онкология

Исследователи из Лейпцигского университета и Университетской клиники Лейпцига представили инновационный метод использования объяснимого искусственного интеллекта (XAI) для стратификации онкологических пациентов. В отличие от традиционных подходов, данная система не требует заранее заданных клинических критериев риска, а обучается напрямую на данных о выживаемости пациентов. Это позволяет алгоритму самостоятельно выявлять скрытые закономерности, коррелирующие с неблагоприятным прогнозом заболевания. Метод, опубликованный в журнале Digital Medicine, обеспечивает высокую интерпретируемость решений ИИ, что критически важно для клинической практики. Внедрение такой системы позволит врачам более точно группировать пациентов по группам риска и персонализировать тактику лечения. Исследование демонстрирует потенциал перехода от жестких медицинских протоколов к гибким моделям, основанным на глубоком анализе данных реальной клинической практики.

Исследование посвящено практическому внедрению коммерческой ИИ-платформы (AIRAQc) для автоматического контроля качества цифровых гистопатологических слайдов. Система показала высокую точность в обнаружении артефактов (складки ткани, пузырьки воздуха) и стабильную работу при обработке более 6000 слайдов в день.

Исследование представляет метод автоматической сегментации гистопатологических изображений с использованием архитектуры DeepLabV3+ и смартфонов в качестве микроскопов. Разработанная модель показала высокую точность (Dice: 93.1%) в выявлении 21 класса признаков рака шейки матки, превзойдя базовую архитектуру U-Net.

Исследование выявило острую необходимость в поддержке патологов в Колумбии из-за диагностической неопределенности и высокой нагрузки. Участники проекта GLORIA подчеркивают потенциал телепатологии и сканирования слайдов для улучшения своевременности диагностики, несмотря на существующие административные и логистические барьеры.

В статье предлагается гибридная архитектура CNN-BiLSTM для автоматизированной диагностики рака кожи на основе датасета HAM10000. Модель достигла точности 94,82%, эффективно сочетая извлечение пространственных признаков и анализ контекстуальных зависимостей, что делает её пригодной для использования в реальном времени.

Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.

Разработан новый метод TRIP для интерпретации сложных биомедицинских данных через выявление общих скрытых причинно-следственных механизмов. Модель успешно применяется к генным регуляторным сетям в раковых клетках, позволяя преобразовывать сложные графы в понятные механизмы для генерации гипотез.

Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.

В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.

Исследование оценивает эффективность модели nnU-Net как «второго читателя» для выявления метастазов в позвоночнике на КТ-снимках. Использование ИИ позволило обнаружить патологии в среднем на 228 дней раньше, чем это было сделано врачами при стандартном анализе.

В данной работе представлен комплексный вычислительный протокол для анализа динамики состояний Т-клеток, инфильтрирующих опухоли человека, на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология включает последовательное применение снижения размерности, построения траекторий псевдовремени (pseudotime trajectory inference) и анализа активности регулонов. Ключевой особенностью является интеграция вывода регулонов с реконструкцией сетей транскрипционных факторов (TF-TF networks), что позволяет идентифицировать специфические регуляторные модули, ответственные за переходы между состояниями клеток. Авторы уделяют особое внимание чувствительности параметров и робастности траекторий, обеспечивая согласованность фенотипических и регуляторных данных. Протокол направлен на глубокое понимание механизмов иммунного ответа в опухолевом микроокружении и доступен для воспроизведения через GitHub-репозиторий. Данный подход имеет высокую значимость для разработки таргетной иммунотерапии и понимания механизмов резистентности опухолей.

Исследователи представили minkiPy — новый геометрический фреймворк на языке Python, предназначенный для анализа пространственной транскриптомики. Библиотека позволяет вычислять компактные профили морфологических и топологических дескрипторов для каждого гена на основе функционалов и тензоров Минковского. Это решает критическую проблему сравнения паттернов экспрессии генов внутри одного образца и между различными условиями. Методология позволяет ранжировать гены по степени их пространственной реорганизации, создавая единое пространство признаков для анализа. В ходе тестирования minkiPy был применен к набору данных MERFISH для культур миобластов при лицелопатно-плечевой мышечной дистрофии, а также к данным Visium HD для сравнения тканей колоректального рака и прилегающих здоровых тканей. Инструмент является open-source решением и может значительно ускорить интерпретацию сложных пространственных данных в биомедицинских исследованиях.

В исследовании представлена инновационная двухэтапная архитектура для автоматической сегментации восьми сегментов печени по системе Куино на основе КТ и МРТ-изображений. Авторы решают критическую проблему: традиционные алгоритмы, обученные на здоровых органах, теряют точность при работе с гепатоцеллюлярной карциномой (ГЦК) из-за патологических деформаций структуры. Предложенный метод объединяет легкую нейросеть 3D UNet для изоляции объема печени и 3D графовую сверточную сеть (3D GCN) для анализа сложных анатомических связей. Для обеспечения топологической согласованности применяется стандартизированный пайплайн предобработки, нормализующий объем печени до 50 кадров по оси Z. В ходе слепого тестирования на новых клинических наборах данных модель показала высокую точность с коэффициентом Dice (mean Dice score) на уровне 0,828. Разработка имеет высокую практическую значимость, так как позволяет врачам быстро локализовать подозрительные узлы и опухоли в конкретных сегментах, а авторы предоставляют открытый доступ к коду и предобученным весам.

Исследователи представили крупнейший на сегодняшний день мультиомный датасет нейроэндокринных опухолей легкого (lung NETs), охватывающий 201 участника и 294 опухоли. В состав набора данных включены результаты секвенирования РНК, метилирования (EPIC 850K) и полногеномного секвенирования, что позволяет детально изучать молекулярные группы новообразований. Особую ценность представляет мультирегиональное полногеномное секвенирование 41 пациента для оценки внутриопухолевой гетерогенности, а также пространственная протеомика (64 участника) и пространственная транскриптомика (4 участника). Набор также содержит гистопатологические изображения (WSI) для 212 случаев, что открывает возможности для использования алгоритмов глубокого обучения (deep learning) для идентификации морфологических признаков конкретных молекулярных групп. Данный ресурс предназначен для комплексной характеристики опухолей и интеграции данных на различных масштабах, обеспечивая воспроизводимость исследований благодаря предоставлению всех скриптов и обработанных данных.

Компания Tempus AI, лидер в области применения искусственного интеллекта для прецизионной медицины, объявила о расширении партнерства с фармацевтическим гигантом Bristol Myers Squibb (BMS). Основная цель сотрудничества заключается в использовании передовых алгоритмов ИИ и мультимодальных данных реальной клинической практики (real-world data) для оптимизации процесса разработки лекарственных препаратов. Проект будет сфокусирован на двух критически важных терапевтических областях: онкологии и нейробиологии. Благодаря интеграции технологических решений Tempus, компания BMS планирует повысить вероятность успеха клинических испытаний и ускорить вывод новых методов лечения на рынок. Использование мультимодальных данных позволит более точно подбирать пациентов для испытаний и прогнозировать эффективность терапии на основе глубокого анализа биологических и клинических параметров. Это сотрудничество знаменует собой важный шаг в интеграции ИИ в современные процессы фармацевтической разработки.

Разработана модель глубокого обучения для быстрой классификации органов по гистологическим препаратам (H&E) с использованием низкоразрешенных миниатюр. Метод позволяет проводить автоматизированный контроль качества цифровых архивов, выявляя ошибки маркировки образцов менее чем за секунду.

Исследование демонстрирует успешное внедрение ИИ-инструмента поддержки принятия решений в цифровую патологию для диагностики биопсии простаты. Использование ИИ позволило сократить время постановки диагноза на 30% и снизить потребность в иммуногистохимических исследованиях на 38% при сохранении высокой точности.

Исследование демонстрирует способность модели LLaMA 3.3 70B извлекать прогностическую информацию из текстовых патоморфологических отчетов для оценки выживаемости при раке ЖКТ. Разработанный метод позволяет преобразовывать неструктурированный текст в бинарный биомаркер риска, который является независимым прогностическим фактором.

Разработан новый вычислительный фреймворк TIMEL, использующий глубокое обучение для анализа микроокружения опухоли на гистологических изображениях. Исследование показало, что пространственные характеристики иммунных и опухолевых клеток позволяют эффективно прогнозировать выживаемость и риск метастазирования.