диагностика

Статья систематизирует технические и регуляторные требования к мониторам, используемым патологами при переходе от стеклянных препаратов к цифровым сканам (WSI). Авторы анализируют различия между медицинскими и профессиональными дисплеями, подчеркивая важность цветопередачи, стабильности яркости и строгого контроля качества.

Разработана модель глубокого обучения для быстрой классификации органов по гистологическим препаратам (H&E) с использованием низкоразрешенных миниатюр. Метод позволяет проводить автоматизированный контроль качества цифровых архивов, выявляя ошибки маркировки образцов менее чем за секунду.

Исследование демонстрирует успешное внедрение ИИ-инструмента поддержки принятия решений в цифровую патологию для диагностики биопсии простаты. Использование ИИ позволило сократить время постановки диагноза на 30% и снизить потребность в иммуногистохимических исследованиях на 38% при сохранении высокой точности.

Исследование демонстрирует способность модели LLaMA 3.3 70B извлекать прогностическую информацию из текстовых патоморфологических отчетов для оценки выживаемости при раке ЖКТ. Разработанный метод позволяет преобразовывать неструктурированный текст в бинарный биомаркер риска, который является независимым прогностическим фактором.

Представлен новый метод REMIL-IBD для автоматизированной оценки активности воспалительных заболеваний кишечника (ВЗК) на основе цельных гистологических изображений. Использование предобученных фундаментальных моделей позволяет достичь точности 82–84% при классификации степени тяжести заболевания, обеспечивая при этом интерпретируемость результатов.

Разработан новый вычислительный фреймворк TIMEL, использующий глубокое обучение для анализа микроокружения опухоли на гистологических изображениях. Исследование показало, что пространственные характеристики иммунных и опухолевых клеток позволяют эффективно прогнозировать выживаемость и риск метастазирования.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено анализу способности больших языковых моделей (LLM) оценивать читаемость и структурированность радиологических заключений. Авторы применяют многомерный подход к оценке, проверяя, насколько эффективно ИИ может интерпретировать сложность медицинского текста и его доступность для различных групп пользователей. В работе исследуется методология сопоставления оценок LLM с экспертными заключениями опытных радиологов. Ключевым результатом является выявление корреляции между метриками, генерируемыми моделями, и реальной клинической полезностью отчетов. Исследование подчеркивает потенциал использования ИИ для автоматизированного аудита качества документации в радиологии, что может значительно снизить когнитивную нагрузку на врачей и улучшить коммуникацию с пациентами. Результаты работы закладывают основу для внедрения интеллектуальных систем контроля качества медицинских текстов в клиническую практику.

Компания Esaote представила систему I-Genius — открытый МРТ-сканер, оптимизированный для использования непосредственно во время операций по удалению глиом. Устройство позволяет проводить многократные сканирования без перемещения пациента, обеспечивая хирургов точными данными в реальном времени для более качественного удаления опухоли.

Крупнейший поставщик услуг визуализации SimonMed внедряет ИИ-решение SwiftMR от AIRS Medical во всей своей сети. Технология позволяет повысить качество МРТ-снимков, сократить время сканирования и оптимизировать рабочие процессы на оборудовании различных производителей.

Компания Trice Imaging обновляет свою облачную платформу Tricefy для управления медицинскими изображениями, внедряя функции динамических отчетов и расширенную интеграцию с EMR/EHR. Обновления направлены на поддержку растущих объемов данных и подготовку инфраструктуры для использования алгоритмов ИИ в ультразвуковой диагностике.

Компания Roche объявила о приобретении PathAI, специализирующейся на цифровой патологии и технологиях на базе ИИ. Сделка направлена на автоматизацию диагностических процессов, улучшение точности диагностики рака и развитие прецизионной медицины.

В статье представлены результаты конкурса IMMREP25, направленного на решение одной из сложнейших задач иммуноинформатики — предсказание связывания Т-клеточных рецепторов (TCR) с пептидами, представленными молекулами MHC (pMHC). В отличие от предыдущих соревнований, фокус был смещен с известных пептидов на «неизвестные» (unseen), для которых отсутствуют экспериментальные данные. В конкурсе приняли участие 126 команд, оценивавших специфичность 1000 TCR к двадцати новым пептидам, ограниченным молекулами HLA-A*02:01 и HLA-B*40:01. Лучшие методы достигли показателя macro-AUC_0.1 равного 0.60, что значительно превосходит уровень случайного угадывания и свидетельствует о прогрессе в области. Анализ показал, что наиболее эффективные подходы интегрируют структурное моделирование, что критически важно для предсказания взаимодействий с новыми мишенями. Результаты бенчмарка подчеркивают необходимость перехода от чисто статистических методов к структурно-ориентированным моделям для развития клинической диагностики и терапии.

Исследование посвящено решению проблемы неточности обнаружения соматических мутаций, вызванной использованием линейных референсных геномов, которые не учитывают генетическое разнообразие и опираются на данные одного донора. Авторы протестировали новый графовый человеческий пангеномный референс на 30 образцах цельноэкзомного секвенирования опухолей мочевого пузыря с соответствующими образцами крови людей различного происхождения. Результаты показали, что использование пангенома значительно превосходит линейные референсы, особенно у представителей восточноазиатской популяции, где точность обнаружения однонуклеотидных вариантов (SNV) выросла в среднем на 20%. Улучшение показателей было достигнуто за счет снижения эффекта референсной предвзятости и уменьшения загрязнения герминальными (наследственными) вариантами. Кроме того, применение пангенома повышает точность (precision) обнаружения мутаций, что позволяет отказаться от ресурсозатратных ансамблевых методов, объединяющих результаты нескольких инструментов. Эффект подтвердился и на дополнительной выборке из 29 опухолей аденокарциномы легкого, что делает пангеном критически важным инструментом для снижения неравенства в точности диагностики между различными этническими группами.

В статье рассматривается потенциал внедрения новых инструментов искусственного интеллекта для ретроспективного анализа уже существующих компьютерных томограмм (КТ) с целью выявления рисков развития сердечно-сосудистых заболеваний. Основная идея заключается в использовании ИИ для автоматизированного скрининга огромных массивов данных, которые уже хранятся в медицинских архивах, что позволяет выявлять скрытые патологии без дополнительных инвазивных процедур. Однако авторы поднимают критически важные вопросы экономической эффективности и практического внедрения: кто возьмет на себя расходы по анализу архивных снимков и как это повлияет на конечные показатели здоровья населения. Исследование фокусируется на разрыве между технологической возможностью массового скрининга и существующими моделями медицинского страхования и оплаты медицинских услуг. Реализация такого подхода может радикально изменить кардиологическую диагностику, если будет решен вопрос финансовой модели и клинической доказанности улучшения исходов для пациентов.

Исследование посвящено разработке нового метода анализа циркулирующей опухолевой ДНК (ctDNA) для неинвазивного мониторинга минимальной остаточной болезни (MRD) и раннего выявления рецидивов рака. Авторы предложили инновационный фреймворк, объединяющий поиск соматических мутаций с фрагментомными характеристиками (длиной фрагментов и паттернами мотивов на их концах). В ходе исследования было проанализировано 712 серийных образцов цельногеномного секвенирования (WGS) у 90 пациентов с колоректальным раком III стадии в течение трех лет наблюдения. Комбинированный подход показал превосходство над стандартными методами: показатель AUC достиг 0,871 при использовании длины и мотивов, и 0,873 при интеграции с оценкой доли опухолевой фракции, что выше, чем при простом подсчете мутантных фрагментов (AUC=0,832). Ключевые выявленные признаки ctDNA включают укорочение фрагментов и специфическое обогащение мотивов A/T на концах фрагментов при истощении C/G концов. Данный метод является масштабируемым, не требует обучения моделей или калибровки по контрольным группам (panel-of-normals), что делает его перспективным инструментом для клинической практики.

В данной работе представлен emb2dis — инновационный инструмент глубокого обучения, предназначенный для предсказания неупорядоченности белков (IDPs) непосредственно по их аминокислотной последовательности. Методология исследования базируется на использовании предобученных языковых моделей белков (pLMs) для генерации эмбеддингов, которые затем обрабатываются гибридной архитектурой, сочетающей остаточные сети (ResNets) и расширенные (dilated) свертки. Такое архитектурное решение позволяет значительно увеличить рецептивное поле модели, обеспечивая захват расширенного контекста для каждого аминокислотного остатка. В ходе тестирования на актуальном слепом бенчмарке CAID3 модель заняла первое место в категории Disorder-PDB, продемонстрировав высокие показатели AUC и Fmax. Кроме того, emb2dis вошел в топ-10 лучших методов на наборе данных Disorder-NOX. Разработка имеет высокую практическую значимость, так как позволяет эффективно и дешево предсказывать структурные особенности белков, связанные с различными заболеваниями, заменяя дорогостоящие экспериментальные методы. Авторы обеспечили открытый доступ к исходному коду и веб-демо для широкого использования в биоинформатике.

В исследовании представлена SSPSPredictor — инновационная мультимодальная модель глубокого обучения, предназначенная для идентификации фазово-разделяющихся белков (PSP), которые лежат в основе формирования безмембранных органелл в клетках. Методология модели базируется на слиянии двух подходов: использовании языковой модели белков ESM-2 для анализа аминокислотных последовательностей и графовой нейронной сети GVP для извлечения структурных признаков. В отличие от существующих инструментов, SSPSPredictor демонстрирует сбалансированную точность в определении эндогенных PSP, прогнозировании склонности к жидкостно-жидкостному фазовому разделению (LLPS) и локализации ключевых доменов, ответственных за этот процесс. Анализ человеческого протеома с помощью данной модели показал, что доля внутренне неупорядоченных белков (IDP), подверженных LLPS, значительно превышает аналогичный показатель для белков с четко выраженной структурой. Особую клиническую значимость представляет обнаружение связи между патогенными мутациями и повышенной склонностью к фазовому разделению, особенно в неупорядоченных регионах белков. Это открывает новые возможности для понимания механизмов заболеваний на аминокислотном уровне с помощью ИИ.

Разработано новое программное обеспечение T-Rex (Trio Rare variant analysis of EXomes), предназначенное для упрощения анализа данных полноэкзомного секвенирования (WES) в рамках семейных трио (ребенок и родители). Приложение представляет собой кроссплатформенное десктопное решение, которое позволяет проводить клинически значимый биоинформатический анализ локально, не требуя навыков программирования. Инструмент интегрирует передовые методы выравнивания, двойной вызов вариантов (GATK HaplotypeCaller и VarScan2) и аннотацию через SNPEff/SNPSift, а также использует статистические тесты, такие как тест на неравновесие передачи (TDT). Бенчмаркинг на наборе данных Genome in a Bottle показал высокую точность в 99,2% при чувствительности 91,1%. Тестирование на когорте из 121 педиатрического онкологического трио подтвердило способность системы успешно идентифицировать все ранее известные патогенные варианты при фильтрации редких вариантов (MAF ≤ 0,1% по gnomAD v4.0). T-Rex позволяет клиникам проводить глубокий генетический анализ в соответствии с правилами защиты данных, снижая зависимость от внешних провайдеров и упрощая исследовательскую работу.

Компании Wavelet Medical и Aegis Ventures объявили о стратегическом партнерстве с целью разработки первой в мире платформы для неинвазивного мониторинга электроэнцефалограммы (ЭЭГ) плода с использованием искусственного интеллекта. Устройство работает путем считывания сигналов мозга плода через специальные сенсоры, размещаемые на теле беременной женщины. Ключевой технологической особенностью является способность системы извлекать и анализировать слуховые сигналы для оценки состояния плода в режиме реального времени. Основная цель разработки — оперативное обнаружение признаков фетального дистресса (критического состояния плода), что позволит врачам своевременно принимать меры. Данная технология представляет собой значительный прорыв в области пренатальной диагностики, переходя от традиционного мониторинга сердцебиения к глубокому анализу активности головного мозга.