диагностика

В данном многоцентровом исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель на основе объяснимого машинного обучения (XAI) для прогнозирования риска внебольничной остановки сердца (ВНОК). Исследователи разработали алгоритм, способный оценивать динамические изменения индивидуального риска в режиме реального времени, что критически важно для превентивной кардиологии. Методология включала использование больших массивов данных из нескольких медицинских центров Китая для обучения и валидации нейросетевых моделей. Ключевым преимуществом работы является внедрение методов интерпретируемости, которые позволяют врачам понимать, какие именно клинические параметры (например, вариабельность сердечного ритма или показатели давления) вносят наибольший вклад в текущий прогноз. Результаты демонстрируют высокую точность модели в выявлении пациентов группы высокого риска до наступления критического события. Данное исследование имеет высокую практическую значимость для интеграции ИИ в системы мониторинга состояния пациентов и раннего реагирования при сердечно-сосудистых катастрофах.

В данной работе исследователи представляют инновационный метод коррекции аттенуации и рассеяния для позитронно-эмиссионной томографии (ПЭТ), который исключает необходимость использования предварительного КТ-сканирования. Основная проблема традиционной ПЭТ заключается в зависимости от КТ для построения карт коэффициентов поглощения, что увеличивает лучевую нагрузку и сложность процедуры. Авторы предложили подход на основе кросс-доменной адаптации с использованием стратегии few-shot learning, что позволяет модели эффективно переносить знания между различными типами сканеров и анатомическими структурами. Методология направлена на преодоление проблемы обобщающей способности нейросетей при работе с новыми наборами данных. Результаты исследования демонстрируют, что предложенный алгоритм обеспечивает высокую точность реконструкции изображений, сопоставимую с классическими методами на базе КТ, при этом значительно снижая техническую сложность процесса. Данная технология имеет критическое значение для развития гибридной визуализации и оптимизации протоколов ПЭТ-диагностики в клинической практике.

Фармацевтический гигант Roche объявил о заключении стратегической сделки по приобретению компании PathAI, специализирующейся на разработке решений в области искусственного интеллекта. Сумма сделки оценивается в 750 миллионов долларов США. Основная цель данного поглощения — ускорение интеграции технологий машинного обучения в процессы патоморфологической диагностики. Использование ИИ позволит патологам более точно и быстро идентифицировать заболевания, анализируя цифровые изображения тканей. Это приобретение укрепляет позиции Roche в области цифровой патологии и персонализированной медицины. Интеграция передовых алгоритмов PathAI в текущие рабочие процессы компании поможет оптимизировать диагностические протоколы и улучшить точность клинических решений.

В статье представлена инновационная архитектура MediCARE, предназначенная для повышения точности и интерпретируемости медицинских выводов с помощью мультиагентных систем. Исследование фокусируется на использовании гетерогенных графов знаний, которые позволяют моделировать сложные взаимосвязи между пациентами, симптомами, заболеваниями и методами лечения. Методология базируется на концепции коллаборативного рассуждения (collaborative reasoning), где специализированные ИИ-агенты взаимодействуют друг с другом для верификации гипотез. Ключевым преимуществом системы является высокая степень объяснимости (explainability), что критически важно для клинической практики, так как врачи могут проследить логическую цепочку принятия решения. Работа демонстрирует потенциал перехода от «черных ящиков» нейросетей к прозрачным экспертным системам в диагностике. Результаты подчеркивают значимость интеграции графовых структур в современные LLM-ориентированные медицинские приложения.

В статье представлен инновационный подход к прогнозированию патологического тремора покоя с использованием специализированной архитектуры нейронной сети — Adaptive Time-Frequency Decomposition Informer. Исследователи разработали метод, который объединяет адаптивное разложение сигналов на временной и частотной областях для более точного захвата динамических характеристик тремора. Методология фокусируется на обработке сложных временных рядов, что позволяет модели лучше улавливать долгосрочные зависимости в паттернах движений пациентов. Ключевым результатом является повышение точности прогнозирования последовательностей патологических состояний по сравнению с традиционными моделями трансформеров. Данная разработка имеет высокую клиническую значимость, так как может быть интегрирована в системы носимых устройств для раннего предупреждения приступов тремора и мониторинга состояния пациентов с неврологическими расстройствами в режиме реального времени.

Департамент города Москвы объявил о проведении открытого конкурса на развитие Единой медицинской информационно-аналитической системы (ЕМИАС). Проект направлен на масштабную автоматизацию процессов проведения и расшифровки диагностических исследований, что напрямую связано с внедрением интеллектуальных алгоритмов в медицинскую практику. Начальная максимальная цена контракта составляет 975,13 млн рублей. Основная цель работ заключается в переработке и подготовке компонентов системы для повышения эффективности цифровой диагностики. Реализация данного проекта позволит интегрировать более продвинутые аналитические инструменты в городскую систему здравоохранения. Заявки на участие в тендере принимаются до 1 июня 2026 года.

Исследование посвящено практическому внедрению коммерческой ИИ-платформы (AIRAQc) для автоматического контроля качества цифровых гистопатологических слайдов. Система показала высокую точность в обнаружении артефактов (складки ткани, пузырьки воздуха) и стабильную работу при обработке более 6000 слайдов в день.

Исследование оценивает эффективность платформы PART для дистанционной оценки периферического и центрального слуха у пожилых людей в домашних условиях. Результаты показали умеренно высокую надежность тестов и высокую степень приемлемости метода для мониторинга слуховых функций.

В статье представлен обзор исследований (2020–2025 гг.), посвященных применению глубокого обучения и методов объяснимого ИИ (XAI) для автоматизации диагностики камней в почках. Рассматриваются такие техники, как SHAP и Grad-CAM, которые помогают повысить доверие врачей к диагностическим системам, несмотря на существующие проблемы с разнообразием данных.

Исследование представляет метод автоматической сегментации гистопатологических изображений с использованием архитектуры DeepLabV3+ и смартфонов в качестве микроскопов. Разработанная модель показала высокую точность (Dice: 93.1%) в выявлении 21 класса признаков рака шейки матки, превзойдя базовую архитектуру U-Net.

Исследование оценивает эффективность использования парадигм двойных задач (когнитивной и моторной нагрузки) для ранней диагностики деменции. Результаты показывают, что сенсорные датчики позволяют выявить значимые различия в походке и координации у пациентов по сравнению с контрольной группой, особенно при выполнении когнитивных задач.

Исследование оценивает точность мобильного приложения SightConnect для измерения остроты зрения и классификации степени нарушений. Результаты подтверждают возможность использования приложения для дистанционной оценки зрения и автоматизированного определения срочности направления к врачу.

Исследование выявило острую необходимость в поддержке патологов в Колумбии из-за диагностической неопределенности и высокой нагрузки. Участники проекта GLORIA подчеркивают потенциал телепатологии и сканирования слайдов для улучшения своевременности диагностики, несмотря на существующие административные и логистические барьеры.

Представлен MAPSeg — полностью самообучаемый метод сегментации полипов, не требующий размеченных данных и обучаемый на изображениях здоровой слизистой. Благодаря стратегии синтетической аугментации SIMPO и архитектуре с расширенной памятью, метод значительно превосходит существующие неконтролируемые подходы по метрикам IoU и DICE.

Обзор систематизирует применение ИИ на всех этапах внебольничной помощи: от прогнозирования спроса и оптимизации маршрутов скорой помощи до поддержки принятия клинических решений при остановке сердца. Результаты показывают значительное улучшение эффективности (на 10–30%) и высокую точность диагностических моделей (AUC > 0.90).

Исследование оценивает эффективность ИИ-инструмента qER EU 2.0 в помощи рентгенологам и врачам скорой помощи при анализе КТ головы. Результаты показали значительное повышение чувствительности при обнаружении критических патологий и внутричерепных кровоизлияний, хотя и при некотором снижении специфичности.

В статье предлагается гибридная архитектура CNN-BiLSTM для автоматизированной диагностики рака кожи на основе датасета HAM10000. Модель достигла точности 94,82%, эффективно сочетая извлечение пространственных признаков и анализ контекстуальных зависимостей, что делает её пригодной для использования в реальном времени.

Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.

Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.