диагностика

Статья представляет собой обзор методологических подходов к интеграции данных жидкой биопсии с использованием искусственного интеллекта и машинного обучения. Авторы анализируют текущее состояние исследований, предлагают стратегии предобработки данных (нормализация, коррекция батч-эффектов) и методы выбора признаков для повышения надежности моделей. Особое внимание уделяется важности строгой валидации и интерпретируемости ИИ-моделей для их клинического внедрения.

В исследовании представлена методология TongueBench для оценки девяти больших мультимодальных моделей (LMM) в задаче диагностики по языку в традиционной китайской медицине без дообучения. Результаты показывают, что использование продвинутых техник промптинга (KGRP) дает modest улучшения метрик по сравнению с прямым запросом, однако модели уступают специализированным обученным базовым моделям и не демонстрируют клинической полезности на уровне пациента.

Статья представляет собой критический обзор перехода от узкоспециализированных моделей ИИ к фундаментальным моделям (foundation models) в сфере лечения диабета, охватывая такие области, как диагностика ретинопатии, прогнозирование уровня глюкозы и анализ электронных медицинских карт. Авторы выявляют серьезные пробелы в валидации, включая отсутствие проспективных испытаний и проблемы с калибровкой моделей, а также анализируют риски безопасности, такие как галлюцинации LLM и алгоритмическая несправедливость.

Исследование применяет алгоритмы машинного обучения (в частности, случайный лес) для прогнозирования тромбоза глубоких вен у пациентов после операции на бедре. Модель показала высокую точность (AUC до 0.859), однако добавление признаков традиционной китайской медицины не улучшило дискриминацию, тогда как индекс TyG остался значимым предиктором.

В статье представлен метод PatHoST — вычислительный фреймворк, использующий слабоконтролируемое обучение для реконструкции пространственного распределения патогенов исключительно на основе транскриптомных данных ткани хозяина. Авторы создали экспериментальный бенчмарк с использованием пространственной транскриптомики, сфокусированной только на патогенах (Mycobacterium abscessus), чтобы оценить полноту их обнаружения и доказать, что традиционные методы двойного профилирования значительно теряют информацию о патогенах. Метод PatHoST использует данные о патогенах для генерации «серебряных стандартов» (приближенных меток) и обучает модель выявлять транскрипционные программы хозяина, предсказывающие присутствие инфекции. Исследование показало, что подход позволяет эффективно восстанавливать пространственные паттерны патогенов в независимых образцах тканей и выявлять локальные регуляторные реакции хозяина, которые не обнаруживаются при стандартном кластерном анализе. Валидация на данных пространственной транскриптомики легких пациентов с SARS-CoV-2 подтвердила обобщаемость метода для разных видов хозяев и классов патогенов. Это решение расширяет аналитические возможности двойной пространственной транскриптомики, позволяя извлекать скрытую информацию о патогенах даже при их слабом сигнале в смешанных образцах.

Компания Optellum интегрировала свое решение Virtual Nodule Clinic (VNC) с платформой RapidAI Enterprise. Решение включает ИИ для автоматического поиска легочных узелков в радиологических отчетах и оценки риска рака легких по КТ-снимкам, что помогает сократить потери пациентов при наблюдении. Это первое в мире ИИ-решение для стратификации риска рака легких на основе изображений, получившее одобрение FDA и возмещение средств Medicare.

Компания SimBioSys получила разрешение FDA на использование TumorSight Risk — программного обеспечения на базе пространственного ИИ, анализирующего данные МРТ, патологии и клинические показатели. Инструмент оценивает индивидуальный риск рецидива через 5 и 10 лет у пациенток с гормонозависимым HER2-негативным раком молочной железы I–IIIA стадии, помогая онкологам планировать лечение без дополнительных процедур.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен метод машинного обучения для прогнозирования персистирующей лихорадки у пациентов с онкологическими заболеваниями, проходящих курс антибиотикотерапии. Проблема раннего выявления неэффективности антибиотиков или развития вторичных инфекций критически важна в онкологии, так как длительная лихорадка может указывать на резистентность возбудителя или нейтропению. Авторы разработали и валидировали модель, использующую клинические данные пациентов для предсказания вероятности сохранения высокой температуры тела. Модель позволяет врачам своевременно корректировать терапию, снижая риск осложнений и продолжительность госпитализации. Исследование демонстрирует высокую точность алгоритма в ретроспективном анализе данных, что подтверждает его потенциал для внедрения в клиническую практику. Данный подход решает важную задачу персонализированной медицины, оптимизируя использование антибиотиков и улучшая исходы лечения для уязвимой группы пациентов с ослабленным иммунитетом.

В статье, опубликованной в журнале npj Digital Medicine 31 октября 2026 года, представлен фундаментальный анализ механизмов принятия решений медицинскими большими языковыми моделями (LLM). Исследование фокусируется на механистической интерпретируемости, позволяющей заглянуть «внутрь» нейросетей и понять, как именно модели формируют клинические выводы. Авторы изучают вариативность в рассуждениях ИИ, выявляя паттерны, которые могут приводить к ошибкам или непоследовательности в диагностике и рекомендациях. Методология включает декомпозицию вычислительных путей в моделях для идентификации конкретных нейронов и слоев, отвечающих за медицинские концепции. Результаты показывают, что вариативность часто связана с неустойчивостью активаций в ключевых слоях внимания, что критично для безопасности применения ИИ в клинической практике. Работа подчеркивает необходимость разработки методов стабилизации рассуждений LLM для повышения их надежности в реальных медицинских сценариях. Это исследование закладывает основу для создания более прозрачных и доверенных ИИ-систем, способных не только ставить диагнозы, но и объяснять логику своих решений врачам. Значимость работы заключается в переходе от «черного ящика» к объяснимому ИИ, что является ключевым барьером для внедрения технологий в клинические протоколы.

GE HealthCare представила новую ультразвуковую систему LOGIQ Focus, оснащенную архитектурой cSound и инструментами на базе ИИ. Ключевые функции включают автоматическое определение анатомии (Auto Preset Assistant) для сокращения времени на подготовку и автоматический расчет фракции выброса (AutoEF) для оценки функции сердца.

В исследовании, опубликованном в журнале npj Digital Medicine 8 октября 2026 года, представлена методика ранней диагностики эпилепсии на основе анализа электронных медицинских карт (ЭМК) с использованием больших языковых моделей (LLM). Авторы демонстрируют, что современные LLM способны эффективно извлекать скрытые паттерны и клинические признаки из неструктурированных текстовых данных пациентов, что позволяет выявлять заболевание на ранних стадиях, часто до появления классических судорожных приступов. Методология включает обработку естественного языка для парсинга врачебных записей, анамнеза и результатов обследований, с последующей классификацией риска развития эпилепсии. Ключевые результаты показывают высокую чувствительность и специфичность модели по сравнению с традиционными статистическими методами и экспертной оценкой врачей, что подтверждает практическую значимость подхода. Внедрение таких систем может существенно сократить время до начала лечения, улучшить прогноз для пациентов и снизить нагрузку на неврологические службы за счет автоматизации скрининга. Исследование открывает новые возможности для интеграции ИИ в рутинную клиническую практику, особенно в условиях нехватки узких специалистов.

В статье представлен новый модуль внимания DDSA, интегрированный в архитектуру DenseNet для классификации пяти подтипов рака яичников по гистопатологическим изображениям. Модель достигла точности 92,53% и высокого F1-счета, демонстрируя способность выделять дискриминативные области опухоли и улучшать интерпретируемость диагностики.

В статье представлена новая архитектура GLHF-Net для автоматической классификации кожных поражений, объединяющая дерматоскопические изображения и клинические метаданные. Модель использует механизм динамического мультимодального слияния и регуляризацию низкого ранга для повышения точности и интерпретируемости диагностики меланомы на наборе данных HAM10000.

Проведено аудирование трех популярных ИИ-платформ для оценки симптомов (Ada Health, Isabel Healthcare, Docus AI) на предмет секс-предвзятости. Исследование показало, что алгоритмы выдают различные диагнозы и рекомендации для мужчин и женщин при идентичных клинических сценариях, включая внутренние противоречия в объяснениях. Результаты подчеркивают необходимость этического аудита таких систем перед их внедрением в медицинскую практику.

В статье рассматривается применение моделей на архитектуре Transformer в кардиологии для анализа ЭКГ, медицинских изображений и электронных карт. Авторы критически оценивают трансляционные ограничения, такие как качество данных и валидация, и определяют приоритеты для внедрения ответственного ИИ в клиническую практику.

В статье представлен систематический обзор и метаанализ, посвященный применению методов искусственного интеллекта и машинного обучения для диагностики синдрома дефицита внимания и гиперактивности (СДВГ). Исследование анализирует эффективность различных алгоритмов ИИ при работе с разнородными медицинскими данными, включая нейровизуализацию, поведенческие метрики и клинические анкеты. Авторы оценивают точность, чувствительность и специфичность моделей, демонстрирующих способность отличать пациентов с СДВГ от здоровых контрольных групп. Метаанализ выявляет ключевые тенденции в использовании глубокого обучения для выявления биомаркеров расстройства, что позволяет преодолеть субъективность традиционных клинических оценок. Результаты показывают, что интеграция мультимодальных данных с помощью ИИ значительно повышает диагностическую точность по сравнению с изолированным использованием одного типа данных. Работа подчеркивает важность валидации моделей на независимых выборках и необходимость стандартизации подходов к сбору данных для обеспечения воспроизводимости результатов. Данное исследование имеет высокую значимость для развития персонализированной медицины и создания объективных инструментов скрининга СДВГ, особенно в педиатрической практике. Выводы статьи указывают на перспективность ИИ-технологий как вспомогательного средства для врачей, хотя и отмечают текущие ограничения в интерпретируемости моделей и их клинической интеграции.

Исследование демонстрирует, что автоматизированная сегментация предстательной железы на основе нейросети nnU-Net обеспечивает более точный расчет плотности ПСА по сравнению с традиционными методами, улучшая диагностику клинически значимого рака простаты. Автоматизированный подход показал диагностическую эффективность, сопоставимую с ручной сегментацией, что подтверждает его потенциал для внедрения в клиническую практику.

В статье представлен метод машинного обучения (Random Forest) для точного определения точки B на импедансной кардиограмме, что критически важно для неинвазивного гемодинамического мониторинга. Метод значительно превосходит традиционные алгоритмы по точности и устойчивости к помехам, достигая ошибки ниже межэкспертной вариабельности.

В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, анализируются ожидания пациентов относительно точности систем искусственного интеллекта, используемых для раннего выявления заболеваний. Авторы определяют минимальные пороги чувствительности и специфичности, которые пациенты считают приемлемыми для внедрения ИИ-алгоритмов в клиническую практику. Методология включает сбор данных через опросы участников, оценивающих риски ложноположительных и ложноотрицательных результатов при использовании ИИ-диагностики. Ключевые результаты показывают, что пациенты готовы принять более высокий уровень ложноположительных срабатываний, если это гарантирует высокую чувствительность и раннее выявление патологии. Исследование выявило значительные различия в требованиях к точности в зависимости от типа заболевания и тяжести возможных последствий. Полученные данные имеют критическое значение для разработчиков медицинских ИИ-систем, позволяя им настраивать пороги принятия решений алгоритмов в соответствии с предпочтениями конечных пользователей. Результаты подчеркивают важность человеко-ориентированного подхода при валидации и внедрении ИИ в здравоохранение, смещая фокус с чисто технических метрик на клиническую и социальную приемлемость. Это исследование закладывает основу для новых стандартов регуляторного одобрения ИИ-устройств, учитывающих не только эффективность, но и доверие пациентов.