нейросети

Статья предлагает новую модель EMSSTGAN на основе графовых сетей внимания для автоматического измерения толщины воротникового пространства (NT) на УЗИ. Метод включает предварительную обработку изображений, сегментацию области NT и точное измерение толщины для оценки риска хромосомных аномалий, достигая точности 98,15%. Это решение устраняет субъективность ручного измерения и повышает надежность ранней диагностики.

В статье представлен метод RAMP (Rank-preserving Alignment of Multi-platform Proteomics) — новая неконтролируемая вычислительная рамка для выравнивания данных протеомики, полученных с различных платформ, таких как цитометрия, секвенирование и пространственная визуализация. В отличие от существующих методов, ориентированных на РНК, которые приоритизируют общие эмбеддинги, RAMP выравнивает общие белковые маркеры без необходимости предварительной аннотации типов клеток, используя специфические для образца якоря и монотонные преобразования. Ключевым преимуществом подхода является сохранение порядка экспрессии маркеров внутри образца, что предотвращает опасные ошибки интерпретации, такие как обратное изменение рангов экспрессии, которые могут привести к неверной идентификации клеточных популяций. Метод был протестирован на семи задачах интеграции, показав наилучший баланс между коррекцией батчей и сохранением типов клеток, а также улучшил качество входных данных для линейных моделей, k-NN и небольших нейросетей в задачах кросс-платформенной аннотации и предсказания отсутствующих маркеров. Практическая значимость RAMP продемонстрирована на нескольких клинических примерах: в костном мозге метод позволил импутировать пропавший канал CD19 в данных CODEX, восстановив пространственное распределение В-клеток; в меланоме перенос пространственной информации выявил связь пролиферирующих CD8 Т-клеток с выживаемостью; в раке легких предсказанные состояния HLA-ABC ассоциировались с худшим безрецидивным выживанием; в раке головы и шеи анализировались ниши фибробластов и макрофагов. Результаты подтверждают ценность гармонизированных входных данных для предиктивного обучения и обосновывают использование RAMP в качестве предварительной обработки для протеомических фундаментальных моделей.

В статье представлен новый метод EnsPlex, предназначенный для повышения точности предсказания структур белковых комплексов, в частности антиген-антительных взаимодействий. Подход объединяет несколько источников структурного сэмплирования, включая AlphaFold-Multimer, AlphaFold3, Boltz-1 и конформационно-расширенный докинг HADDOCK, что позволяет значительно расширить пространство возможных конформаций. Для отбора наиболее точных моделей из большого пула кандидатов обучена нейросеть FACET, которая использует метрики DockQ в качестве целевых переменных для обучения. Исследование проводилось на наборе из 102 систем антиген-антитело, где EnsPlex продемонстрировал относительное улучшение показателя успеха предсказания на 27,8% по сравнению со встроенным ранжированием AlphaFold3 при сопоставимых вычислительных затратах. Метод также показал эффективность во внутреннем ранжировании кандидатов и при работе с внешними данными, отфильтрованными по гомологии. Результаты подтверждают практическую ценность интеграции мультисорцевого сэмплирования и обучения с учителем для задач структурной биоинформатики. Данный подход решает проблему нехватки вычислительных ресурсов при генерации множества моделей, позволяя выбирать наиболее релевантные структуры. Работа демонстрирует прогресс в области применения глубокого обучения для анализа молекулярных взаимодействий.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена инновационная мобильная платформа Strabismus-Net, предназначенная для автоматизированной диагностики косоглазия на основе стандартных фотографий глаз. Архитектура приложения базируется на передовой нейросетевой модели, использующей механизм двухпоточного кросс-внимания (dual-stream cross-attention) для глубокого анализа микровыражений и выравнивания зрачков, а также метод адаптивного агрегирования признаков для повышения точности классификации типов косоглазия. Система обрабатывает изображения, сделанные в девяти различных направлениях взгляда, что позволяет учитывать сложные паттерны отклонения глазных яблок и снижает вероятность ложноположительных результатов, характерных для однокадровых систем. Ключевым преимуществом разработки является интеграция мощных алгоритмов компьютерного зрения непосредственно в мобильное приложение, что делает инструмент доступным для использования в условиях амбулаторного приема или даже в домашних условиях без необходимости в дорогостоящем специализированном оборудовании. Результаты тестирования демонстрируют высокую чувствительность и специфичность модели, сопоставимые с оценками опытных офтальмологов, что подтверждает клиническую значимость предложенного подхода. Внедрение такого решения способно существенно ускорить первичный скрининг пациентов, особенно в регионах с нехваткой узких специалистов, и способствовать раннему выявлению нарушений зрительной функции у детей и взрослых.

В статье представлен новый метод глубокого обучения AGMNet (Adaptive Gated Multimodal Network), предназначенный для классификации болезни Паркинсона. Модель интегрирует данные структурной магнитно-резонансной томографии (МРТ), визуализации транспортера дофамина (DaT), а также признаки асимметрии и биомаркеры. Для обеспечения интерпретируемости решений нейросети используется метод Grad-CAM, позволяющий визуализировать области на снимках, наиболее влияющие на классификацию. Оценка производительности проводилась с помощью пятикратной перекрестной проверки и сравнения с базовыми архитектурами, такими как VGG16, VGG19, InceptionV3 и Xception. Результаты показали точность 0.8318, сбалансированную точность 0.8278, чувствительность 0.8556 и специфичность 0.8000. Площадь под ROC-кривой (AUC) составила 0.711, а коэффициент корреляции Мэтьюса (MCC) — 0.6458. Исследование демонстрирует, что адаптивное мультимодальное слияние данных улучшает интеграцию структурной, функциональной и асимметричной информации по сравнению с использованием только МРТ. Модель AGMNet показала конкурентоспособные результаты относительно существующих архитектур глубокого обучения. Веса затворов подтвердили высокую значимость функциональных данных и признаков асимметрии для точной диагностики. Предложенный подход предлагает перспективный и интерпретируемый инструмент для помощи в диагностике болезни Паркинсона на основе мультимодальных медицинских изображений.

В статье представлен новый фреймворк UniWave-2 для анализа последовательностей нуклеиновых кислот, который решает проблемы информационной разреженности и разрыва непрерывности последовательностей, характерные для традиционных методов глубокого обучения, использующих дискретное кодирование. Авторы предлагают преобразовывать биологические последовательности в сигналы волновых форм, интегрируя в схему кодирования физико-химические свойства, такие как гидрофобность, для более полного отражения структуры молекул. Для повышения разрешения волновых форм применяются преобразование Фурье и вейвлет-преобразование, что позволяет точно захватывать как локальные детали, так и глобальные периодические паттерны в данных. В основе архитектуры лежит легковесная многомасштабная модель GRU (Gated Recurrent Unit), способная взаимодействовать с функциями в разных измерениях, улавливать двунаправленные временные зависимости и учитывать пространственную позиционную информацию. Исследование демонстрирует конкурентоспособные результаты модели на множестве задач геномного анализа, подчеркивая её эффективность по сравнению с существующими подходами. Особое внимание уделено интерпретируемости: анализ важности последовательностей (ISM) показал, что волновое кодирование позволяет получать объяснимые атрибуты без необходимости использования градиентной информации, что критически важно для доверия к ИИ в медицине. Результаты работы позиционируют UniWave-2 как легкий и интерпретируемый инструмент для анализа геномных данных, что может быть применено в персонализированной медицине и диагностике генетических заболеваний.

В статье представлена новая архитектура нейронной сети MSHAN, сочетающая многомасштабную абстракцию признаков и иерархические механизмы внимания для классификации аритмий по данным ЭКГ. Модель достигла точности 96,25% на базе данных MIT-BIH, превзойдя традиционные методы, и использует визуализацию SHAP для обеспечения интерпретируемости решений, что помогает кардиологам проверять правильность предсказаний.

В статье представлен систематический обзор и байесовский сетевой метаанализ 21 рандомизированного контролируемого испытания, оценивающий эффективность систем компьютерного обнаружения на основе ИИ (CADe) при колоноскопии. Результаты показывают, что использование ИИ-систем значительно повышает частоту обнаружения аденом по сравнению с традиционной колоноскопией, хотя прямые сравнения между различными системами ИИ требуют осторожной интерпретации.

В статье представлена новая фундаментальная модель ДНК под названием MicroGlot, разработанная специально для анализа микробной геномики. Модель обучена на обширном корпусе из 3,7 миллиона последовательностей, содержащих 378,3 миллиарда нуклеотидов и охватывающих 99 700 видов микроорганизмов. Ключевой особенностью архитектуры является использование гиперболических вложений для кодирования иерархических таксономических связей в сочетании со структурой разреженного смесителя экспертов (sparse mixture-of-experts), что позволяет эффективно интегрировать биологические знания в процесс обучения. Исследователи провели нулевую оценку (zero-shot) встраиваний слоев модели, доказав, что полученные репрезентации не только отражают таксономическую принадлежность, но и кодируют фенотипические признаки организмов. Сравнение с вариантом модели, обученным без учета таксономии, показало, что включение таксономических знаний последовательно улучшает качество репрезентаций на всех слоях нейросети. В тестировании на наборе из 1000 видов, охватывающем основные клеточные домены и вирусные царства, маршрутизирующие отпечатки MicroGlot продемонстрировали более высокую согласованность с таксономическими группами по сравнению с традиционным методом анализа тетра-нуклеотидного состава. Модель демонстрирует лидирующие результаты в задачах нулевого обучения и конкурентоспособные показатели при дообучении (fine-tuning) при низких вычислительных затратах. Разработанная архитектура представляет собой эффективный инструмент для микробной геномики, открывая новые возможности для исследований в области биотехнологий, сельского хозяйства и понимания роли микробиома в здоровье человека.

В статье представлен метод PerturbBridge, основанный на условном латентном мосте Шрёдингера (Schrödinger Bridge), предназначенный для предсказания транскрипционных ответов клеток на неизученные возмущения. Поскольку измерения РНК-секвенирования являются деструктивными, контрольные и возмущенные клетки наблюдаются как неспаренные популяции, что требует перехода от индивидуального прогнозирования к моделированию распределений популяций. Метод использует вариационный автоэнкодер (beta-TCVAE) для создания компактного латентного пространства, что позволяет эффективно аппроксимировать стохастический транспорт в условиях высокой размерности и разреженности данных. Введение регуляризатора согласованности интерполяции и регуляризации MMD конечных точек обеспечивает точное выравнивание сгенерированных распределений с наблюдаемыми целевыми. Эксперименты на бенчмарках Norman CRISPR и Sci-Plex3 показали конкурентоспособные результаты, а также достижение состояния искусства (SOTA) в восстановлении дифференциальной экспрессии генов. Данный подход демонстрирует высокую эффективность латентного стохастического транспорта для анализа одноклеточных данных, что критически важно для персонализированной медицины и разработки новых терапий.

Представлена модель ColBERT-PPI — многовекторная структура-осведомлённая нейросетевая архитектура на базе ColBERT, которая объединяет предсказание белковых партнёров (protein-protein interactions, PPI) с локализацией сайтов взаимодействия на уровне отдельных аминокислотных остатков. Модель сохраняет переиспользуемые остаточные представления и сравнивает их в партнёр-зависимом режиме, генерируя карты совместимости остатков для локализации и калиброванные сглаженные MaxSim-оценки для поиска. На бенчмарке PINDER ColBERT-PPI достигла площади под кривой точность-полнота (AUPRC) 0,482 против 0,151 у лучшего внешнего конкурента — более чем трёхкратное превосходство. Средний AUROC контакта составил 0,806 против 0,526 у одно-векторного контроля. После дообучения на задаче PPI представления также улучшили поиск взаимодействий белок-РНК, что свидетельствует о переносе знаний за пределы исходного молекулярного контекста. Работа имеет прямое значение для терапевтического открытия: связывая кандидатов-партнёров с остаточным доказательством взаимодействия, модель позволяет приоритизировать белки и регионы взаимодействия для разработки лекарств.

Компания Merge представила MergeIQ — слой искусственного интеллекта, интегрированный в платформу корпоративной медицинской визуализации. Первые приложения RelevancyIQ и NaviIQ помогают радиологам находить релевантную предыдущую информацию и клинический контекст непосредственно в рабочем процессе, что снижает нагрузку и повышает эффективность диагностики.

Компания Ultrasound AI, Inc. получила два новых патента США на технологии искусственного интеллекта для медицинского визуализации. Патенты описывают методы использования нейросетей для анализа воздействия лекарств на плод и комплексной медицинской диагностики на основе медицинских изображений.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

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.

Разработана двухслойная двунаправленная LSTM-сеть с механизмом маскирования для динамического прогнозирования делирия у пациентов в отделении интенсивной терапии на основе 24-часовых скользящих окон наблюдений. Модель показала AUC-ROC 0,835 при внутренней и 0,830 при внешней валидации, а анализ SHAP выявил клинически значимые временные закономерности в предикторах (ИВЛ, pH, шкала SOFA).

Линус Торвальдс, создатель ядра Linux, выступил с резкой критикой использования нейросетей для генерации отчетов об ошибках в программном обеспечении. По его мнению, сгенерированные ИИ сообщения перегружают процесс разработки, создавая поток некачественного и «кривого» контента, который мешает инженерам фокусироваться на реальных проблемах. Несмотря на то, что ранее Торвальдс высказывался в позитивном ключе о возможностях ИИ в написании кода для непрофессионалов, текущая ситуация с автоматизированными отчетами вызывает у него серьезное недовольство. Данный инцидент подчеркивает растущую проблему «шума» в open-source проектах, вызванного бесконтрольным использованием LLM. Ситуация демонстрирует конфликт между автоматизацией процессов и необходимостью поддержания высокого качества технической документации и отчетов в критически важных системах.

В данной работе исследователи представляют инновационный метод коррекции аттенуации и рассеяния для позитронно-эмиссионной томографии (ПЭТ), который исключает необходимость использования предварительного КТ-сканирования. Основная проблема традиционной ПЭТ заключается в зависимости от КТ для построения карт коэффициентов поглощения, что увеличивает лучевую нагрузку и сложность процедуры. Авторы предложили подход на основе кросс-доменной адаптации с использованием стратегии few-shot learning, что позволяет модели эффективно переносить знания между различными типами сканеров и анатомическими структурами. Методология направлена на преодоление проблемы обобщающей способности нейросетей при работе с новыми наборами данных. Результаты исследования демонстрируют, что предложенный алгоритм обеспечивает высокую точность реконструкции изображений, сопоставимую с классическими методами на базе КТ, при этом значительно снижая техническую сложность процесса. Данная технология имеет критическое значение для развития гибридной визуализации и оптимизации протоколов ПЭТ-диагностики в клинической практике.

Авторы представляют MCEEGNet — нейросетевую архитектуру на базе EEGNet, предназначенную для диагностики и количественной оценки тяжести депрессии по сигналам ЭЭГ. Модель демонстрирует высокую точность классификации (91.13%) и позволяет прогнозировать баллы по шкале PHQ-9, используя различные эмоциональные стимулы.