онкология

В ретроспективном исследовании с участием 229 пациентов разработана и валидирована интерпретируемая модель машинного обучения на основе радиомических признаков многофазной КТ для различения липид-бедных аденом и феохромоцитом. Модель дерева решений достигла AUC 0.977–0.983, а анализ важности признаков выявил кистозную дегенерацию как ключевой дискриминатор, обеспечивая прозрачные клинические пути принятия решений.

Компания Cureety, специализирующаяся на цифровой онкологии, объявила о приобретении Reimagine Care, платформы удаленного мониторинга пациентов с раком. Объединенная компания теперь поддерживает более 250 онкологических центров и охватывает более 100 000 пациентов в пяти странах. Reimagine Care использует искусственный интеллект для анализа симптомов и данных пациентов в реальном времени, что позволяет врачам своевременно корректировать лечение и предотвращать осложнения. Платформа интегрируется с электронными медицинскими картами и предоставляет клиницистам прогностические модели для оценки рисков. Приобретение усиливает позиции Cureety в сегменте точной онкологии, где ИИ применяется для персонализации терапии и улучшения исходов лечения. Ожидается, что синергия технологий позволит ускорить внедрение предиктивной аналитики в клиническую практику и снизить нагрузку на онкологические отделения. Финансовые условия сделки не раскрываются.

В статье представлен критический самоаудит графовой нейронной сети MetaGNN, предназначенной для оценки активности метаболических реакций в контексте персонализированного моделирования рака. Авторы выявили два независимых механизма, которые приводили к завышенным результатам бенчмарков. Во-первых, при обучении с метками, полученными пороговым преобразованием тех же транскриптомных данных, которые подаются на вход модели, достигался AUROC 0.9864 на TCGA-BRCA, однако это объяснялось прямой утечкой меток: для 5,925 реакций метки были детерминированной функцией входа, а для 4,675 реакций метки были сгенерированы псевдослучайным генератором с фиксированным сидом, и модель запоминала инвариантный вектор меток. Во-вторых, в независимом когорте модели, обученные без данных пациентов, имели нулевые признаки и не показывали согласия между пациентами, что указывает на отсутствие реального сигнала. После исправления этих проблем и переобучения на валидных признаках AUROC упал до 0.5800, что ниже базовых показателей (0.6342 для сырых данных и 0.6085 для информационно-пустого индикатора). Перенос модели на другие датасеты (METABRIC, CPTAC) оказался на уровне случайности. Авторы отзывают ранее заявленное улучшение на 0.105 AUROC от реляционных рёбер и публикуют код, данные и скрипты для воспроизведения проверок. Работа подчёркивает важность строгой валидации бенчмарков в ИИ-медицине и предлагает практические рекомендации для предотвращения утечки данных.

В статье исследовано влияние гипоксии на интернализацию ДНК-тетраэдров (DNA Td) — перспективных наноконтейнеров для доставки лекарств. Авторы синтезировали и охарактеризовали Cy5-меченые ДНК-тетраэдры и создали модель химической гипоксии в клеточных линиях HeLa, MDA-MB-231 и MCF-7. Гипоксию подтверждали по ядерной транслокации фактора HIF-1. С помощью конфокальной микроскопии обнаружено значительное снижение поглощения ДНК-тетраэдров в условиях гипоксии, тогда как поглощение трансферрина и холерного токсина B возрастало, что указывает на селективную регуляцию эндоцитоза в зависимости от типа груза. Эксперименты с температурным арестом подтвердили снижение энергозависимой интернализации. Фармакологическое профилирование показало переключение с клатрин-опосредованных и галектин/гликан-зависимых путей на липид-рафт/холестерин-зависимое поглощение. Гипоксия увеличивала электроотрицательность плазматической мембраны, что создает биофизический барьер для поглощения ДНК-тетраэдров. Ключевым результатом стало то, что комплексообразование с катионным липидом DOTMA восстанавливало поглощение до нормоксического уровня, подтверждая роль электростатического отталкивания как основного фактора. В экспериментах на личинках zebrafish гипоксия значительно усиливала накопление ДНК-тетраэдров во всем организме. Полученные данные подчеркивают важность инженерии поверхностного заряда как стратегии улучшения доставки ДНК-наноструктур в гипоксических условиях, что актуально для разработки противоопухолевых терапевтических систем, поскольку гипоксия характерна для микроокружения многих солидных опухолей.

В статье представлена платформа MAPS (Multi-modal Alignment, Processing and Synthesis) для пространственной биологии, которая решает давнюю проблему объединения разрозненных многомодальных данных в единую физическую и молекулярную координатную систему. Платформа состоит из трех компонентов: MAPS-alignment для сверхбыстрого выравнивания любых модальностей, MAPS-integration для интегрированной (с якорем и без) реконструкции 3D многомодальных данных, и MAPS-Explorer для интерактивного 3D-анализа в больших масштабах. MAPS превзошла существующие методы в обширных тестах на 34 наборах данных, охватывающих 16 технологических платформ и 6 модальностей, и позволила детально описать тонкую многомодальную тканевую архитектуру у мышей и человека. В рамках межконсорциумного масштаба MAPS интегрировала 434 среза, содержащих 21 миллион клеток из 18 атласов и 5 модальностей, создав наиболее полный 3D многомодальный атлас мозга мыши. На уровне отдельной лаборатории MAPS позволила стандартным 2D пространственным анализам реконструировать непрерывные 3D многомодальные ландшафты гепатоцеллюлярной карциномы человека, выявив ограничения 2D пространственных взаимосвязей и обнаружив зависимые от глубины переходы иммунных состояний. Платформа использует методы машинного обучения для интеграции данных, что делает ее значимым инструментом для биомедицинских исследований, особенно в онкологии и нейробиологии.

В исследовании, опубликованном в 2026 году, авторы применили интерпретируемые методы машинного обучения для интеграции транскриптомных и эпигеномных данных с целью улучшения молекулярной характеристики метастатического колоректального рака (CRC). Анализ включал 518 первичных опухолей из когорты TCGA-COAD/READ (436 неметастатических [M0] и 82 метастатических [M1]) с парными данными RNA-seq и метилирования ДНК. Пять классификаторов машинного обучения (включая SVM, логистическую регрессию и ансамблевые модели) оценивались на способность различать метастатический статус с использованием стратифицированной вложенной кросс-валидации. Интеграция RNA-seq и метилирования ДНК показала наилучшую дискриминацию: SVM достиг ROC-AUC 0.787 ± 0.047. Шесть признаков (ARC, ASPDH, C13orf15, C4orf23, GPATCH3 и cg12040555) стабильно входили в топ-20 предикторов в четырех моделях с согласованными направлениями эффекта. Ключевой находкой стала обратная корреляция метилирования cg10057218 с экспрессией гена GSDMB (Spearman rho = -0.589), при этом уровень метилирования был повышен в M1-опухолях. Медиационный анализ подтвердил значимый косвенный эффект: метилирование cg10057218 опосредует 82.1% связи между метастатическим статусом и сниженной экспрессией GSDMB (косвенный эффект = -0.370; 95% ДИ [-0.519, -0.224]). Кроме того, в M1-опухолях наблюдалась сниженная иммунная транскрипционная активность. Авторы построили каноническую молекулярную оценку из 20 признаков, которая разделяла M1 и M0 с ROC-AUC 0.918 на обучающей выборке, а соответствующая модель логистической регрессии достигла ROC-AUC 0.781 ± 0.046 при вложенной кросс-валидации. Более высокие значения оценки ассоциировались с худшей общей выживаемостью (log-rank p = 1.67 × 10^-7). Результаты подчеркивают согласованные молекулярные и иммунные различия между M0 и M1 опухолями и идентифицируют репрессию GSDMB, связанную с метилированием cg10057218, как кандидатный эпигенетический маркер метастатического заболевания, что может иметь значение для прогнозирования и таргетной терапии.

В статье представлен детальный анализ результатов команды, участвовавшей в конкурсе Bits to Binders, посвященном применению методов искусственного интеллекта для de novo дизайна белков. Исследователи разработали 414 вариантов антигенсвязывающих доменов химерных антигенных рецепторов (CAR) для CAR-T терапии, нацеленных на белок CD20. В ходе скрининга пролиферации CAR-T клеток 38,4% предложенных конструкций показали статистически значимое обогащение, что стало лучшим результатом среди всех команд и более чем вдвое превысило показатель ближайшего конкурента. Авторы выделяют три стратегии дизайна, при этом две из них обеспечили практически весь успех, превзойдя совокупные результаты остальных участников. Ключевым выводом стало то, что стандартный этап валидации с помощью ESMFold (рефолдинг после 'backbone painting') отфильтровал бы все успешные варианты, поэтому авторы подчеркивают необходимость проверять каждый этап фильтрации для конкретной биомолекулярной системы и тестировать промежуточные результаты, не полагаясь слепо на общепринятые практики. Кроме того, команда оказалась единственной, кто проектировал связывающие домены с учетом предсказанной ESMFold димерной геометрии CD20, которая существенно отличается от экспериментальной структуры 6Y97; это могло способствовать высокой частоте успешных попаданий, хотя окончательного ответа на этот вопрос нет. Статья содержит ценные практические рекомендации для будущих кампаний по дизайну CAR-T и связывающих белков.

Статья, опубликованная в npj Digital Medicine 1 сентября 2026 года, рассматривает перспективы и барьеры на пути клинического внедрения пространственной омики и вычислительной патологии в онкологии. Авторы анализируют, как интеграция высокопроизводительных методов пространственного профилирования тканей (таких как пространственная транскриптомика и протеомика) с алгоритмами машинного обучения и глубокого обучения на гистопатологических изображениях открывает новые возможности для точной диагностики, прогнозирования ответа на терапию и выявления новых биомаркеров. В работе обсуждаются ключевые технологические достижения, включая мультимодальные модели, способные объединять морфологическую информацию с молекулярными данными, что повышает точность предсказательных моделей. Особое внимание уделяется проблемам стандартизации протоколов, воспроизводимости результатов, регуляторным требованиям и необходимости валидации на крупных многоцентровых когортах. Авторы подчеркивают, что, несмотря на впечатляющие результаты в исследовательских условиях, для реального клинического применения необходимы совместные усилия патологов, онкологов, специалистов по данным и регуляторных органов. Статья также затрагивает вопросы интерпретируемости моделей ИИ и доверия со стороны врачей, а также экономической эффективности внедрения таких технологий в рутинную практику. В заключение предлагаются конкретные дорожные карты и рекомендации по ускорению перехода от лабораторных разработок к клиническому использованию, что может существенно изменить подходы к лечению рака и персонализированной медицине.

С ростом объема медицинских исследований ученым становится все сложнее отслеживать новые открытия. Например, число публикаций, связанных с раком, в базе данных PubMed Национальной медицинской библиотеки более чем удвоилось с 2005 года, согласно данным платформы OncoDaily. Чтобы помочь исследователям ориентироваться в этом огромном массиве данных, некоторые федеральные агентства США внедряют функциональность больших языковых моделей (LLM). В частности, Национальный институт рака (NCI) использовал чат-бот, добавленный в приложение Fellows and Young Investigators (FYI), для онбординга новых сотрудников. Чат-бот помогает им быстрее адаптироваться и находить нужную информацию в исследовательской среде. Статья подчеркивает, что LLM становятся важным инструментом для повышения эффективности научной работы, позволяя автоматизировать рутинные задачи поиска и анализа литературы. Это пример практического применения генеративного ИИ в государственных медицинских учреждениях, который может быть масштабирован на другие области здравоохранения. Использование LLM в качестве «со-пилотов» исследователей открывает новые возможности для ускорения научных открытий и улучшения качества медицинских исследований.

Исследователи из Нидерландов разработали новую мультимодальную модель машинного обучения, которая одновременно достигает высокой точности прогнозирования выживаемости онкологических пациентов и обеспечивает полную интерпретируемость результатов. Модель объединяет данные гистопатологических изображений (WSI) и клинические данные пациентов, используя разложимые представления (disentangled representations) для разделения сигналов, связанных с прогнозом, от нерелевантных факторов. В отличие от традиционных «черных ящиков» глубокого обучения, предложенный подход позволяет врачам визуализировать, какие именно морфологические признаки опухоли и клинические параметры повлияли на конкретный прогноз. Авторы провели эксперименты на нескольких публичных датасетах рака, включая данные по раку легкого и раку молочной железы, и показали, что модель сопоставима по точности (AUC до 0.85) с современными неинтерпретируемыми аналогами, при этом значительно превосходя их по объяснимости. Работа опубликована в журнале Artificial Intelligence in Medicine (Volume 181, ноябрь 2026) и представляет собой важный шаг к внедрению ИИ в клиническую практику, где доверие врачей к алгоритмам критически зависит от возможности объяснить каждое решение. Методология включает использование вариационных автокодировщиков для разделения признаков и механизмы внимания для визуализации значимых участков изображений. Авторы подчеркивают, что их фреймворк может быть адаптирован для других типов рака и задач прогнозирования в медицине.

В этом систематическом обзоре, опубликованном в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), авторы проводят критическую методологическую оценку исследований, использующих искусственный интеллект (ИИ), машинное обучение (МО) и традиционные статистические методы для прогнозирования исходов при трех видах рака: молочной железы, колоректальном раке и раке поджелудочной железы. Цель работы — выйти за рамки простого сравнения прогностической эффективности и оценить качество методологии, включая обработку дисбаланса классов, выбор метрик, валидацию моделей и соблюдение стандартов отчетности (например, TRIPOD). Авторы проанализировали значительное число публикаций, выявив распространенные недостатки, такие как недостаточная внешняя валидация, переобучение моделей и игнорирование клинической полезности. Обзор подчеркивает необходимость стандартизации методологических подходов и повышения воспроизводимости исследований в области ИИ в онкологии. Результаты показывают, что, несмотря на высокие показатели точности, многие модели не готовы к клиническому применению из-за методологических ограничений. Работа предлагает практические рекомендации для исследователей и рецензентов, направленные на улучшение качества будущих исследований и ускорение внедрения ИИ в клиническую практику.

В статье, опубликованной в npj Artificial Intelligence 2 сентября 2026 года, представлен метод UPMA (unspecified pretraining and modular adaptation) — подход к автоматическому оконтуриванию (сегментации) клинических целевых объемов (CTV) при адаптивной лучевой терапии рака пищевода. Метод сочетает неспецифицированное предобучение на больших наборах медицинских изображений с модульной адаптацией, что позволяет учитывать контекст анатомических изменений между фракциями облучения. Авторы решают ключевую проблему адаптивной радиотерапии: необходимость пересчета дозовых карт при изменении формы опухоли и окружающих тканей в процессе лечения. UPMA использует архитектуру на основе трансформеров с модулями адаптации, которые настраиваются на конкретного пациента с минимальным количеством размеченных данных. В экспериментах на клинических данных метод показал средний коэффициент Dice 0.87 для CTV, что на 6-8% выше по сравнению с базовыми моделями (U-Net и nnU-Net), а также снижение времени обработки одного случая до 12 секунд. Особое внимание уделено контекстной адаптации: модель учитывает предыдущие фракции облучения и текущие анатомические изменения, что повышает точность сегментации на 12% при значительных деформациях тканей. Разработка имеет прямое практическое значение для клиник, внедряющих адаптивную лучевую терапию, поскольку позволяет сократить ручную работу онкологов-радиологов и повысить точность лечения. Авторы отмечают, что метод может быть распространен на другие локализации опухолей и другие задачи медицинской сегментации.

В статье оценивается диагностическая точность пяти архитектур сверточных нейронных сетей (EfficientNetB7, MobileNet, ResNet50, ResNet152, InceptionNetV3) для автоматизированной классификации аномалий клеток шейки матки по изображениям мазков Папаниколау. EfficientNetB7 показал наилучшие результаты (F1 = 0.9324, точность = 0.9775), что подтверждает потенциал ИИ для скрининга рака шейки матки в условиях ограниченных ресурсов.

В исследовании разработана модифицированная модель на основе ResNet50 (ResNet50-SCPA-Net) для автоматической классификации стадий цирроза печени по МРТ-изображениям. Модель объединяет SE-канальное и CBAM-пространственное внимание в параллельной структуре с обучаемым параметром слияния. Достигнута точность 80.82%, сбалансированная точность 81.93%, F1-мера 82.55% и AUC 93.05%, что подтверждает эффективность подхода.

В статье представлен метод прогнозирования выживаемости при немелкоклеточном раке легкого (НМРЛ) с использованием мультимодального подхода, объединяющего КТ-изображения, радиомику, клинические данные и шесть симуляционных прокси-признаков, моделирующих взаимодействие гетерогенности и морфологии опухоли. Модель на основе трансформерного маскированного автоэнкодера (TMAE) достигла C-index 0.641 на публичной когорте Lung1, что превосходит предыдущие мультимодальные результаты и демонстрирует потенциал симуляционных признаков для улучшения стратификации риска.

Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.

В статье сравниваются два полууправляемых подхода к классификации опухолевых патчей на гистологических изображениях рака молочной железы: базовый, использующий контролируемую модель для генерации псевдометок, и улучшенный, применяющий состязательное контрастивное обучение (AdCo) на 347 884 неразмеченных патчах. AdCo заменяет фиксированную очередь памяти на обучаемый банк состязательных негативов, что повышает качество представлений. Методы оцениваются на 18 комбинациях архитектур и четырех наборах данных, показывая преимущества состязательного самоконтролируемого предобучения.

Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.

В статье представлен конвейер SuperLearner на основе мультиомических данных для 33 типов рака, который моделирует индивидуальные топологии выживаемости, связанные с регулируемой клеточной гибелью (RCD). Используя ансамбль методов машинного обучения (Random Survival Forests, XGBoost, Survival-Boruta, Multi-Task Logistic Regression) и мета-обучатель, авторы достигли медианного C-индекса 0.749 и подтвердили обобщаемость на внешних данных CPTAC. Разработанный инструмент CancerRCDPredictor интегрирует LLM для персонализированной онкологии.