диагностика

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.

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.

Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.

Исследование посвящено разработке и сравнению моделей машинного обучения для раннего выявления инфекций при поступлении пациентов в отделение неотложной помощи. Наилучшие результаты показал алгоритм Random Forest, который на основе стандартных клинических показателей (СРБ, лейкоциты, температура и др.) продемонстрировал высокую точность прогнозирования.

Разработан модульный метод постобработки для снижения количества ложноположительных срабатываний при обнаружении детских переломов на рентгенограммах. Система использует поиск сложных отрицательных примеров и калиброванное слияние оценок, обеспечивая высокую точность (F1-score 0.88) и интерпретируемость через Grad-CAM.

Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.

В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.

Исследование представляет интерпретируемую модель машинного обучения для оценки риска сердечно-сосудистых заболеваний на основе данных 70 000 пациентов. Использование методов SHAP позволило сделать прогнозы прозрачными, выделив ключевые факторы риска, такие как возраст, давление и уровень холестерина, что критически важно для внедрения ИИ в клиническую практику.

Исследование оценивает эффективность модели nnU-Net как «второго читателя» для выявления метастазов в позвоночнике на КТ-снимках. Использование ИИ позволило обнаружить патологии в среднем на 228 дней раньше, чем это было сделано врачами при стандартном анализе.

В статье представлен DeSpotX — инновационная глубокая генеративная модель, разработанная для решения критической проблемы пространственной транскриптомики (ST): загрязнения сигналов экспрессии генов между соседними клетками. Авторы предлагают использовать так называемые «якорные гены» (гены, которые не экспрессируются в конкретном кластере клеток), чтобы сделать процесс разделения нативного сигнала и загрязнения математически однозначным (identifiable). Методология DeSpotX включает использование пространственной информации через взвешенное по расстоянию усреднение соседей и применение обучаемого диффузионного априорного распределения для предотвращения чрезмерной коррекции низкоуровневых сигналов. В ходе симуляций на пяти наборах данных и четырех платформах ST модель показала превосходные результаты с показателем AUROC >0.94, превзойдя лучшие существующие методы на 0.02–0.12 пункта. При тестировании на реальных тканях (мозг мыши и рак молочной железы) метод продемонстрировал повышение специфичности маркерных генов и более точную реконструкцию сетей межклеточной коммуникации. Исследование подтверждает, что итеративное использование DeSpotX позволяет значительно точнее определять источники лиганд-рецепторных сигналов, что критически важно для точной биологической интерпретации данных.

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.

Исследователи представили крупнейший на сегодняшний день мультиомный датасет нейроэндокринных опухолей легкого (lung NETs), охватывающий 201 участника и 294 опухоли. В состав набора данных включены результаты секвенирования РНК, метилирования (EPIC 850K) и полногеномного секвенирования, что позволяет детально изучать молекулярные группы новообразований. Особую ценность представляет мультирегиональное полногеномное секвенирование 41 пациента для оценки внутриопухолевой гетерогенности, а также пространственная протеомика (64 участника) и пространственная транскриптомика (4 участника). Набор также содержит гистопатологические изображения (WSI) для 212 случаев, что открывает возможности для использования алгоритмов глубокого обучения (deep learning) для идентификации морфологических признаков конкретных молекулярных групп. Данный ресурс предназначен для комплексной характеристики опухолей и интеграции данных на различных масштабах, обеспечивая воспроизводимость исследований благодаря предоставлению всех скриптов и обработанных данных.

В данной работе представлен spDDB — комплексная платформа для сравнительного анализа методов пространственной деконволюции и определения пространственных доменов. Исследователи провели масштабное тестирование, охватившее 21 метод деконволюции и 18 методов детекции доменов на базе 37 наборов данных, включающих ткани мозга, раковые опухоли и другие органы, полученные с помощью четырех различных технологий. Для обеспечения точности оценки был разработан новый симулятор SynthST на основе глубокого графового автоэнкодера с механизмом внимания, способный генерировать реалистичные распределения типов клеток. Результаты показали, что Cell2location, RCTD и SONAR являются наиболее эффективными инструментами для деконволюции, однако их точность сильно зависит от архитектуры ткани и масштаба данных. В задачах детекции доменов лидерами были признаны PROST, BASS и SpaceFlow, при этом выявлены серьезные ограничения существующих алгоритмов при работе с крупномасштабными наборами данных. Работа завершается практическими рекомендациями по выбору оптимальных вычислительных методов в зависимости от конкретных экспериментальных условий и используемых технологий пространственной транскриптомики.

В статье представлен MeaSeq — новый высокоскоростной биоинформатический конвейер с открытым исходным кодом, разработанный специально для анализа данных секвенирования следующего поколения (NGS) вируса кори (MeV). Инструмент поддерживает работу с платформами Illumina и Oxford Nanopore Technologies (ONT), обеспечивая полный цикл обработки: от контроля качества и сборки консенсусного генома до детекции вариантов и присвоения идентификаторов последовательностей (DSId). Методология исследования включала сравнительный анализ MeaSeq с «золотым стандартом» секвенирования по Сэнгеру, референсными геномами и общедоступными данными. Результаты валидации подтвердили, что MeaSeq обеспечивает высокую точность и воспроизводимость при анализе полногеномных данных, что критически важно для молекулярного надзора и расследования вспышек инфекции. Использование данного пайплайна позволяет автоматизировать процесс подготовки стандартизированных HTML-отчетов, делая геномный мониторинг доступным для лабораторий общественного здравоохранения. Внедрение MeaSeq может значительно ускорить ответ на вспышки кори за счет упрощения анализа данных WGS.

Исследование посвящено изучению возможности использования метилирования ДНК в слизистой оболочке щеки в качестве неинвазивной альтернативы анализу крови для оценки биологического старения. Ученые проанализировали профили метилирования 186 японских взрослых с использованием массива Illumina Infinium Methylation Screening Array (MSA). Применение двухэтапного метода остаточного обучения, интегрирующего существующие эпигенетические часы на основе крови, позволило достичь высокой точности прогнозирования хронологического возраста (R = 0,965) и фенотипического возраста (R = 0,964). В ходе работы было установлено, что данные слизистой щеки позволяют предсказывать широкий спектр клинических биомаркеров, включая воспалительные, метаболические, тиреоидные и гормональные показатели. Несмотря на то, что сайты CpG, используемые для прогнозирования, различались между полами и типами тканей, предсказуемые фенотипы в целом совпадали. Результаты подтверждают, что эпигенетический анализ слизистой щеки является перспективным инструментом для мониторинга системного физиологического состояния и биологического старения.

Обзор посвящен возможностям и барьерам внедрения цифровой патологии (DP) в условиях Индии. Рассматриваются такие аспекты, как ИИ-ассистированная диагностика, телепатология и проблемы инфраструктуры, а также стратегии преодоления трудностей для повышения точности диагностики.