3 статей
Исследование применяет объяснимый искусственный интеллект (XAI) и машинное обучение для анализа данных экспрессии микроРНК в сыворотке крови с целью выявления биомаркеров ранней диагностики рака поджелудочной железы. Модель достигла высокой точности (AUC 0.97), а методы интерпретируемости позволили выделить ключевые микроРНК, связанные с онкогенными путями.
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.
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.
