30 статей
Исследование предлагает текстово-ориентированный фреймворк, использующий NLP-трансформер для генерации структурированных описаний из панорамных рентгенограмм с последующей классификацией заболеваний. Модель 1D-CNN показала наивысшую точность (84%), а оба текстовых подхода превзошли традиционные CNN, обученные непосредственно на изображениях.
Исследование представляет метод DeepBranchAI — каскадный рабочий процесс для автоматической сегментации трехмерных разветвленных структур в биологических системах. Методология основана на итеративном цикле: случайные леса генерируют предварительные сегментации на основе минимальных аннотаций, эксперты уточняют результаты, что позволяет постепенно приближаться к эталонным данным. По мере накопления размеченных данных обучение переходит от 2D к 3D архитектурам, систематически расширяя ограниченные наборы данных. Валидация на митохондриальных сетях, полученных методом сканирующей электронной микроскопии с фокусированным ионным пучком (FIB-SEM, разрешение 15 нм), показала коэффициент сходства Дайса 0,942 при пятикратной кросс-валидации. При переносе обучения на сосудистые сети (датасет VESSEL12, КТ-объемы, разница в размере вокселей 30 000 раз) с использованием всего 10% целевых данных достигнута точность 97,05% против ground truth, что подтверждает обобщаемость топологических принципов. Метод сокращает время аннотации с месяцев до недель и трансформирует разреженные начальные метки в надежные обучающие наборы. Полная реализация, обученные веса и код валидации предоставлены в открытом доступе, что делает метод доступным для медицинского сообщества.
Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.
Исследование сравнивает три подхода к подавлению костной структуры на рентгенограммах грудной клетки: автоэнкодеры, U-Net и генеративно-состязательные сети. Предложенная улучшенная GAN с комбинированной функцией потерь (Wasserstein, L1, перцептивная и Sobel) показала наилучшие результаты по метрикам PSNR (44.09 дБ) и MS-SSIM (0.9968), превосходя ранее опубликованные методы.
Исследование представляет инновационный подход к диагностике и мониторингу птоза (птоза верхнего века) у детей с использованием видеозаписей, сделанных на смартфоны. Авторы разработали алгоритм компьютерного зрения, который автоматически анализирует частоту моргания, амплитуду движения век и функциональные параметры глазодвигательной системы. Методология включала сбор видеоматериалов от пациентов с птозом и их сопоставление с клиническими данными, полученными традиционными методами. Ключевые результаты показали высокую точность автоматической оценки функциональных нарушений — корреляция с клинической оценкой врачей составила 0.87-0.92. Система позволяет проводить удалённый мониторинг состояния пациентов и корректировать лечение на основе объективных количественных данных. Исследование демонстрирует потенциал мобильного здравоохранения для снижения нагрузки на медицинские учреждения и улучшения доступности специализированной помощи. Работа опубликована в ведущем журнале npj Digital Medicine (Nature Partner Journal), что подтверждает научную значимость подхода.
Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.
В статье представлен новый фреймворк STpath, который решает проблему интерпретируемости вложений гистопатологических изображений, создаваемых ИИ-моделями. Гистопатологические модели-фундаменты кодируют изображения тканей в числовые представления, однако эти вложения не имеют прямого биологического смысла для клинического применения. STpath использует модели XGBoost, специфичные для различных типов рака, обученные на данных пространственно разрешённой транскриптомики, для предсказания состава клеточных типов и экспрессии генов на основе гистопатологических изображений. Исследователи протестировали фреймворк на наборах данных по колоректальному и раку молочной железы, показав точные оценки состава основных клеточных типов и экспрессии подмножества генов. Комбинирование вложений от нескольких моделей-фундаментов дало дополнительные приросты производительности. Авторы продемонстрировали, что признаки, полученные с помощью STpath, могут использоваться в последующих исследованиях для оценки их ассоциаций с клиническими исходами. Работа открывает путь к практическому применению ИИ в гистопатологии для онкологической диагностики и исследований.
Разработана система ИИ-ассистированной эндометриальной цитологии с использованием модели YOLOv5x для обнаружения аномальных клеточных кластеров. Система показала точность 85% и сократила медианное время диагностики на 45% по сравнению с оценщиками без ИИ-поддержки. Исследование демонстрирует возможность доступной, реальной ИИ-поддержки для цитологии с использованием широко доступного оборудования.
Представлена сеть SDNet — двухпараметрическая система глубоких сверточных нейронных сетей для многоклассовой диагностики кожных заболеваний. Модель достигает точности 99,1% на датасете DermNet, превосходя традиционные методы. Исследование демонстрирует применение объяснимого ИИ (XAI) для точного выявления кожных патологий.
Учёные Первого МГМУ им. И.М. Сеченова совместно с компанией Medical Neuronets и Московской городской онкологической больницей № 62 создали систему искусственного интеллекта для обнаружения метастазов колоректального рака в лимфатических узлах. Алгоритм работает с цифровыми гистологическими препаратами, выполняя двухэтапный анализ: сначала выявляет подозрительные зоны на срезах тканей, затем с помощью методов сегментации более точно выделяет границы опухолевых клеток. Результаты пилотного клинического исследования были опубликованы в международном журнале Cancer Medicine. Разработка направлена на повышение точности патоморфологической диагностики и снижение риска пропуска метастатического поражения лимфоузлов при онкологических операциях. Система использует глубокое обучение для автоматизации рутинных задач патологоанатома, что может сократить время подготовки заключения и минимизировать человеческий фактор. Технология может быть интегрирована в существующие цифровые патологические лаборатории для поддержки врачей при принятии решений о необходимости дополнительных исследований или расширении объёма операции. Проект представляет собой пример практического применения компьютерного зрения в онкопатологии и демонстрирует потенциал ИИ-систем для улучшения качества диагностики рака.
