90 статей
Предложена гибридная модель HybridCATNet, объединяющая CNN и Vision Transformer для высокоточной диагностики пневмонии. Система использует многоканальное слияние данных и байесовский дропаут для оценки неопределенности, демонстрируя точность до 96.93% и высокую интерпретируемость через Grad-CAM и SHAP.
В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.
В статье представлен новый вычислительный фреймворк CryoMV, предназначенный для анализа непрерывной структурной гетерогенности белков с использованием данных криоэлектронной микроскопии (крио-ЭМ). Методология интегрирует моделирование, основанное на структурных приоритетах (используя эталонные карты плотности как якоря), с строгой валидацией на реальных 2D-изображениях частиц. Алгоритм строит кандидаты на пути конформационных переходов, оценивает их поддержку экспериментальными данными через оценку поз частиц и функций контраста, а затем реконструирует поддерживаемые конформации методом обратного проецирования. Исследование демонстрирует высокую надежность и разрешающую способность метода на наборах данных EMPIAR-10516 и EMPIAR-10345. Ключевым преимуществом CryoMV является явный механизм проверки того, сгенерированные ли конформации действительно подтверждаются экспериментальными данными, что позволяет существенно снизить артефакты, вызванные моделями. Этот подход решает проблему высокого уровня шума и размытия движения, характерную для сырых данных крио-ЭМ. Разработка имеет прямое значение для структурной биологии и разработки лекарств, так как позволяет точнее понимать фундаментальные биологические процессы, зависящие от динамики белков. Технология представляет собой значительный шаг вперед в автоматизации и точности анализа непрерывных конформационных изменений макромолекул.
В исследовании, опубликованном в журнале npj Digital Medicine, проводится детальная оценка возможностей генеративного искусственного интеллекта в контексте создания синтетических хирургических видео. Авторы фокусируются на измерении так называемого «разрыва в правдоподобии» (plausibility gap) — разницы между качеством сгенерированных моделей и реальными хирургическими процедурами. Для объективной оценки используется метод экспертной оценки, при котором опытные хирурги анализируют сгенерированные видеоматериалы на предмет анатомической точности, реалистичности движений инструментов и общей клинической достоверности. Исследование демонстрирует, что современные генеративные модели способны создавать высококачественные симуляции, однако сохраняются значительные пробелы в передаче тонких нюансов хирургической техники. Полученные количественные метрики позволяют стандартизировать оценку качества генеративных моделей для медицинских нужд. Результаты работы имеют важное значение для разработки обучающих симуляторов, тестирования алгоритмов компьютерного зрения и создания датасетов для обучения ИИ-систем в хирургии. Работа закладывает основу для более надежного применения генеративного ИИ в медицинском образовании и предоперационном планировании.
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 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.
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.
В статье исследуется проблема систематической ошибки (bias) в моделях компьютерного зрения, оценивающих индекс массы тела (ИМТ) по фотографиям лиц. Такие модели предлагают неинвазивную и недорогую альтернативу физическим измерениям, что полезно для телемедицины, неотложной помощи, автоматического самоконтроля и крупномасштабных эпидемиологических исследований. Однако большинство существующих моделей обучаются на правительственных записях, изображениях из социальных сетей и фотографиях знаменитостей, что приводит к смещению выборки и неспособности представлять широкую общественность. Авторы обучили и оценили модели Vision Transformer (ViT-H/14) на парных данных ИМТ и фотографий лиц из четырех коренных популяций: оранг-асли (Малайзия), джу/'хоанси (Южная Африка), сама (Филиппины) и цимане (Боливия). Были сравнены четыре стратегии обучения: от моделей, обученных на одной популяции (фокальные модели), до моделей, обученных на полном объединенном глобальном наборе данных (глобальные модели). Результаты показали, что обучение на данных целевой популяции всегда дает наилучшую точность. Однако когда целевая популяция отличается от обучающей выборки, добавление большего разнообразия в обучение улучшает предсказания для невидимых популяций. Таким образом, обучение на собственных данных популяции оптимально, если такие данные существуют, а обучение на данных, охватывающих широкий спектр морфологии человека, является лучшей альтернативой в противном случае. Эти выводы подчеркивают важность разнообразия обучающих данных для разработки надежных инструментов машинного обучения в здравоохранении, которые могут обобщаться на разные человеческие популяции.
В исследовании разработана модифицированная модель на основе ResNet50 (ResNet50-SCPA-Net) для автоматической классификации стадий цирроза печени по МРТ-изображениям. Модель объединяет SE-канальное и CBAM-пространственное внимание в параллельной структуре с обучаемым параметром слияния. Достигнута точность 80.82%, сбалансированная точность 81.93%, F1-мера 82.55% и AUC 93.05%, что подтверждает эффективность подхода.
NVIDIA представила компактный компьютер Jetson Orin Nano 2 для периферийных вычислений, предназначенный для запуска генеративных ИИ-моделей на дронах, роботах и системах машинного зрения. Устройство обеспечивает вдвое большую производительность инференса по сравнению с предшественником при сниженном энергопотреблении, позволяя выполнять задачи реального времени на периферии.
Американский стартап Throne Science из Остина привлёк $10 млн в раунде серии A (общая сумма сборов ~$18 млн) на разработку ИИ-устройства для мониторинга здоровья через анализ отходов жизнедеятельности. Устройство крепится под сиденье унитаза и использует систему компьютерного зрения из примерно 12 моделей для анализа физических характеристик отходов и преобразования их в медицинские показатели. Второй уровень ИИ обрабатывает эти данные, предоставляя персонализированные рекомендации по здоровью кишечника, аналогично фитнес-трекерам Whoop или Oura. Устройство идентифицирует пользователей через Bluetooth за ~3 секунды, отличая членов семьи от гостей. Стоимость устройства составляет $399 плюс подписка $5,99/месяц или $69,99/год. Основанная в 2023 году компания позиционирует продукт как «детектор дыма для рака толстой кишки», учитывая что колоректальный рак стал ведущей причиной онкологической смертности среди американцев до 50 лет, а более 60% жителей США испытывают симптомы нарушений пищеварения еженедельно.
Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.
Исследование опубликовано в журнале npj Digital Medicine и посвящено применению цифровых технологий для оценки восстановления пациентов после хирургической реконструкции передней крестообразной связки (ПКС) колена. Авторы предлагают методику использования клинических видеозаписей для анализа функционального состояния пациентов в послеоперационном периоде. Цифровая оценка позволяет отслеживать динамику восстановления двигательных функций и прогнозировать долгосрочные клинические исходы реабилитации. Технология потенциально может применяться в спортивной медицине и ортопедии для объективного мониторинга пациентов. Однако предоставленный фрагмент содержит только метаданные публикации без описания конкретных алгоритмов, методов машинного обучения или количественных результатов исследования. Для полной оценки вклада ИИ-компонентов необходим доступ к полному тексту статьи с разделами методологии и результатов.
Росздравнадзор выдал бессрочное регистрационное удостоверение на медицинское изделие Polyptron.AI — российскую систему искусственного интеллекта для автоматизированного выявления патологий при эндоскопической диагностике желудочно-кишечного тракта. Разработчиком выступила челябинская компания «Эва Лаб». Программное обеспечение использует технологии машинного обучения для анализа эндоскопических изображений в реальном времени и помощи врачам в обнаружении полипов, новообразований и других патологических изменений слизистой оболочки ЖКТ во время колоноскопии. Регистрация означает, что система прошла все необходимые клинические испытания и соответствует требованиям безопасности и эффективности для применения в российской медицинской практике. Это значимое событие для российской цифровой медицины — продукт позволяет повысить точность диагностики, снизить риск пропуска патологий и стандартизировать качество эндоскопических исследований. Внедрение подобных ИИ-ассистентов особенно важно для раннего выявления колоректального рака, где своевременное обнаружение полипов напрямую влияет на прогноз пациента.
Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.
Исследование оценивает готовность пациентов использовать OpenCap — платформу для 3D-анализа движений через iOS-устройства — для дистанционной реабилитации. Результаты показывают высокую доступность технологий и готовность пациентов к использованию метода, что может снизить необходимость частых поездок в клиники.
Исследование представляет инновационный двухэтапный конвейер для интерпретируемой классификации клеток крови, решающий проблему «черного ящика» в глубоком обучении. В первом этапе используется замороженная мультимодальная модель ConceptCLIP, которая преобразует изображения клеток в 70-мерный вектор морфологических концептов (таких как форма ядра и текстура хроматина) через zero-shot сходство. На втором этапе мягкое дерево решений (Soft Decision Tree, SDT) классифицирует клетки исключительно на основе этих концептуальных оценок, создавая прозрачный путь принятия решения. На наборе данных BloodMNIST система достигла точности 94,86%, что всего на 3% ниже показателей классических непрозрачных моделей. Важным достижением стало то, что модель смогла самостоятельно выявить различия между подтипами незрелых гранулоцитов (промиелоцитами и миелоцитами) без специального обучения на эти метки. Это доказывает возможность создания систем, чья логика полностью совпадает с клиническими критериями гематологов, обеспечивая возможность аудита и верификации каждого диагноза.
Разработан единый легковесный фреймворк на базе YOLOv26n и MobileNetV4 для автоматического распознавания лекарственных средств. Система объединяет детекцию таблеток, классификацию по форме/цвету и чтение надписей (OCR), что позволяет снизить риск ошибок при приеме медикаментов.
В статье представлено исследование новой системы на базе глубокого обучения, предназначенной для автоматизации анализа рентгеновских снимков пациентов со сколиозом. Разработанный алгоритм способен не только точно измерять параметры выравнивания позвоночного столба, но и автоматически идентифицировать наличие хирургических имплантатов на снимках. Методология исследования опирается на использование современных архитектур нейронных сетей, обученных на обширных наборах медицинских изображений для минимизации человеческого фактора при диагностике. Ключевым результатом является достижение высокой точности измерений, сопоставимой с экспертной оценкой врачей-рентгенологов, что позволяет значительно сократить время на рутинную обработку снимков. Внедрение данной технологии в клиническую практику может существенно повысить эффективность мониторинга состояния пациентов после операций и оптимизировать процесс планирования лечения. Использование ИИ в данном контексте решает критическую задачу стандартизации измерений, исключая субъективность при оценке степени деформации позвоночника.
