диагностика

В ретроспективном перекрестном исследовании с участием 1461 взрослого оценивалась осуществимость и клиническая значимость ИИ-оценки риска сердечно-сосудистых заболеваний по изображениям сетчатки (Reti-CVD) в гибридной модели оказания помощи. Более высокий риск по Reti-CVD был связан с возрастом, мужским полом, диабетом, гипертонией и другими кардиометаболическими факторами, однако категориальное согласие с калькулятором PREVENT оказалось слабым (κ = 0.144). Результаты требуют проспективной валидации для подтверждения прогностической ценности.

Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.

Представлена структура NEUROCOG-DysNet, которая использует многоуровневое извлечение когнитивных признаков и ансамблевый стеккинг для скрининга дислексии на основе данных геймифицированной платформы Dytective (N=3644). Модель достигает AUC-ROC 0.8924, чувствительности 0.8077 и специфичности 0.8187, демонстрируя потенциал в качестве инструмента первичного скрининга, хотя для клинического применения требуются внешняя валидация и проспективные исследования.

Представлена улучшенная структура ConvNeXt-Tiny с модулем пространственной адаптивной многомасштабной свертки (SAMC) для классификации заболеваний сетчатки по OCT-изображениям. Модель достигает точности 98,39% на наборе данных OCT-C8 с восемью классами, а также включает анализ калибровки, неопределенности, устойчивости к помехам и интерпретируемости, подтверждая клиническую значимость.

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.

Представлена ARTNet — трансформерная нейросеть для автоматической классификации и сегментации диабетической ретинопатии (ДР) по снимкам глазного дна. Модель объединяет три подсети: адаптивную канальную калибровку, пространственное внимание к клинически значимым областям и трансформерный энкодер для глобального контекста. На наборах данных Diabetic Retinopathy Detection, APTOS-2019 и IDRiD модель достигает точности 96.45% и превосходит современные подходы, поддерживая реальный скрининг в офтальмологии.

Статья представляет TurboQuant-Bio — открытый инструментарий для сжатия весов и кэша внимания геномной фундаментальной модели Evo 2 до 4 бит без калибровочных данных. Это позволяет запускать конфигурацию Evo 2 с 40 миллиардами параметров на одном GPU с 80 ГБ памяти, а версию с 7 миллиардами параметров — с полным контекстом в миллион токенов в пределах 40 ГБ, что дает восьмикратное увеличение достижимого контекста. Сжатие почти без потерь по таким задачам, как перплексия на всем дереве жизни, классификация геномов, предсказание сайтов сплайсинга, завершение генов и клинически значимое предсказание эффектов вариантов. Авторы также обнаружили, что опубликованный путь chunked-prefill в Evo 2 молчаливо некорректен, возвращая правдоподобные, но некоррелированные вероятности, и предложили блочное продолжение, исправляющее эту проблему. Благодаря этому полный геном бактерии размером 580 килобаз теперь оценивается в одном контексте за 22 минуты вместо 13,7 часов. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области геномной диагностики и анализа вариантов.

В статье представлена новая система iDMS (интеллектуальная дифференциальная ионная мобильная спектрометрия), которая использует глубокую нейронную сеть для автоматического прогнозирования оптимальных параметров разделения изомерных моногликосфинголипидов в масс-спектрометрии. Проблема заключается в том, что стандартные методы LC-ESI-MS/MS не могут разделить бета-глюкозил и бета-галактозил эпимеры, что необходимо для мониторинга ферментативных нарушений при таких заболеваниях, как болезнь Гоше, Паркинсона и Краббе. Добавление FAIMS/DMS в качестве ортогональной техники позволяет разделять эпимерные ионные кластеры, но требует ручного подбора параметров (SV и CoV) для каждого липида, что трудоемко и требует чистых синтетических стандартов. Авторы разработали модель машинного обучения, которая обучается на измеренных интенсивностях сигналов для 12 липидов и предсказывает комбинации SV и CoV для разрешения любой пары стереоизомеров. Это ускоряет внедрение MRM-анализов для быстрого количественного определения биологически значимых моногликосфинголипидов. Метод обещает значительное сокращение времени и ресурсов на оптимизацию, а также расширение числа стереоизомеров, которые можно включить в анализ. Работа имеет прямое применение в клинической диагностике и исследованиях наследственных заболеваний.

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.

В журнале npj Digital Medicine опубликована статья, предлагающая пятифазную систему оценки (framework) для диагностических и прогностических моделей искусственного интеллекта в медицине. Авторы отмечают, что существующие подходы к валидации медицинского ИИ фрагментированы и не учитывают весь жизненный цикл модели — от разработки до постмаркетингового мониторинга. Предложенная система включает пять последовательных фаз: (1) доклиническая оценка на ретроспективных данных, (2) проспективная валидация в контролируемых условиях, (3) пилотное внедрение в реальной клинической практике, (4) рандомизированные контролируемые испытания для оценки влияния на исходы пациентов и (5) непрерывный мониторинг после развертывания с механизмами обратной связи и переобучения. Для каждой фазы авторы определяют конкретные метрики, требования к данным, статистические методы и критерии перехода к следующему этапу. Особое внимание уделяется вопросам справедливости (fairness), устойчивости к дрейфу данных и интерпретируемости моделей. Работа призвана стандартизировать процесс оценки ИИ-систем в здравоохранении, что критически важно для регуляторных органов, клиницистов и разработчиков. Предложенный фреймворк может стать основой для гармонизации требований FDA, EMA и других регуляторов к медицинскому ИИ.

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.

В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.

В журнале npj Digital Medicine опубликовано исследование, посвященное оценке клинических компетенций современных vision-language моделей (VLM) — систем, способных одновременно анализировать изображения и текст. Авторы разработали новый бенчмарк, специально нацеленный на проверку способности моделей к клиническому рассуждению, а не просто к распознаванию паттернов на медицинских изображениях. Результаты показали, что даже самые передовые VLM демонстрируют значительный разрыв между формальной точностью ответов и реальной глубиной клинического мышления: модели часто дают уверенные, но поверхностные или фактически неверные заключения, создавая «иллюзию компетентности». Бенчмарк включает задачи, требующие многошагового анализа, интерпретации результатов визуализации в контексте истории болезни и обоснования дифференциального диагноза. Количественные метрики показали, что лучшие модели достигают лишь около 60-70% точности на простых задачах, но падают ниже 40% на сложных клинических сценариях, требующих интеграции данных. Исследователи подчеркивают, что существующие методы оценки переоценивают возможности ИИ в медицине, и предлагают новый стандарт для валидации систем перед их внедрением в клиническую практику. Работа имеет прямое значение для разработчиков медицинского ПО и регуляторов, подчеркивая необходимость более строгих испытаний на клиническую компетентность, а не только на техническую точность.

Статья представляет обзор крупных раундов финансирования health tech-компаний за август, включая Cityblock ($116 млн), Happy Health ($75 млн), Flagler Health ($50 млн) и Network Bio ($50 млн). Все четыре компании используют ИИ-технологии: от операционных систем для прогнозирования и управления лечением до ИИ-моделей для диагностики и разработки лекарств.

Статья утверждает, что ИИ в здравоохранении пока сосредоточен на административных задачах, но его истинный потенциал — в раннем выявлении заболеваний через анализ биосигналов. Автор подчеркивает, что это может радикально улучшить продолжительность и качество жизни, сократив разрыв между ожидаемой и реальной продолжительностью жизни.

Исследование опубликовано в журнале npj Digital Medicine 7 августа 2026 года и посвящено применению искусственного интеллекта для оценки тяжести травм на догоспитальном этапе. Авторы разработали систему PHISE (Prehospital Injury Severity Estimate), которая использует ИИ-модели для прогнозирования тяжести повреждений до прибытия пациента в стационар. Ключевое утверждение исследования заключается в том, что догоспитальные оценки тяжести травм, полученные с помощью ИИ, сопоставимы по точности с традиционными внутрибольничными травматологическими шкалами. Это имеет важное практическое значение для экстренной медицины, поскольку позволяет медицинским службам быстрее принимать решения о маршрутизации пациентов и распределении ресурсов. Однако предоставленный текст содержит только метаданные публикации без подробностей о методологии, размере выборки, конкретных метриках точности или типах используемых алгоритмов машинного обучения. Для полноценной оценки качества исследования необходима информация о валидации модели, сравнении с существующими методами и клинических исходах.

Обзор систематизирует исследования по применению глубокого обучения в диагностике лейкемии, охватывая анализ изображений крови и костного мозга, геномные данные, проточную цитометрию и мультимодальные подходы. Критически оцениваются проблемы обобщаемости моделей, интерпретируемости и клинической применимости, предлагаются направления для будущих исследований включая fusion-подходы и валидацию на внешних датасетах.

Исследование применяет машинное обучение для прогнозирования диабета на 353 680 записях, достигая AUC-ROC 0.8481 с помощью оптимизированного ансамбля стекинга (Random Forest, XGBoost, LightGBM). Авторы формализуют «парадокс импутации» и анализируют несогласованность методов объяснимого ИИ (SHAP, LIME, permutation), демонстрируя потенциальное выявление ~16 600 дополнительных пациентов с диабетом на миллион обследованных.

Исследование демонстрирует применение искусственного интеллекта и машинного обучения для ранней диагностики болезни Альцгеймера за несколько лет до появления клинических симптомов. Технология анализирует краткие цифровые тесты (несколько минут), извлекая поведенческие данные через множественные ML-модели одновременно. Система генерирует оценку риска когнитивных нарушений, предсказывает вероятность положительного результата на амилоидные бляшки и улучшает точность биомаркеров крови, определяя пациентов для дальнейшего тестирования. Разработаны первые поведенческие цифровые биомаркеры, связывающие повседневное когнитивное поведение с underlying патологией мозга. Алгоритмы фиксируют незаметные при стандартном наблюдении изменения в тайминге, последовательности и беглости действий (рисование, паузы, речь), отражающие координацию моторного планирования, языка, внимания и исполнительных функций. Решение особенно ценно в условиях дефицита неврологов и нейropsychологов, когда ожидание когнитивной оценки растягивается на месяцы. Технология позволяет врачам первичного звена определять необходимость дополнительного тестирования, специализированного направления или усиленного наблюдения во время обычного визита.