нейросети

В исследовании представлен сверточный нейросетевой модель NervoHbA1c для неинвазивной оценки гликированного гемоглобина (HbA1c) по видеозаписям лица с помощью дистанционной фотоплетизмографии (rPPG). Модель показала статистически значимое снижение ошибки предсказания по сравнению с демографическими и статистическими базовыми моделями, хотя и с умеренной корреляцией, что подчеркивает необходимость дальнейших исследований для клинического внедрения.

Исследование посвящено анализу того, как именно глубокие нейронные сети предсказывают сайты сплайсинга РНК: имитируют ли они естественный биологический процесс или используют сторонние корреляции. Авторы изучили влияние мутаций, изменяющих рамку считывания трансляции (что не должно влиять на сам сплайсинг, так как эти процессы разделены во времени и пространстве), на точность популярных нейросетевых инструментов. Выявлено, что модели типа «черного ящика» значительно сильнее реагируют на мутации, нарушающие рамку считывания и создающие стоп-кодоны, чем на мутации, сохраняющие её. Это приводит к систематическому пропуску «ядовитых экзонов» (poison exons) — клинически значимых участков, где нарушение рамки считывания играет ключевую роль. В то же время «серые ящики» (grey-box), включающие специфическую биологическую структуру, демонстрируют гораздо меньшую зависимость от рамки считывания. Результаты доказывают, что широко используемые черные ящики используют информацию, недоступную естественному сплайсинговому аппарату, что ставит под вопрос их биологическую интерпретируемость и надежность в клинической практике. Исследование подчеркивает важность интеграции биологических ограничений в архитектуры ИИ для повышения достоверности предсказаний в геномике.

Исследование применяет глубокое обучение (1D CNN и CNN-BiLSTM) к данным ЭКГ для автоматического обнаружения усталости и сонливости. Модели обучались на базе DROZY и тестировались на независимом наборе FatiQData, показав умеренную, но значимую способность к обобщению между разными условиями эксперимента.

В статье представлен новый фреймворк LabWeaver, предназначенный для повышения надежности агентных систем на базе больших языковых моделей (LLM) при анализе биологических данных. Основная проблема существующих решений заключается в игнорировании экспериментального контекста, такого как специфика заболевания или протокол исследования, что приводит к ошибкам в интерпретации. LabWeaver решает эту задачу за счет трехуровневой архитектуры (лаборатория, пользователь, проект), которая позволяет дистиллировать и сохранять экспериментальный контекст в виде «памяти» и «навыков» лаборатории. Эти знания доступны всем участникам лаборатории после проверки человеком, что обеспечивает преемственность и согласованность анализа. Эффективность подхода продемонстрирована на примере анализа данных одноядерной РНК-секвенирования (scRNA-seq) при синовиальной саркоме. В эксперименте без использования лабораторной памяти агент пропустил экспрессию репортера и допустил ошибку в аннотации опухолевых клеток. Напротив, с включенным контекстом система успешно восстановила экспрессию репортера и выделила пять состояний опухолевых клеток, связанных с слиянием генов. Это исследование демонстрирует, что интеграция структурированных лабораторных знаний в LLM-агенты критически важна для точности биоинформатического анализа.

Исследовательская компания Brightly провела онлайн-опрос среди 2 001 человека в возрасте от 25 до 55 лет, чтобы изучить поведение россиян при поиске врачей и клиник в интернете, уделяя особое внимание роли искусственного интеллекта. Результаты показали, что отзывы пациентов остаются критически важным фактором: 80% респондентов считают их важными или крайне важными при выборе специалиста. При этом наблюдается растущий интерес к технологиям ИИ: 19% участников уже обращались к нейросетям для решения медицинских вопросов, а 74% готовы использовать ИИ-платформы в качестве дополнительного источника информации при выборе врача или медицинской организации. Это исследование демонстрирует сдвиг в восприятии цифровых инструментов здравоохранения, где ИИ начинает играть заметную роль не только в диагностике, но и в процессе принятия решений пациентами. Высокий процент готовности использовать ИИ указывает на потенциальный спрос на умные сервисы агрегации медицинских данных и рекомендации. Однако важно отметить, что большинство пользователей все еще опираются на традиционные отзывы, а не на алгоритмические рекомендации. Данные могут быть полезны для разработчиков медицинских платформ и регуляторов, планирующих внедрение ИИ-решений в сферу телемедицины и записи к врачам.

В исследовании представлен метод Top2All — фреймворк на базе модели Mouse-Geneformer, предназначенный для реконструкции полногеномных профилей экспрессии генов на основе ограниченного набора высокоэкспрессируемых генов. Авторы использовали 24 нормализованных по количеству клеток RNA-seq профиля клеток коры надпочечников мыши (zona fasciculata) в восьми экспериментальных условиях, различающихся полом и уровнем половых стероидов. Оценка проводилась с использованием кросс-валидации по репликам и по условиям, что позволило сравнить модели с явным указанием условия и без него. Результаты показали высокую выборочную корреляцию с измеренной экспрессией, однако анализ на уровне отдельных генов выявил существенные различия между методами, указывая на сложность точной реконструкции биологической вариативности. Исследование продемонстрировало, что информация о поле и стероидном фоне уже сильно закодирована в самих разреженных профилях, поэтому явное добавление меток условия не всегда улучшало результаты. Также установлено, что простой поиск по ближайшим соседям дает более надежный базовый уровень, чем обученная реконструкция, а увеличение числа входных генов не приводит к монотонному росту точности. Выводы подчеркивают необходимость использования строгих базовых линий и метрик на уровне генов при оценке моделей ИИ для восстановления транскриптома.

В исследовании представлена интерпретируемая нейронная сеть CNN-CR, которая обучается распознавать регуляторные мотивы ДНК и предсказывать экспрессию генов на основе данных 116 образцов человека. Авторы доказывают, что регуляция промоторов обладает высокой степенью сжимаемости: небольшой набор из нескольких десятков повторяющихся семейств мотивов сохраняет большую часть предсказательной информации, которая ранее приписывалась значительно более обширным специфичным для клеток словарям. Эти компактные мотивы демонстрируют высокую способность к обобщению, успешно работая на клеточных контекстах, которые не были включены в обучающую выборку. Генетический анализ подтверждает, что данные мотивы консервативны в местах связывания и обогащены в тонко отфильтрованных регуляторных вариантах, связанных с заболеваниями. Исследование выявило двухуровневое влияние клеточного контекста: состояние хроматина определяет доступность конкретных экземпляров мотивов, а идентичность белков-«читателей» определяет то, как эти доступные мотивы интерпретируются транскрипционным аппаратом. Эти выводы подкреплены данными ChIP-seq, демонстрирующими частые сдвиги в occupancy белков-читателей между типами клеток, а также результатами масштабных генетических пертурбаций. Таким образом, работа показывает, как ИИ-модели могут раскрыть механизмы клеточного разнообразия, основанные на дифференциальном доступе к общему генетическому словарю.

В статье представлен новый фреймворк HOS-VFL, объединяющий одношаговое и вертикальное федеративное обучение для анализа МРТ-снимков мозга без передачи исходных данных между учреждениями. Метод достиг точности 98,73% в классификации опухолей и высоких показателей сегментации, значительно превзойдя базовые модели при сохранении конфиденциальности.

В статье представлена новая архитектура глубокого обучения AnySleep, предназначенная для автоматизированной и высокоточной стадийной классификации сна (sleep staging) на основе полисомнографических данных. Ключевой инновацией системы является её «канально-аgnostic» (channel-agnostic) природа, что позволяет модели эффективно обрабатывать электроэнцефалографические (ЭЭГ) и другие сигналы независимо от конкретного количества или типа используемых каналов регистрации. Это решает одну из главных проблем внедрения ИИ в клиническую практику — необходимость переобучения моделей под специфическое оборудование каждой лаборатории. Исследование проведено на многоцентровых когортах пациентов, что подтверждает высокую обобщающую способность алгоритма и его устойчивость к вариациям в качестве данных между разными центрами. Модель демонстрирует значительное улучшение показателей точности и согласованности с экспертной оценкой врачей-сомнологов по сравнению с существующими методами. Результаты указывают на потенциал AnySleep для стандартизации диагностики нарушений сна, снижения нагрузки на специалистов и упрощения скрининга широких слоев населения. Система способна работать с неполными или разнородными наборами данных, что критически важно для масштабирования телемедицинских решений в области сомнологии.

В исследовании представлен метод глубокого обучения (CNN–BiLSTM с механизмом внимания) для автоматической классификации стадий болезни Альцгеймера по МРТ-снимкам. Модель достигла точности 95,94% на тестовой выборке из 6400 срезов, эффективно решая проблему дисбаланса классов и обеспечивая высокую чувствительность к ранним стадиям заболевания.

В статье представлен новый метод глубокого обучения CAFM v4, объединяющий три архитектуры нейронных сетей (ConvNeXt V2, Swin-Base, EfficientFormerV2) для точной классификации опухолей головного мозга на МРТ-снимках. Модель продемонстрировала высокую точность (до 99.78%) на пяти публичных наборах данных, однако авторы отмечают необходимость внешней валидации для перехода к клиническому применению.

В статье, опубликованной в журнале npj Artificial Intelligence 8 октября 2026 года, исследователи представляют новый методологический подход к оптимизации адаптивной терапии рака с использованием алгоритмов обучения с подкреплением (Reinforcement Learning, RL). Ключевой инновацией работы является концепция «Reinforcement Failing» (контролируемых сбоев RL), которая позволяет выявлять скрытые эмерджентные физические динамики в поведении опухолевых клеток при изменении дозировок препаратов. Традиционные методы оптимизации часто застревают в локальных оптимумах или игнорируют сложные нелинейные взаимодействия между опухолью, микроокружением и лекарственным давлением; предложенный подход использует анализ точек отказа агента RL для картирования фазовых переходов в системе. Исследование демонстрирует, что мониторинг сбоев в процессе обучения помогает идентифицировать критические пороги устойчивости опухоли, что позволяет разрабатывать более эффективные протоколы дозирования, предотвращающие развитие резистентности. Авторы показывают, что интеграция физических моделей динамики популяции клеток с RL-агентом значительно повышает точность предсказания ответа на терапию по сравнению со стандартными стратегиями непрерывного или прерывистого дозирования. Результаты указывают на то, что адаптивные стратегии, основанные на выявленных эмерджентных динамических паттернах, могут существенно замедлить прогрессирование заболевания и улучшить выживаемость пациентов в моделях in silico. Эта работа вносит важный вклад в область персонализированной онкологии, предлагая инструмент для перехода от статических схем лечения к динамически адаптируемым протоколам, управляемым данными. Методология открывает новые возможности для применения искусственного интеллекта в сложных биологических системах, где прямое моделирование всех переменных невозможно.

В исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, представлена успешная проспективная оценка системы искусственного интеллекта, предназначенной для автоматической оценки практических экзаменов OSCE (Objective Structured Clinical Examination) у студентов-медицинских вузов. Система использует мультимодальный подход, анализируя одновременно видео- и аудиоданные, а также текстовые транскрипты взаимодействий между студентами и стандартизированными пациентами. Методология включает применение глубоких нейронных сетей для распознавания вербальных и невербальных сигналов, оценки клинических навыков коммуникации и принятия решений в реальном времени. Ключевые результаты демонстрируют высокую корреляцию между оценками, выставленными ИИ, и оценками независимых экспертов-людей, что подтверждает надежность алгоритма. Исследование показывает, что внедрение таких систем может значительно снизить нагрузку на преподавательский состав и обеспечить более объективную и масштабируемую оценку клинических компетенций. Это открывает новые возможности для интеграции ИИ в медицинское образование и стандартизацию оценки практических навыков будущих врачей.

Исследование демонстрирует, что автоматизированная сегментация предстательной железы на основе нейросети nnU-Net обеспечивает более точный расчет плотности ПСА по сравнению с традиционными методами, улучшая диагностику клинически значимого рака простаты. Автоматизированный подход показал диагностическую эффективность, сопоставимую с ручной сегментацией, что подтверждает его потенциал для внедрения в клиническую практику.

В статье, опубликованной в журнале npj Digital Medicine 7 октября 2026 года, представлена новая методология предварительного обучения (pretraining) моделей искусственного интеллекта для анализа компьютерной томографии (КТ). Авторы предлагают подход «поэтапного предварительного обучения» (stage-wise pretraining), который позволяет создавать универсальные представления медицинских изображений, охватывающие широкий спектр задач — от базовой анатомической сегментации до выявления сложных фенотипов заболеваний. Методология предполагает последовательное обучение модели на различных этапах: сначала на крупных наборах данных для изучения общей анатомической структуры, а затем на специализированных наборах, связанных с патологиями. Это позволяет модели эффективно переносить знания (transfer learning) на узкоспециализированные клинические задачи с меньшим объемом размеченных данных. Исследование демонстрирует высокую эффективность предложенного подхода в задачах диагностики, где традиционные методы часто требуют значительных вычислительных ресурсов и больших объемов размеченных данных. Результаты показывают, что универсальные представления значительно улучшают точность диагностики и обобщающую способность моделей в различных клинических сценариях. Работа вносит существенный вклад в развитие ИИ-инструментов для радиологии и цифровой медицины, предлагая масштабируемое решение для создания надежных диагностических систем.

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.

В перспективной статье, опубликованной в Nature Machine Intelligence, исследователи Леви и соавторы предлагают новый подход к пониманию внутреннего устройства больших языковых моделей (LLM), фокусируясь на так называемых «токенах рассуждения». Авторы отмечают парадоксальную ситуацию: хотя модели генерируют текстовые цепочки рассуждений, их фактическое решение задачи может отличаться от того, что следует из этого текста. Статья посвящена методологии исследования роли этих промежуточных токенов, которые интерпретируются не просто как текст, а как скрытое состояние модели, влияющее на последующие шаги. Работа направлена на разработку способов анализа того, как именно эти внутренние представления формируют итоговый вывод. Это исследование имеет значение для области объяснимого ИИ (XAI) и безопасности медицинских диагностических систем, где критически важно понимать логику принятия решений алгоритмом. Понимание природы токенов рассуждения позволяет улучшить прозрачность ИИ-ассистентов, используемых в клинической практике, обеспечивая более надежную верификацию их рекомендаций врачами. Статья закладывает теоретическую базу для будущих прикладных исследований в области доверенного искусственного интеллекта.

В статье, опубликованной в журнале npj Artificial Intelligence 7 октября 2026 года, представлена концепция и анализ атак типа «FramePoison» на системы генерации с извлечением данных (RAG), применяемые в медицинской сфере. В отличие от традиционных методов отравления данных, которые искажают сами факты или медицинские знания, предлагаемые атаки манипулируют контекстным оформлением (фреймингом) информации, что приводит к некорректным выводам генеративных моделей при сохранении фактической точности исходных документов. Исследование демонстрирует уязвимость современных медицинских RAG-систем к тонким изменениям в подаче данных, которые могут влиять на интерпретацию симптомов, диагнозов или рекомендаций по лечению. Авторы подчеркивают критическую важность устойчивости алгоритмов к таким манипуляциям, так как в медицине ошибки интерпретации контекста могут иметь прямые последствия для безопасности пациентов. Работа вносит значительный вклад в область безопасности ИИ в здравоохранении, выделяя новый вектор угроз, который требует пересмотра стандартов валидации и тестирования медицинских языковых моделей. Результаты исследования указывают на необходимость разработки новых методов защиты, фокусирующихся не только на проверке фактов, но и на анализе семантического контекста и структуры подачи информации в базах знаний.

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.