диагностика

В статье представлен метод ортогонально-полиномиального изображения (OPI), который преобразует 12-канальные ЭКГ в двумерные изображения для использования в моделях компьютерного зрения. Метод демонстрирует высокую эффективность классификации на данных PhysioNet, сохраняя диагностически важную информацию без потерь.

В исследовании разработана мультимодальная модель ИИ, объединяющая данные КТ-визуализации (с использованием предобученной нейросети DINOv3) и клинические переменные для предоперационной оценки инвазивности легочных узлов. Модель продемонстрировала высокую точность (средний AUC 0.8566) в дифференциации предраковых поражений и инвазивной аденокарциномы легкого на внутреннем наборе данных.

Статья посвящена потенциалу искусственного интеллекта для улучшения диагностики пневмококковых инфекций у детей, особенно в условиях нехватки специалистов в первичном звене и удаленных регионах. Авторы отмечают дефицит качественных исследований в этой области и предлагают провести систематический обзор литературы для выявления пробелов в знаниях и формирования четкой повестки будущих исследований.

Статья представляет SSLVNet — гибридную модель на базе самообучения и Vision Transformers для автоматической многоклассовой диагностики заболеваний сетчатки по фотографиям глазного дна. Модель достигает высокой точности (84.44%) и обеспечивает интерпретируемость предсказаний с помощью Grad-CAM, что критически важно для внедрения в клиническую практику.

В статье представлена новая гибридная архитектура глубокого обучения GINet, сочетающая EfficientNetV2, оконное внимание и модуль Mamba (state-space model) для классификации заболеваний ЖКТ по эндоскопическим снимкам. Модель достигает высокой точности (93% на тестовой выборке) и использует методы объяснимого ИИ (Grad-CAM) для визуализации областей интереса, что повышает доверие к диагнозу.

В статье представлен обзор исследований, оценивающих эффективность методов машинного обучения на основе анализа изображений для раннего выявления саркомы Капоши у пациентов с ВИЧ. Основные результаты показывают, что дерматоскопические и гистопатологические модели демонстрируют высокую чувствительность, однако существуют проблемы с валидацией и репрезентативностью данных.

В статье представлена новая архитектура на базе YOLOv11 для автоматической классификации восьми типов заболеваний сетчатки по изображениям ОКТ. Модель достигает 98% точности и обеспечивает высокую интерпретируемость за счет визуализации Grad-CAM, что делает её перспективной для поддержки скрининга.

В статье представлена новая архитектура нейронной сети MSHAN, сочетающая многомасштабную абстракцию признаков и иерархические механизмы внимания для классификации аритмий по данным ЭКГ. Модель достигла точности 96,25% на базе данных MIT-BIH, превзойдя традиционные методы, и использует визуализацию SHAP для обеспечения интерпретируемости решений, что помогает кардиологам проверять правильность предсказаний.

В статье представлен систематический обзор и байесовский сетевой метаанализ 21 рандомизированного контролируемого испытания, оценивающий эффективность систем компьютерного обнаружения на основе ИИ (CADe) при колоноскопии. Результаты показывают, что использование ИИ-систем значительно повышает частоту обнаружения аденом по сравнению с традиционной колоноскопией, хотя прямые сравнения между различными системами ИИ требуют осторожной интерпретации.

Обзорная статья, опубликованная в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026), посвящена систематическому обзору эволюции методов искусственного интеллекта в анализе изображений сетчатки глаза — от классических свёрточных нейронных сетей (CNN) до современных фундаментальных моделей (foundation models). Авторы рассматривают ключевые этапы развития: переход от специализированных моделей глубокого обучения, обучаемых на конкретных наборах данных (например, для диагностики диабетической ретинопатии, глаукомы, возрастной макулярной дегенерации), к крупным предобученным моделям, способным решать множество задач офтальмологии с минимальной донастройкой. Особое внимание уделяется проблемам клинической трансляции: обобщаемости моделей между различными популяциями пациентов и типами оборудования, интерпретируемости предсказаний, калибровке уверенности и обеспечению надёжности (trustworthiness) при развёртывании в реальной клинической практике. Статья охватывает вопросы валидации, регуляторных требований и барьеров, препятствующих внедрению ИИ-систем в офтальмологические клиники. Работа представляет интерес для исследователей и клиницистов, занимающихся автоматизированной диагностикой заболеваний сетчатки.

В статье представлен метод MCseg — платформа для анализа пространственной транскриптомики, в которой используется ИИ-агент для автоматического поиска оптимальных параметров сегментации клеток без необходимости ручного программирования. Исследователи применили подход, при котором ИИ-агент итеративно предлагал и оценивал комбинации операций обработки изображений, чтобы создать фиксированный движок сегментации, основанный на границах клеток, полученных с помощью технологии Xenium. В наборе данных по аденокарциноме легких метод MCseg увеличил средний показатель паноптического качества с 0,432 до 0,472 по сравнению с базовой настройкой Cellpose, а при калибровке с учетом эталонных данных этот показатель достиг 0,554. При тестировании на независимых регионах колоректального рака MCseg показал более высокую полноту выявления линий клеток и микро-F1 по сравнению с методом ENACT на базе StarDist. Анализ 15 регионов колоректального рака продемонстрировал, что MCseg увеличивает расхождение экспрессии в соседних клетках и снижает коэкспрессию, характерную только для определенных линий, по сравнению со стандартным Space Ranger. Особое значение имеет то, что фиксированный рабочий процесс успешно перенесся на свежие замороженные образцы рака молочной железы без необходимости повторного поиска архитектуры, что доказывает воспроизводимость и локальную применимость предложенного ИИ-агентного подхода для клеточного анализа.

В исследовании оценивается способность агентов на основе больших языковых моделей (LLM) выполнять две различные задачи в биоинформатике: оркестровку рабочих процессов и биологическую интерпретацию данных. Для этого была разработана система Genome Skeptic, где детерминированные инструменты генерируют измерения последовательностей, а ИИ-контроллер запрашивает дополнительные анализы только из заранее определенного реестра. В проспективном слепом когорте из 20 геномов модель GPT-5.6 Sol, действовавшая как контролер рабочего процесса, достигла точности 18 из 20 правильных ответов, что сопоставимо с фиксированными стратегиями, но потребовала на 32-47% меньше дополнительных анализов. Однако когда та же модель получила полномочия окончательного решения о состоянии доказательств, точность упала до 11 из 20, специфичность снизилась с 1.00 до 0.30, а модель не смогла исправить ошибки детерминированного анализатора. Все девять расхождений в конечных точках привели к переходу от отрицательных вызовов к неразрешенным, а не к выявлению пропущенных положительных случаев. Исследование демонстрирует, что LLM эффективны в управлении последовательностью действий, но ненадежны в биологической интерпретации результатов, что критически важно для разработки безопасных ИИ-систем в геномике.

Компания a2z Radiology AI получила разрешение FDA на использование своего ИИ-продукта a2z-Abdo-Triage для выявления 10 патологий на КТ-снимках органов брюшной полости и таза. Система помогает радиологам приоритизировать исследования, автоматически отмечая подозрительные случаи, что позволяет ускорить оказание помощи пациентам с критическими состояниями.

Панель экспертов рекомендует внедрять инструменты ИИ для поддержки принятия клинических решений при обнаружении амилоид-связанных изменений на МРТ у пациентов, получающих терапию против болезни Альцгеймера. Исследование показывает, что ИИ повышает чувствительность диагностики на 16% для ARIA-E и на 10% для ARIA-H, хотя и требует обязательного участия радиолога для финальной интерпретации.

Компания DeepHealth получила одобрение FDA 510(k) для решения Chest XRay — системы компьютерного обнаружения (CADe) на основе фундаментальной модели ИИ, предназначенной для выявления и локализации патологий грудной клетки на рентгенограммах. Система анализирует четыре категории находок, включая узлы, консолидацию и пневмоторакс, и уже используется в Европе, обрабатывая более 2,8 млн исследований ежегодно.

Компания Merge представила MergeIQ — слой искусственного интеллекта, интегрированный в платформу корпоративной медицинской визуализации. Первые приложения RelevancyIQ и NaviIQ помогают радиологам находить релевантную предыдущую информацию и клинический контекст непосредственно в рабочем процессе, что снижает нагрузку и повышает эффективность диагностики.

Компания Ultrasound AI, Inc. получила два новых патента США на технологии искусственного интеллекта для медицинского визуализации. Патенты описывают методы использования нейросетей для анализа воздействия лекарств на плод и комплексной медицинской диагностики на основе медицинских изображений.

Исследование, опубликованное в npj Digital Medicine 8 сентября 2026 года, посвящено проблеме рецидивов фибрилляции предсердий (ФП) после катетерной аблации. У 20-30% пациентов с персистирующей ФП аритмия возвращается из-за триггеров, расположенных вне легочных вен, которые сложно обнаружить стандартными методами. Авторы разработали подход, сочетающий цифровые двойники сердца и модели глубокого обучения для неинвазивного выявления таких триггеров. Методология включала создание персонализированных электромеханических моделей предсердий на основе данных МРТ и электрокардиограмм пациентов, после чего симулировали активацию в различных точках для генерации обучающего набора данных. Сверточная нейронная сеть обучалась на синтетических картах активации для классификации локализации триггеров. В валидации на клинических данных 47 пациентов модель достигла точности 89% в определении наличия непульмональных триггеров и 82% в их локализации. Предложенный метод может улучшить планирование аблации, сократить время процедуры и повысить долгосрочную эффективность лечения, открывая путь к персонализированной терапии ФП.

Компания DeepMind (подразделение Google) представила AlphaGenome Atlas — крупнейшую на сегодняшний день предсказательную карту молекулярных эффектов всех возможных однонуклеотидных вариантов (SNV) в человеческом геноме. Атлас охватывает около 9 миллиардов одиночных замен букв ДНК, что покрывает практически все теоретически возможные точечные мутации в геноме человека. Для каждой такой замены модель AlphaGenome предсказывает, как изменение последовательности влияет на структуру и функцию соответствующих белков, а также на регуляторные элементы генома. Это позволяет оценивать патогенность вариантов, выявлять потенциально вредные мутации и интерпретировать результаты секвенирования генома в клинической практике. Методология основана на глубоком обучении и расширяет подходы, ранее применённые в AlphaFold для предсказания структуры белков, но теперь адаптированные для анализа геномных вариантов в масштабе всего генома. Атлас доступен исследователям и клиницистам, что может ускорить диагностику редких генетических заболеваний и персонализированную медицину. Это значительный шаг в применении ИИ для интерпретации геномных данных и перехода от лабораторных исследований к практическому использованию в здравоохранении.