3 статей
Систематический обзор анализирует современные методы машинного и глубокого обучения для автоматического обнаружения внутричерепных кровоизлияний по КТ-снимкам без контраста. Исследование охватывает архитектуры CNN, 3D-CNN, гибридные и трансформерные модели, а также методы объяснимого ИИ для интерпретируемости. Результаты показывают высокую диагностическую эффективность, однако сохраняются проблемы с обобщаемостью и клинической валидацией.
В исследовании, опубликованном в npj Digital Medicine 1 сентября 2026 года, представлена мультимодальная модель машинного обучения, которая прогнозирует раннюю конверсию к артропластике (эндопротезированию) у пациентов с интракапсулярными переломами шейки бедра. Модель объединяет данные компьютерной томографии (КТ) с клиническими и демографическими параметрами, что позволяет более точно предсказывать необходимость хирургического вмешательства в ранние сроки. В исследовании использовались данные пациентов с такими переломами, при этом модель продемонстрировала высокую прогностическую точность, превосходящую традиционные клинические оценки. Ключевые результаты включают улучшение AUC (площади под кривой) до 0.87 по сравнению с 0.72 у стандартных моделей, что подтверждает значимость КТ-признаков. Разработанная модель может помочь врачам принимать более обоснованные решения о тактике лечения, снижая риск повторных операций и улучшая функциональные исходы. Этот подход подчеркивает потенциал интеграции медицинской визуализации и машинного обучения в ортопедической практике, открывая путь к персонализированной хирургии.
HOPPR представила фундаментальную модель HOPPR EF Chest CT Narrative, которая обрабатывает 3D-объёмы КТ грудной клетки и генерирует текстовые описания характеристик изображений across лёгких, сердца, аорты и других структур. Модель обучена на данных из множественных клинических центров США с акцентом на редкие но серьёзные состояния (эмболия лёгочной артерии, пневмоторакс, переломы рёбер) и доступна через HIPAA-совместимую инфраструктуру HOPPR AI Foundry.
