диагностика

Статья предлагает новую модель EMSSTGAN на основе графовых сетей внимания для автоматического измерения толщины воротникового пространства (NT) на УЗИ. Метод включает предварительную обработку изображений, сегментацию области NT и точное измерение толщины для оценки риска хромосомных аномалий, достигая точности 98,15%. Это решение устраняет субъективность ручного измерения и повышает надежность ранней диагностики.

В статье представлена новая методология оценки OCTAVE (Octave-scale Evaluation), предназначенная для более точной проверки моделей искусственного интеллекта, предсказывающих пространственную экспрессию генов на основе гистологических изображений. Авторы критикуют стандартный метрический подход, основанный на среднем коэффициенте корреляции Пирсона (PCC) по генам, указывая на его неспособность различать пространственные масштабы: модель может получать высокие баллы просто за улавливание крупной организации ткани, игнорируя мелкомасштабные детали. Для демонстрации этой проблемы используется концепция «доменного оракула», который показывает, что даже простые статистические предсказания на основе разбиения ткани достигают 82–123% от результата сложных обучаемых моделей при стандартном разрешении (~100 мкм). Методология OCTAVE решает эту проблему, разделяя предсказания и измерения на пространственные полосы шириной в микрометры и оценивая их соответствие на каждом отдельном масштабе. Анализ данных Xenium с разрешением 16 мкм выявил, что на мелких масштабах (~20 мкм) недостатки моделей становятся значительно более очевидными, чем это видно через призму PCC, а оракул отстает от обученной модели в 2,4 раза больше, чем по среднему PCC. Исследование охватило 57 различных кодировщиков изображений и показало, что finest band (самый мелкий масштаб) меняет рейтинг 261 пары из 1596 по сравнению со стандартной метрикой, что доказывает несостоятельность текущих бенчмарков шириной 50 мкм для валидации тонкой структуры. Внедрение OCTAVE позволяет напрямую валидировать способность ИИ-моделей предсказывать экспрессию генов на конкретных пространственных масштабах, что критически важно для развития точной цифровой патологии и пространственной транскриптомики.

В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.

В исследовании, опубликованном в журнале npj Digital Medicine 3 октября 2026 года, представлена новая интерпретируемая система диагностики на основе УЗИ молочных желез, использующая мультимодальный подход с поиском с дополнением (Retrieval Augmented Generation, RAG). Методология включает интеграцию визуальных данных УЗИ с текстовыми клиническими контекстами для повышения точности и прозрачности решений искусственного интеллекта. Система прошла многонациональную клиническую валидацию, что подтверждает её надежность в различных демографических и технических условиях. Ключевым элементом является проведение исследования с участием врачей-радиологов, где ИИ-ассистент сравнивался с экспертной оценкой, демонстрируя значительное улучшение чувствительности и специфичности диагностики. Результаты показывают, что внедрение интерпретируемых ИИ-моделей позволяет не только повысить точность выявления патологий, но и обеспечить доверие со стороны медицинского персонала за счет объяснимости выводов. Это исследование закладывает основу для клинического внедрения мультимодальных ИИ-систем в рутинную практику маммологии и УЗИ-диагностики.

Компания Prenuvo запустила Исследовательскую сеть для изучения ранних признаков заболеваний с использованием базы данных из более чем 200 000 снимков МРТ всего тела и собственных ИИ-инструментов. Инициатива направлена на создание доказательной базы для превентивной медицины в сотрудничестве с ведущими академическими институтами.

Больница SMRMC установила первую в США КТ-систему Philips Rembra, предназначенную для работы в условиях высокой нагрузки и экстренной помощи. Устройство использует ИИ-оптимизированные рабочие процессы и быструю реконструкцию изображений для сокращения времени сканирования и ускорения клинических решений в неотложных состояниях.

Компания Tiny Health привлекла $33 млн в рамках раунда Series B для финансирования клинических исследований и развития своих ИИ-технологий. Платформа использует искусственный интеллект для анализа данных микробиома и предоставления персонализированных рекомендаций по здоровью, что напрямую связано с применением ИИ в медицинской диагностике и профилактике.

Компания DreaMed Diabetes получила одобрение FDA для приложения MODI, которое использует алгоритмы для автоматической оптимизации дозировок инсулина у пациентов с диабетом 2 типа, сочетающих базальную терапию и множественные инъекции. Система анализирует данные непрерывного мониторинга глюкозы (CGM) и предоставляет персонализированные рекомендации по дозам, что позволяет чаще корректировать терапию без необходимости ручного одобрения каждого изменения врачом.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методика автоматизированной количественной оценки и трехмерной визуализации острой травмы спинного мозга шейного отдела позвоночника с использованием данных магнитно-резонансной томографии (МРТ). Авторы разработали алгоритмы искусственного интеллекта и машинного обучения для обработки многопоследовательных МРТ-сканов, что позволяет не только точно определять локализацию и степень повреждения, но и создавать детализированные 3D-модели пораженных участков. Методология включает автоматическое сегментирование тканей спинного мозга и выделение патологических изменений на различных последовательностях сканирования, что значительно превосходит традиционные ручные методы оценки по скорости и воспроизводимости. Ключевые результаты демонстрируют высокую точность алгоритмов в дифференциации типов травм и оценке объема повреждения, что критически важно для прогнозирования исходов лечения и планирования хирургических вмешательств. Внедрение данной технологии в клиническую практику способно сократить время диагностики, минимизировать субъективность оценки радиологов и улучшить коммуникацию между специалистами благодаря наглядной 3D-визуализации. Исследование подчеркивает значимость применения ИИ в нейрорадиологии для повышения качества помощи пациентам с острыми травмами спинного мозга.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена инновационная мобильная платформа Strabismus-Net, предназначенная для автоматизированной диагностики косоглазия на основе стандартных фотографий глаз. Архитектура приложения базируется на передовой нейросетевой модели, использующей механизм двухпоточного кросс-внимания (dual-stream cross-attention) для глубокого анализа микровыражений и выравнивания зрачков, а также метод адаптивного агрегирования признаков для повышения точности классификации типов косоглазия. Система обрабатывает изображения, сделанные в девяти различных направлениях взгляда, что позволяет учитывать сложные паттерны отклонения глазных яблок и снижает вероятность ложноположительных результатов, характерных для однокадровых систем. Ключевым преимуществом разработки является интеграция мощных алгоритмов компьютерного зрения непосредственно в мобильное приложение, что делает инструмент доступным для использования в условиях амбулаторного приема или даже в домашних условиях без необходимости в дорогостоящем специализированном оборудовании. Результаты тестирования демонстрируют высокую чувствительность и специфичность модели, сопоставимые с оценками опытных офтальмологов, что подтверждает клиническую значимость предложенного подхода. Внедрение такого решения способно существенно ускорить первичный скрининг пациентов, особенно в регионах с нехваткой узких специалистов, и способствовать раннему выявлению нарушений зрительной функции у детей и взрослых.

В статье представлена новая архитектура искусственного интеллекта FairEnc, предназначенная для диагностики глаукомы на основе анализа медицинских изображений. Модель базируется на парадигме vision-language (визуальный язык), где ключевой инновацией является внедрение специализированных кодировщиков для визуальных и текстовых данных, обеспечивающих справедливость (fairness) предсказаний. Исследователи акцентируют внимание на устранении смещений (bias) в алгоритмах, которые часто возникают из-за неравномерного распределения данных по демографическим группам. Методология включает совместное обучение кодировщиков для достижения высокой точности при одновременном обеспечении эгалитарного отношения к разным подгруппам пациентов. Результаты демонстрируют значительное улучшение метрик справедливости по сравнению с существующими базовыми моделями, сохраняя при этом высокую диагностическую точность. Это исследование имеет критическое значение для клинической практики, так как позволяет создавать более надежные и этичные системы поддержки врачебных решений. Внедрение таких моделей может снизить риск ошибочных диагнозов для уязвимых групп населения и повысить доверие к ИИ-технологиям в офтальмологии.

В статье представлен новый фреймворк BenSParX, разработанный для автоматизированного выявления болезни Паркинсона на основе анализа акустических характеристик разговорной речи на бенгальском языке. Исследование решает важную проблему нехватки данных и моделей для немаргинализированных языков, применяя передовые методы машинного обучения к лингвистическим особенностям бенгальской диаспоры. Авторы использовали набор данных, включающий записи речи пациентов с подтвержденным диагнозом и здоровых контрольных групп, извлекая такие признаки, как мел-кепстральные коэффициенты, интонационные паттерны и темп речи. Ключевой особенностью системы является интеграция методов объяснимого ИИ (XAI), что позволяет врачам понимать, какие именно акустические параметры повлияли на решение алгоритма, повышая доверие к диагностике. Модель продемонстрировала высокую точность классификации, превосходя традиционные методы анализа речи, и показала устойчивость к шуму и вариациям в произношении. Результаты исследования подтверждают потенциал использования доступных технологий анализа речи для скрининга нейродегенеративных заболеваний в регионах с ограниченным доступом к специализированной медицинской помощи. Работа вносит вклад в развитие персонализированной медицины и цифровых биомаркеров для неврологии.

В статье представлена новая архитектура глубокого обучения DMNet-E, специально разработанная для задачи автоматической сегментации атеросклеротических бляшек на изображениях внутрисосудистой оптической когерентной томографии (IVOCT). IVOCT является высокодетализированным методом визуализации, позволяющим оценивать морфологию бляшек, однако ручная разметка таких данных требует значительных временных затрат и подвержена субъективности. Авторы предлагают двухэтапную стратегию сегментации, использующую множественные декодеры для одновременного выделения ключевых структур: липидных кил, фиброзной ткани и кальцификации. Методология включает предварительную обработку изображений для снижения шума и улучшения контрастности, за которой следует многопоточная нейросетевая обработка, оптимизированная для учета гетерогенности тканей сосудов. Исследование демонстрирует высокую точность алгоритма, превосходящую существующие методы сегментации по метрикам Dice Similarity Coefficient (DSC) и Hausdorff Distance. Результаты показывают, что DMNet-E способен надежно идентифицировать сложные структуры бляшек, что критически важно для оценки риска разрыва и планирования интервенционных процедур. Внедрение данной системы может существенно ускорить клинический анализ IVOCT-данных, обеспечивая стандартизированную и объективную оценку риска сердечно-сосудистых событий. Работа опубликована в ведущем журнале по медицинскому ИИ, что подтверждает ее научную значимость и потенциал для интеграции в клиническую практику.

В данной обзорной статье, опубликованной в журнале 'Artificial Intelligence in Medicine' в декабре 2026 года, рассматривается передовой подход к использованию радиомники и методов искусственного интеллекта для выявления системных заболеваний на основе исключительно локализованных медицинских изображений. Авторы, включая Лиси Ван, Юя Ши и других экспертов, демонстрируют, как алгоритмы глубокого обучения способны извлекать скрытые биомаркеры из снимков, не охватывающих весь орган или тело, что позволяет прогнозировать такие состояния, как сердечно-сосудистые патологии, диабет или онкологические метастазы, по данным, полученным, например, только из КТ грудной клетки или МРТ мозга. Исследование подчеркивает методологическую значимость радиомники — количественного анализа характеристик изображений на уровне пикселей, который в сочетании с нейросетями выявляет паттерны, невидимые человеческому глазу. Ключевые результаты обзора показывают высокую точность (AUC до 0.90-0.95 в ряде исследований) предсказания системных рисков, что открывает новые возможности для ранней диагностики и персонализированной медицины. Статья подробно анализирует архитектуру моделей, методы валидации и проблемы обобщаемости алгоритмов на различных популяциях. Значимость работы заключается в потенциале снижения необходимости в инвазивных или дорогостоящих全身ных обследованиях, используя уже имеющиеся локальные снимки. Это направление считается одним из самых перспективных в медицинской ИИ-диагностике, так как оно максимизирует ценность уже собранных данных визуализации.

В данной систематическом обзоре, опубликованном в журнале Artificial Intelligence in Medicine в декабре 2026 года, рассматривается эволюция методов глубокого обучения, применяемых в традиционной китайской медицине для диагностики по состоянию языка. Авторы анализируют переход от классических архитектур, таких как сверточные нейронные сети (CNN), к современным большим базовым моделям (foundation models), способным обрабатывать сложные мультимодальные данные. Исследование охватывает ключевые этапы развития алгоритмов, их применение для классификации паттернов языка, извлечения признаков и повышения точности диагностики. Особое внимание уделяется преимуществам больших моделей в контексте обобщения знаний и работы с ограниченными наборами медицинских данных. Обсуждаются технические вызовы, связанные с интерпретируемостью нейросетевых решений и необходимостью валидации в клинических условиях. Результаты обзора демонстрируют значительный потенциал интеграции передовых ИИ-технологий в практику восточной медицины для создания более объективных и автоматизированных систем поддержки врачебных решений. Статья служит важным ориентиром для исследователей, работающих на стыке искусственного интеллекта и традиционной медицины.

В данном исследовании представлена новая архитектура для автоматической сегментации опухолей печени на медицинских изображениях, основанная на адаптации фундаментальной модели Segment Anything Model (SAM). Авторы интегрировали в базовую модель методы контрастной многообразной регуляризованной самообучающейся разметки (SSL), что позволяет эффективно использовать большие объемы неразмеченных данных для улучшения обобщающей способности нейросети. Дополнительно внедрен механизм промптов на базе архитектуры YOLO, который значительно повышает точность локализации интересующих областей, устраняя типичные для SAM проблемы с детекцией мелких или атипичных структур. Методология сочетает преимущества предобученных фундаментальных моделей с доменно-специфической оптимизацией, что критически важно для задач медицинской визуализации, где качество данных часто ограничено. Исследование демонстрирует высокую эффективность предложенного подхода в условиях нехватки размеченных клинических данных, обеспечивая надежную сегментацию патологий печени. Результаты работы подтверждают значительный потенциал гибридных ИИ-систем для поддержки радиологов в диагностике онкологических заболеваний. Разработка направлена на снижение субъективности оценки и ускорение обработки медицинских изображений в клинической практике.

В статье представлена новая генеративная ИИ-система DentalGEN, предназначенная для автоматизации процесса восстановления зубных коронок в стоматологии. Методология исследования включает разработку крупномасштабной контролируемой генеративной модели, способной создавать точные цифровые модели реставраций на основе входных данных. Ключевые результаты демонстрируют высокую эффективность системы в генерации анатомически корректных и функциональных коронок, что существенно сокращает время, необходимое стоматологам-техникам. Значимость для практики заключается в потенциальном снижении затрат на производство реставраций и повышении доступности качественной стоматологической помощи за счет автоматизации рутинных этапов. Исследование подчеркивает возможности применения генеративного искусственного интеллекта в узкоспециализированных медицинских областях, выходящих за рамки традиционной диагностики. Система способна обрабатывать сложные случаи, обеспечивая при этом стабильно высокое качество результатов, сопоставимое с работой опытных специалистов. Это открывает новые перспективы для интеграции ИИ в клиническую практику и цифровое производство в стоматологии.

В статье представлена новая полуобучаемая нейросетевая архитектура, предназначенная для улучшения качества визуализации вентиляции легких на основе 4D компьютерной томографии (КТ). Методология основана на двойном механизме внимания, который одновременно учитывает динамические изменения анатомии органов дыхания и движения тканей во время дыхательного цикла. Использование полуобучаемого подхода позволяет эффективно использовать как размеченные, так и большие объемы неразмеченных данных, что критически важно в медицинской визуализации, где получение точных экспертных меток затруднено. Исследование демонстрирует, что интеграция информации о движении и анатомической структуре в единую сеть повышает точность регистрации изображений и снижает артефакты, возникающие при деформации тканей. Ключевые результаты показывают значительное улучшение метрик сходства изображений и согласованности векторов смещения по сравнению с существующими методами, что напрямую влияет на надежность клинических выводов. Данный подход имеет высокую значимость для практики, так как позволяет более точно оценивать региональную функцию легких, что необходимо для планирования лучевой терапии при онкологии легких и мониторинга прогрессирования заболеваний. Разработка решает одну из ключевых проблем медицинской физики — необходимость точного сопоставления анатомических структур в разные фазы дыхания без избыточных вычислительных затрат.

В исследовании оценивалась диагностическая эффективность офлайн-системы на базе искусственного интеллекта, интегрированной в смартфон-офтальмоскоп Remidio Fundus on Phone, для выявления диабетической ретинопатии (ДР) в условиях ограниченных ресурсов. Проспективное исследование проведено в амбулаторном отделении Медицинского центра имени Джона Ф. Кеннеди в Монровии, Либерия, с участием 1612 взрослых пациентов. Золотым стандартом служила оценка изображений двумя офтальмологами согласно классификации ICDR, при этом ИИ-алгоритм работал автономно без подключения к интернету. Среди 1198 участников с качественными снимками ИИ выявил 10 из 11 случаев реферальной ДР, что обеспечило чувствительность 90,9% (95% ДИ: 58,7%–100%). Специфичность алгоритма составила 99,7% (95% ДИ: 99,1%–99,9%) при классификации пациентов без реферальной патологии. Положительная прогностическая ценность составила 71,4%, а отрицательная — 99,9%, что подтверждает высокую надежность исключения заболевания. Результаты демонстрируют высокую жизнеспособность использования портативных ИИ-решений для скрининга ДР в странах с низким уровнем дохода, где доступ к специалистам ограничен. Данное исследование вносит важный вклад в развитие телемедицины и доступности офтальмологической помощи в глобальном масштабе.