диагностика

Исследование представляет метод импутации пропущенных данных в системах мониторинга здоровья с использованием генеративно-состязательных сетей (GAN). Проблема потери данных в носимых устройствах критична для точности диагностики хронических заболеваний и раннего выявления патологий. Авторы разработали архитектуру GAN, которая обучается на полных временных рядах физиологических показателей и генерирует правдоподобные значения для пропущенных сегментов. Методология включает использование дискриминатора для оценки качества импутированных данных и генератора для их восстановления с сохранением временных зависимостей. Ключевые результаты показывают, что GAN-based импутация превосходит традиционные методы (линейная интерполяция, средние значения) по метрикам RMSE на 35-42% и MAE на 28-38% в тестах на реальных данных носимых датчиков. Исследование демонстрирует, что даже при потере до 40% данных система сохраняет точность классификации заболеваний на уровне 89-94%, что критично для клинического применения. Работа имеет прямое практическое значение для улучшения надёжности телемедицинских систем и носимых мониторов в условиях реального использования, где пропуски данных неизбежны из-за технических сбоев или неудобства ношения устройства.

Исследование применяет машинное обучение для предсказания подтипов MODY (GCK-MODY и HNF1A-MODY) до генетического тестирования. Гауссовский наивный байесовский классификатор показал ROC AUC 0.724 для GCK-MODY, а Random Forest — 0.712 для HNF1A-MODY. SHAP-анализ обеспечил интерпретируемость модели.

Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.

Предложен метод ансамбля ESDRCX для раннего обнаружения болезни Паркинсона, объединяющий деревья решений, SVM, Random Forest с CNN для спиральных изображений и XGBoost как мета-обучатель. Модель достигла 95.7% точности и 86% precision на датасете HandPD, демонстрируя значительный прогресс в диагностике.

Исследование представляет двухэтапную объяснимую модель машинного обучения для прогнозирования риска диабета 2 типа, достигшую точности 97.14% на втором этапе с использованием 270 943 образцов из Руанды. Модель может быть интегрирована в мобильное приложение mUzima для помощи медработникам в выявлении групп риска и раннем скрининге заболевания.

Исследование сравнивает федеративное обучение с централизованным для классификации доброкачественных и злокачественных поражений в маммографии на двух гетерогенных датасетах (плёночные и цифровые снимки). Результаты показывают, что федеративное обучение работает надёжно в однородных условиях, но демонстрирует снижение производительности при сильном сдвиге доменов между плёночными и цифровыми изображениями.

Исследование сравнивает три подхода к подавлению костной структуры на рентгенограммах грудной клетки: автоэнкодеры, U-Net и генеративно-состязательные сети. Предложенная улучшенная GAN с комбинированной функцией потерь (Wasserstein, L1, перцептивная и Sobel) показала наилучшие результаты по метрикам PSNR (44.09 дБ) и MS-SSIM (0.9968), превосходя ранее опубликованные методы.

Исследование применяет методы машинного обучения для классификации пациентов с боковым амиотрофическим склерозом (БАС) против контрольной группы на основе данных смешанных анкет, содержащих как структурированные переменные, так и свободный текст. Разработана утечка-свободная ML-пайплайн с LLM-экстракцией текста в таблицу и компактным лонгитюдным кодированием. Сравнены три конфигурации признаков: Pool1 (только структурированные данные), Pool2 (добавлены компактные суммарные признаки из первого временного пункта), Pool3 (дополнены описаниями изменений между T1 и T2). В итоговой конфигурации Pool3 Random Forest достиг точности 0.673, F1-взвешенного показателя 0.666 и коэффициента корреляции Мэттьюса 0.323 на holdout-тесте. Кросс-валидация показала F1-weighted 0.654 и MCC 0.312. Анализ ablation показал, что удаление компактного временного блока значительно снижает производительность, тогда как удаление текстового блока почти не влияет. Вывод: в малых клинических когортах ценность языковой обработки заключается не в статических признаках, а в компактном представлении лонгитюдных траекторий изменений.

Leica Biosystems представила сканер для цифровой патологии с интегрированным ИИ-программным обеспечением для автоматического контроля качества. Система автоматически обнаруживает артефакты на слайдах и ускоряет процесс QC на 69%, что критично для онкологических исследований и диагностики.

Команда Penn Medicine разработала ИИ-систему для интерпретации МРТ-сканов сердца, обученную на 300,000+ видео МРТ от 20,000 пациентов. Модель оценивает функцию сердца и диагностирует 39 сердечных заболеваний с точностью до 0.97 AUC, выявив 112 ранее недиагностированных случаев гипертрофической кардиомиопатии в 40,000+ сканах.

Исследование сравнивает алгоритм QuPath для автоматической оценки индекса пролиферации Ki-67 в нейроэндокринных опухолях с ручной оценкой патологов. Алгоритм показал умеренное согласие с патологами (Kappa = 0.32) и чаще присваивал более высокие степени опухоли (42% случаев), подчеркивая необходимость стандартизации критериев.

Статья о внедрении роботизированной бронхоскопии второго поколения в общинных больницах для диагностики рака легких. Интеграция роботизированных платформ с продвинутой визуализацией (флуороскопия, C-arm томография) обеспечивает непрерывную навигацию, упрощает рабочие процессы и улучшает диагностическую точность периферических легочных образований без увеличения затрат.

Статья обсуждает новые рекомендации FDA, ослабляющие надзор за медицинскими ИИ-продуктами, и проблему недостаточной представленности женщин в данных для обучения медицинских моделей. Автор подчеркивает, что ИИ может помочь исправить гендерные предвзятости в диагностике, но только при использовании инклюзивных данных.

Исследование предлагает гибридную AI-квантовую рамку, объединяющую классическое глубокое обучение (LSTM) с квантово-вдохновлёнными моделями для анализа медицинских записей пациентов с СПКЯ. Модель демонстрирует улучшенную способность обрабатывать гетерогенные клинические данные и повышает точность классификации риска бесплодия по сравнению с традиционными методами машинного обучения.

Учёные из Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы провели анализ барьеров внедрения искусственного интеллекта в лучевую диагностику. Исследование основано на практическом опыте московского эксперимента по внедрению компьютерного зрения в медицинскую практику, что отличает его от ранее преимущественно теоретических оценок. Ключевой вывод работы заключается в том, что основные ограничения носят системный характер и требуют комплексного одновременного решения, а не точечных мер. Работа опубликована в специализированном журнале «Менеджер здравоохранения», что подтверждает её научную значимость для отрасли. Результаты исследования важны для руководителей медицинских учреждений и регуляторов, планирующих внедрение ИИ-решений в диагностические службы. Практическая значимость работы заключается в выявлении необходимости синхронизации технологических, организационных и нормативных изменений при цифровизации радиологии.

Исследование представляет новый подход к решению проблемы диагностики редких генетических заболеваний, где пациенты часто проходят многолетнюю «диагностическую одиссею» без постановки точного диагноза. Авторы предлагают симуляционную фреймворк GraPhens, который использует структуру онтологии фенотипов человека (HPO) совместно с двумя эмпирически обоснованными мягкими априорными распределениями — по количеству наблюдаемых фенотипов на случай и специфичности фенотипов — для генерации синтетических пар фенотип-ген. На основе этих синтетических случаев обучается графовая нейронная сеть GenPhenia, которая работает с подграфами фенотипов конкретного пациента вместо плоских наборов фенотипов. Несмотря на то, что модель обучалась исключительно на синтетических данных, она демонстрирует способность обобщаться на реальные ранее не встречавшиеся клинические случаи и превосходит существующие методы приоритизации генов, основанные на фенотипах, на двух реальных наборах данных. Результаты показывают, что когда данные пациентов ограничены, но доступна структурированная онтология, principled simulation может обеспечить эффективные тренировочные данные для сквозных нейросетевых моделей диагностики. Это особенно актуально для редких заболеваний, где сбор достаточного количества клинических случаев затруднён, а структурированные онтологии позволяют генерировать реалистичные синтетические данные.

Статья описывает кризис сельских больниц США и роль обмена данными медицинской визуализации для удаленной диагностики. Упоминается применение агентного ИИ компанией Artera для улучшения взаимодействия с пациентами.

Исследование оценивает способность LLM с Chain-of-Thought reasoning интерпретировать ультразвуковые признаки узлов щитовидной железы в рамках ACR-TIRADS. Grok-3 показал наивысшую точность в качественном анализе (96%), Gemini-2.5 Pro и DeepSeek-R1 превзошли в количественных задачах. Модели продемонстрировали потенциал для клинической поддержки принятия решений.

Исследование представляет собой рандомизированное контролируемое испытание (РКИ), оценивающее эффективность совместной работы врачей и искусственного интеллекта в диагностических процессах. Работа переводит концепцию ИИ из категории вспомогательного инструмента в категорию полноценного партнёра врача при постановке диагноза. Методология включает сравнение диагностических результатов при использовании ИИ-ассистентов versus традиционных подходов в контролируемых условиях. Исследование проверяет гипотезу о том, что коллаборативные рабочие процессы «врач + ИИ» превосходят как работу врача без ИИ, так и работу ИИ без врача. Ключевые результаты будут включать метрики точности диагностики, скорости принятия решений, уровня ошибок и удовлетворённости клинического персонала. Значимость работы заключается в определении оптимальных моделей интеграции ИИ в клиническую практику — это критически важно для внедрения ИИ-систем в реальные медицинские учреждения. Публикация в npj Digital Medicine, ведущем журнале по цифровому здравоохранению, подтверждает научную ценность исследования.