машинное обучение

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.

В статье представлен обзор роли публичных наборов данных маммографии в разработке и клинической валидации ИИ-моделей для обнаружения рака молочной железы. Авторы анализируют ключевые характеристики этих наборов (размер, качество аннотаций, демографическое разнообразие) и подчеркивают, что качество и репрезентативность данных критически важны для обобщаемости моделей от традиционного машинного обучения до современных трансформеров.

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.

В статье представлен метод IFI-ML, объединяющий машинное обучение и нечеткую логику для ранней диагностики болезни Паркинсона по голосовым сигналам. Система решает проблему дисбаланса данных, разделяя выборку на стабильные и неопределенные кластеры, что позволяет достичь точности до 97% и значительно снизить количество ложноположительных и ложноотрицательных результатов по сравнению с базовыми моделями.

Исследование применяет алгоритмы машинного обучения (в частности, случайный лес) для прогнозирования тромбоза глубоких вен у пациентов после операции на бедре. Модель показала высокую точность (AUC до 0.859), однако добавление признаков традиционной китайской медицины не улучшило дискриминацию, тогда как индекс TyG остался значимым предиктором.

В исследовании представлен новый фреймворк на основе машинного обучения для прогнозирования функциональной зависимости опухолевых путей в плоскоклеточном раке головы и шеи (HNSCC). Авторы разработали девять моделей Elastic Net, обученных на транскриптомных данных 953 клеточных линий GDSC и ответах на препараты, чтобы отличить активацию пути от реальной зависимости опухоли от него. Модель показала среднюю объясненную дисперсию (R2) от 0.17 до 0.48 в кросс-валидации, что позволяет с определенной долей вероятности предсказывать уязвимости опухоли на основе базового молекулярного профиля. Применение модели к когортам TCGA-HNSC (n=565) и GSE65858 (n=256) выявило, что семь из девяти путей были более выражены в опухолях, связанных с ВПЧ. Особое внимание уделено пути p53: у пациентов с диким типом TP53 статус ВПЧ положительно коррелировал с зависимостью от p53, несмотря на экспрессию онкопротеина E6. Исследование подчеркивает, что кодпенденция во многом отражает инфильтрацию CD8+ Т-клетками, что важно для интерпретации результатов. Разработанный инструмент не является прогностическим для выживаемости, но служит для подбора таргетной терапии до начала лечения, позволяя сопоставлять пациентов с препаратами, нацеленными на их специфические молекулярные уязвимости.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен метод машинного обучения для прогнозирования персистирующей лихорадки у пациентов с онкологическими заболеваниями, проходящих курс антибиотикотерапии. Проблема раннего выявления неэффективности антибиотиков или развития вторичных инфекций критически важна в онкологии, так как длительная лихорадка может указывать на резистентность возбудителя или нейтропению. Авторы разработали и валидировали модель, использующую клинические данные пациентов для предсказания вероятности сохранения высокой температуры тела. Модель позволяет врачам своевременно корректировать терапию, снижая риск осложнений и продолжительность госпитализации. Исследование демонстрирует высокую точность алгоритма в ретроспективном анализе данных, что подтверждает его потенциал для внедрения в клиническую практику. Данный подход решает важную задачу персонализированной медицины, оптимизируя использование антибиотиков и улучшая исходы лечения для уязвимой группы пациентов с ослабленным иммунитетом.

В статье представлен новый модуль внимания DDSA, интегрированный в архитектуру DenseNet для классификации пяти подтипов рака яичников по гистопатологическим изображениям. Модель достигла точности 92,53% и высокого F1-счета, демонстрируя способность выделять дискриминативные области опухоли и улучшать интерпретируемость диагностики.

В статье представлен систематический обзор и метаанализ, посвященный применению методов искусственного интеллекта и машинного обучения для диагностики синдрома дефицита внимания и гиперактивности (СДВГ). Исследование анализирует эффективность различных алгоритмов ИИ при работе с разнородными медицинскими данными, включая нейровизуализацию, поведенческие метрики и клинические анкеты. Авторы оценивают точность, чувствительность и специфичность моделей, демонстрирующих способность отличать пациентов с СДВГ от здоровых контрольных групп. Метаанализ выявляет ключевые тенденции в использовании глубокого обучения для выявления биомаркеров расстройства, что позволяет преодолеть субъективность традиционных клинических оценок. Результаты показывают, что интеграция мультимодальных данных с помощью ИИ значительно повышает диагностическую точность по сравнению с изолированным использованием одного типа данных. Работа подчеркивает важность валидации моделей на независимых выборках и необходимость стандартизации подходов к сбору данных для обеспечения воспроизводимости результатов. Данное исследование имеет высокую значимость для развития персонализированной медицины и создания объективных инструментов скрининга СДВГ, особенно в педиатрической практике. Выводы статьи указывают на перспективность ИИ-технологий как вспомогательного средства для врачей, хотя и отмечают текущие ограничения в интерпретируемости моделей и их клинической интеграции.

В статье представлен метод машинного обучения (Random Forest) для точного определения точки B на импедансной кардиограмме, что критически важно для неинвазивного гемодинамического мониторинга. Метод значительно превосходит традиционные алгоритмы по точности и устойчивости к помехам, достигая ошибки ниже межэкспертной вариабельности.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена и верифицирована модель машинного обучения, предназначенная для прогнозирования трехлетней смертности от всех причин у пациентов с кардио-рено-метаболическим синдромом (КРМС) стадий 2–4. Анализ охватил масштабную когорту из 219 561 пациента, собранных из 29 медицинских центров Китая в рамках базы данных China Renal Data System. Выборка была строго разделена на обучающую подгруппу (132 404 человека), внутреннюю валидационную (56 744 пациента) и внешнюю валидационную по центрам (30 413 человек) для обеспечения надежности результатов. Средний возраст участников составил 62,9 года, при этом 59,5% приходилось на мужчин. Наиболее распространенными компонентами синдрома в выборке были гипертония, низкий уровень холестерина липопротеинов высокой плотности (ЛПВП), сахарный диабет, предиабет и ишемическая болезнь сердца. Модель использует всего восемь клинических показателей, что делает её легкой в интеграции в рутинную клиническую практику без необходимости сложного оборудования или дорогостоящих дополнительных тестов. Высокая прогностическая точность модели позволяет врачам своевременно выявлять пациентов группы высокого риска и корректировать тактику ведения, что критически важно для снижения смертности при сложных коморбидных состояниях. Данное исследование демонстрирует практическую применимость ИИ-алгоритмов в нефрологии и кардиологии для персонализированной медицины и управления рисками.

В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, оценивается эффективность телереабилитации, усиленной технологиями искусственного интеллекта, для пациентов с ранней стадией болезни Паркинсона. Это многоцентровое рандомизированное исследование с несколькими группами сравнения позволяет сопоставить результаты ИИ-ассистированной терапии с традиционными методами реабилитации и контрольной группой. Ключевым аспектом работы является интеграция алгоритмов машинного обучения для персонализации упражнений, адаптивной обратной связи в реальном времени и мониторинга моторных функций пациента удаленно. Методология включает сбор данных с носимых датчиков и видеоаналитику для оценки точности выполнения движений, что обеспечивает объективную количественную оценку прогресса. Результаты демонстрируют статистически значимое улучшение моторных показателей и качества жизни в группе, получавшей ИИ-поддержку, по сравнению с контрольными группами. Значимость исследования заключается в доказательстве того, что ИИ-системы могут эффективно компенсировать нехватку специалистов в реабилитации, обеспечивая доступную и высококачественную помощь на ранних этапах заболевания. Это открытие открывает новые перспективы для масштабирования телемедицинских решений в неврологии и хронической реабилитации.

Статья предлагает новую статистическую модель (WEL) для анализа времени до события и нейросетевую архитектуру (BC-VAESM), использующую вариационные автоэнкодеры для прогнозирования выживаемости пациентов. Модель обучается на реальных клинических данных с цензурированием и демонстрирует конкурентоспособность по сравнению с классическими методами, такими как модель Кокса.

В статье описывается система автоматической классификации типов свода стопы (плоскостопие, высокий свод, норма) на основе изображений отпечатков, полученных с помощью матрицы Харриса. Для анализа применяются методы машинного обучения, включая сверточную нейронную сеть (MobileNetV2) и метод опорных векторов (SVM), что позволяет автоматически выявлять патологии, влияющие на осанку и походку.

Систематический обзор и мета-анализ оценивают эффективность систем распознавания позы на базе машинного и глубокого обучения для предотвращения профессиональных заболеваний опорно-двигательного аппарата. Исследование показывает, что глубокое обучение превосходит классическое машинное обучение по точности и чувствительности, а гибридные решения достигают точности более 99%. Результаты подтверждают высокую эффективность ИИ-методов в эргономическом мониторинге, хотя уровень доказательности для реальных условий остается низким.

В статье представлен новый метод CLARA — иерархическая система обучения, предназначенная для решения проблемы дисбаланса классов в графовых нейронных сетях (GNN). Проблема заключается в том, что узлы меньшинства не только редки, но и структурно маргинализированы в графе. Метод CLARA разбивает задачу классификации узлов на два этапа: сначала грубый классификатор уровня подграфа определяет регионы, с высокой вероятностью содержащие экземпляры меньшинства, а затем детальный предиктор уровня узлов работает внутри этих выделенных регионов. Такой подход позволяет повысить чувствительность модели, сохраняя при этом масштабируемость, за счет фильтрации нерелевантных областей и фокусировки обучения на топологически значимых окрестностях. Эксперименты на стандартных наборах графовых данных показали существенное превосходство CLARA над существующими методами обработки дисбаланса, достигнув F1-меры на уровне 88.3%. Особое значение имеет применение стратегии в задаче предсказания сайтов связывания белок-лиганд, где метод также продемонстрировал значительное улучшение результатов. Это подтверждает широкую и последовательную эффективность подхода как в биологических, так и в общих задачах обучения на графах. Разработка актуальна для биоинформатики и разработки лекарств, где точное определение активных центров критически важно.

Компания Visiana получила разрешение FDA 510(k) на использование программного обеспечения BoneXpert, которое применяет машинное обучение для определения костного возраста по рентгеновским снимкам кистей рук. Исследование показало, что алгоритм точнее ручных оценок педиатрических радиологов, снижая вариативность результатов и помогая в диагностике нарушений роста и полового созревания.

Авторы разработали интерпретируемую модель scTIME, которая преобразует данные транскриптомики одиночных клеток в баллы для массовых образцов, чтобы прогнозировать ответ на иммунотерапию при немелкоклеточном раке легкого. Модель на базе алгоритма ElasticNet достигла ROC-AUC 0.810, выявив ключевые иммунные программы, связанные с ответом на лечение. Исследование демонстрирует потенциал многоомного подхода для разработки прозрачных биомаркеров без опоры на единичные пути.

В статье представлен новый метод анализа данных одноядерной РНК-секвенирования (scRNA-seq), названный c-TSNE и c-UMAP, который решает проблему неинтерпретируемости стандартных методов снижения размерности, таких как t-SNE и UMAP, основанных на евклидовой геометрии. Авторы предлагают фреймворк «слияния информации, управляемый клетками» (cell-driven information fusion), который строит матрицу аффинности напрямую из сырых счетных данных, интегрируя три биологических сигнала: паттерны обнаружения генов, величину экспрессии доминирующих транскриптов и глобальную корреляцию профилей. Метод использует оператор, адаптированный к разреженности данных, и диагностический инструмент для отслеживания того, какой именно биологический компонент определяет границы локальных кластеров, обеспечивая тем самым объяснимость результатов. Оценка проводилась на 29 наборах данных и двух протоколах против 11 базовых методов; c-UMAP показал наивысшие средние значения нормализованного и скорректированного индексов взаимной информации (NMI и AMI) во всех условиях, причем улучшения оставались статистически значимыми после поправки Бонферрони. Важным преимуществом является использование единого фиксированного вектора весов для всех наборов данных, что доказывает внутреннюю устойчивость алгоритма без необходимости подбора гиперпараметров под конкретный датасет. Метод масштабируется до 1,14 миллиона клеток, работая в 22 раза быстрее ведущих аналогов, и, что критически важно, избегает потери до 46,9% ключевых дифференциально экспрессируемых генов (таких как IAPP и FOXP3), характерной для методов, требующих отбора генов по дисперсии. Результаты демонстрируют совместимость атласного масштаба, сохранения сырых данных и механистической интерпретируемости в задачах клеточной биологии.