5 статей
В статье представлен систематический обзор 169 исследований ИИ и машинного обучения для хронической болезни почек (ХБП), выявляющий разрыв между ретроспективной классификацией и настоящим прогнозированием будущих исходов. Анализ показал, что большинство работ страдают от высокого риска смещения и недостаточной валидации, что указывает на необходимость улучшения методологии для клинического внедрения.
Статья критикует использование только экзаменационных вопросов для оценки LLM в традиционной китайской медицине и предлагает новую фреймворк оценки. Предлагается комплексный подход, включающий динамические клинические сценарии, мультимодальную оценку и валидацию в реальных условиях для проверки клинического мышления и безопасности.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология многокритериальной оценки неопределенности (uncertainty estimation) для систем искусственного интеллекта, применяемых в дерматологии. Основной целью работы является повышение надежности алгоритмов глубокого обучения при обнаружении сдвигов распределения данных (distribution shift detection), что критически важно для безопасного внедрения ИИ в клиническую практику. Авторы разработали подход, который позволяет модели не только классифицировать кожные новообразования на злокачественные и доброкачественные, но и точно оценивать степень своей уверенности в каждом предсказании. Использование нескольких критериев неопределенности помогает системе выявлять случаи, выходящие за рамки обучающей выборки, предотвращая ошибочные диагнозы на атипичных или редких примерах. Результаты показывают значительное улучшение показателей чувствительности и специфичности по сравнению с традиционными методами, что напрямую влияет на безопасность пациентов. Данный подход решает одну из главных проблем ИИ в медицине — проблему «черного ящика» и доверия к предсказаниям модели в условиях изменчивости реальных клинических данных. Исследование демонстрирует, что интеграция оценки неопределенности является необходимым шагом для создания надежных систем поддержки принятия врачебных решений в онкодерматологии.
В статье, опубликованной в журнале npj Digital Medicine 25 сентября 2026 года, представлена модель LEME (Large language model for Ophthalmology with advanced reasoning and clinical validation) — специализированная большая языковая модель, разработанная для решения сложных задач в области офтальмологии. Исследователи акцентируют внимание на внедрении механизмов продвинутого логического рассуждения (advanced reasoning), что позволяет модели не просто извлекать информацию, но и анализировать клинические случаи, связывая симптомы с диагнозами и рекомендациями по лечению. Ключевой особенностью работы является проведение клинической валидации, что подтверждает практическую применимость и безопасность модели в реальных медицинских условиях. Модель является открытой (open source), что способствует её интеграции в различные медицинские информационные системы и дальнейшему развитию сообщества. Результаты исследования демонстрируют высокую точность в задачах дифференциальной диагностики и интерпретации клинических данных по сравнению с общими языковыми моделями. Значимость работы заключается в создании надежного инструмента поддержки принятия врачебных решений, способного снизить нагрузку на офтальмологов и улучшить доступность качественной диагностики. Авторы подчеркивают важность прозрачности и воспроизводимости результатов при использовании ИИ в критически важных областях медицины.
Данная публикация представляет собой ответ авторов оригинального исследования на критику их многозадачной периоперационной модели прогнозирования, опубликованной в журнале npj Digital Medicine. Речь идёт о машинном обучении в области периоперационной медицины — модели, предназначенной для прогнозирования различных клинических исходов в период вокруг хирургического вмешательства. Критика, на которую отвечают авторы, касалась вопросов клинической полезности модели и её обобщаемости на разные популяции пациентов и медицинские учреждения. Авторы в своём ответе защищают методологию исследования, обосновывают выбор метрик валидации и приводят дополнительные аргументы в пользу применимости модели в реальной клинической практике. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость дискуссии для сообщества цифровой медицины. Детали конкретных показателей точности, размеры выборки и технические характеристики модели в предоставленном фрагменте не указаны — для полной оценки необходимы доступ к оригинальной статье и тексту ответа.
