерческого полета SpaceX. Успешное применение технологии расширяет возможности диагностики травм и заболеваний в космосе, дополняя существующие методы ультразвукового исследования.

Компания Longeviti Neuro Solutions запустила платформу ClearFit AI, которая использует сонолюцентные краниальные имплантаты для создания интерфейса ультразвукового сканирования мозга. Технология позволяет проводить визуализацию мозга у постели больного в реальном времени, снижая зависимость от транспортировки пациентов на КТ и МРТ.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель искусственного интеллекта, предназначенная для выявления риска развития расстройства поведения в фазе быстрого сна (RBD) у пациентов с большим депрессивным расстройством (БДР). Методология исследования базируется на интеграции различных типов данных, включая нейровизуализацию, показатели полисомнографии и клинические характеристики пациентов. Использование мультимодального подхода позволило значительно повысить точность прогнозирования коморбидных состояний по сравнению с традиционными унимодальными методами. Ключевые результаты демонстрируют высокую чувствительность и специфичность алгоритма, что позволяет на ранних стадиях выявлять пациентов с высоким риском нейродегенеративных изменений. Данная разработка имеет критическое значение для персонализированной психиатрии, позволяя врачам своевременно корректировать терапевтическую стратегию и проводить превентивную диагностику. Практическая значимость работы заключается в создании надежного инструмента поддержки принятия клинических решений для психиатров и сомнологов.

В данной исследовательской работе представлена инновационная архитектура нейронной сети GLF-Net, предназначенная для высокоточной сегментации волновых форм на электрокардиограммах (ЭКГ). Основная научная новизна заключается в интеграции квазипериодического априорного руководства (quasi-periodic prior-guided), что позволяет модели учитывать естественную ритмическую структуру сердечного цикла при обработке сигналов. Методология исследования фокусируется на автоматическом выделении ключевых компонентов ЭКГ, что критически важно для последующего анализа вариабельности сердечного ритма и диагностики аритмий. Разработанная сеть демонстрирует превосходство над существующими методами сегментации, обеспечивая более высокую точность границ волн P, QRS-комплекса и T. Практическая значимость работы заключается в возможности автоматизации рутинного анализа ЭКГ, снижении нагрузки на врачей-кардиологов и минимизации человеческого фактора при интерпретации сложных паттернов сердечного ритма. Использование GLF-Net позволяет создавать более надежные системы поддержки принятия врачебных решений в кардиологии.

Исследователи из Сеченовского Университета разработали и протестировали систему на базе искусственного интеллекта, предназначенную для раннего выявления рака шейки матки и предраковых состояний. Методология исследования включала использование алгоритмов глубокого обучения для анализа цитологических мазков, что позволяет минимизировать человеческий фактор и ошибки при интерпретации изображений. Ключевые результаты демонстрируют значительное повышение точности диагностики по сравнению с традиционными методами визуального осмотра, обеспечивая высокую чувствительность к патологическим изменениям клеток. Внедрение данной технологии в клиническую практику позволит автоматизировать скрининг, снизить нагрузку на врачей-цитологов и существенно повысить выявляемость заболеваний на ранних, излечимых стадиях. Данная разработка имеет критическое значение для профилактической онкологии и может стать стандартом в программах массового скрининга.

В данном обзоре представлены ключевые события недели, связанные с внедрением искусственного интеллекта в медицинскую практику. Основное внимание уделено разработке новых российских государственных стандартов (ГОСТ) для медицинских систем на базе больших генеративных моделей, что критически важно для легализации ИИ-решений. В европейском сегменте зафиксировано одобрение нового ИИ-устройства, предназначенного для высокоточной диагностики рака кожи. Также рассматривается инновационная технология от Google, позволяющая проводить неинвазивный мониторинг пульса, используя только камеру смартфона. Важной частью дайджеста является юридическая дискуссия о распределении ответственности между разработчиками и врачами при возникновении ошибок в работе медицинских алгоритмов. Обзор охватывает как технологические прорывы, так и вопросы нормативно-правового регулирования отрасли.

В исследовании представлен инновационный конвейер QSAR-моделирования, использующий графовые нейронные сети (GNN) и графовые трансформеры (GT) для прогнозирования токсичности химических соединений. Авторы разработали методологию, которая кодирует молекулы напрямую в виде графов, избегая потери информации, характерной для бинарных фингерпринтов. Модель тестировалась на данных PubChem для оценки активации каспаз-3/7 и изменения митохондриального мембранного потенциала (MMP), а также на данных FDA для прогнозирования лекарственного поражения печени (DILI) у человека. Результаты показали значительный прогресс: консенсусная модель достигла AUC 0.69 при прогнозировании DILI, а архитектура Graphormer показала лучший F1-score 0.79, существенно превзойдя предыдущие показатели (AUC 0.63 и F1 0.65). Механистический анализ выявил, что фенольные соединения с пара-гидроксифенильным мотивом и липофильные соединения с длинными алкильными цепями провоцируют коллапс MMP и последующую активацию каспаз. Исследование подчеркивает потенциал глубокого обучения на графах для ускорения оценки безопасности новых лекарственных средств и химических веществ.

Исследование представляет ActiTect — инновационный программный конвейер на базе машинного обучения, разработанный для автоматизированного скрининга расстройства поведения в фазе быстрого сна (RBD). Методология исследования опирается на использование стандартизированной актиграфии, что позволяет перенести процесс диагностики из специализированных лабораторий сна в условия домашнего мониторинга. Система анализирует паттерны движения пациента, используя алгоритмы глубокого обучения для выявления специфических признаков RBD. Ключевой особенностью ActiTect является его высокая обобщающая способность, позволяющая эффективно работать на различных наборах данных без потери точности. Внедрение данного решения может значительно повысить доступность ранней диагностики нейродегенеративных заболеваний, связанных с RBD, за счет снижения нагрузки на клинический персонал и стоимости обследований. Результаты демонстрируют потенциал автоматизации рутинного скрининга с использованием носимых устройств.