3 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.
В исследовании оценивается возможность ретроспективного восстановления клеточного разрешения в данных пространственной транскриптомики Visium HD на основе только бинарных объектов Seurat и изображений H&E-окраски, без доступа к исходным молекулярным данным. Авторы проанализировали два образца кишечной ткани от пациентов с фибростенозирующей болезнью Крона (GSE302569), содержащих более 988 тысяч бинов размером 8 мкм и почти 180 миллионов UMIs. Были протестированы 20 конфигураций сегментации изображений для назначения РНК клеткоподобным регионам, однако результаты показали низкую эффективность: доляRecovered РНК варьировалась от 0% до 74,68% в одном образце и до 64,05% в другом. Ключевой проблемой стало то, что около 70-73% ядерных регионов, выделенных алгоритмом InstanSeg, не получили никакого назначения РНК из-за слияния регионов и неопределенности границ внутри бинов. Дальнейший анализ с использованием метода RCTD для де-конволюции клеточных типов против референса scIBD не подтвердил надежность выделенных границ как индикаторов истинной клеточной идентичности. Исследование демонстрирует фундаментальные ограничения ретроспективного перевода бинированных данных Visium HD в одноядерное или одноклеточное разрешение при отсутствии исходных сырых данных. Выводы подчеркивают, что наблюдаемые проблемы связаны именно с ограничениями входных данных, а не с невозможностью клеточного анализа в принципе при наличии подходящих исходных материалов. Работа важна для понимания методологических ограничений в обработке пространственных транскриптомных данных.
В статье рассматривается критическая проблема поддержания актуальности моделей машинного обучения в контексте постоянно меняющихся биологических наборов данных. Авторы подчеркивают, что хотя использование высококачественных биологических данных позволяет быстро получать значимые результаты, динамическая природа этих данных требует разработки новых подходов к обновлению моделей. Основное внимание уделяется необходимости обеспечения непрерывного соответствия (alignment) между архитектурой нейросетей и эволюционирующими структурами данных. Исследование указывает на то, что без систематического пересмотра стратегий подготовки данных и механизмов их обновления, точность медицинских ИИ-систем будет неизбежно снижаться со временем. Работа имеет высокую практическую значимость для разработчиков биомедицинских алгоритмов, стремящихся к созданию долгосрочно устойчивых и надежных диагностических инструментов.
