онкология

В статье рассматривается преодоление технологического барьера в патоморфологии благодаря массовой оцифровке медицинских данных. Авторы отмечают, что в то время как электронные медицинские карты и визуализация уже активно используют ИИ, патологические исследования долгое время отставали из-за отсутствия цифровых форматов. На текущий момент оцифровано более 100 000 слайдов, окрашенных гематоксилином и эозином, что открывает путь к созданию универсальных базовых моделей (foundation models). Эти модели способны генерировать общие векторные представления признаков (feature embeddings) непосредственно из патологических изображений. Основная цель применения таких технологий — прогнозирование молекулярных сигнатур глиом на основе цифровых гистологических слайдов. Это позволит автоматизировать сложный процесс молекулярного профилирования, делая диагностику опухолей головного мозга более быстрой и доступной.

Данный обзор представляет ключевые события в области применения искусственного интеллекта в медицине за неделю с 10 по 16 мая 2026 года. В центре внимания — масштабная сделка фармацевтического гиганта Roche, который приобрел разработчика ИИ-решений для цифровой патологии, потратив на это более 1 млрд долларов США. В США было получено официальное одобрение первой специализированной ИИ-платформы, предназначенной для оценки рисков метастазирования у пациенток с раком молочной железы. Также рассматривается инновационная китайская система Digital Aging Twin, использующая технологии для определения биологического возраста внутренних органов. Кроме того, в материале анализируются причины, по которым высокоточные ИИ-системы зачастую сталкиваются с трудностями при внедрении в реальную клиническую практику. Обзор охватывает широкий спектр тем: от крупных инвестиций до проблем интеграции технологий в медицинские протоколы.

Исследование посвящено изучению роли белка TDP-43, который играет ключевую роль в развитии рака и нейродегенеративных заболеваний. Ученые исследовали механизмы транскрипционной регуляции, используя мультиомиксные данные (Hi-C, ChIP-seq, RNA-seq, ATAC-seq) на клеточных линиях K562 и HepG2. Было установлено, что связывание TDP-43 тесно коррелирует с образованием структур ДНК G-квадруплексов (dG4) в ключевых точках анкеровки хроматиновых петель, таких как промоторы и энхансеры. Результаты показывают, что присутствие TDP-43 повышает стабильность dG4, увеличивает частоту взаимодействий хроматиновых петель и доступность хроматина, что ведет к активации экспрессии генов. Эксперименты по нокдауну TDP-43 в клетках HepG2 подтвердили, что снижение уровня белка приводит к значительному уменьшению формирования dG4 и ослаблению силы петлевых взаимодействий, вызывая масштабную транскрипционную дисрегуляцию. Данное открытие раскрывает новый молекулярный механизм, объясняющий, как нарушения в работе TDP-43 приводят к патологическим изменениям в экспрессии генов при различных заболеваниях.

В данном исследовании представлена инновационная вычислительная платформа на базе глубокого обучения для анализа пространственной транскриптомики, направленная на изучение организации тканей и динамики их состояний. Авторы разработали фреймворк, использующий рекуррентный анализ латентных состояний тканей и графовые вложения для интеграции гетерогенных биологических систем, таких как заживление кожных ран и микроокружение опухолей (плоскоклеточный рак полости рта и головы/шеи). Методология включает в себя новый индекс патологической фрагментации, который количественно оценивает пространственную дезорганизацию внутри тканей. Результаты показали высокую точность моделирования: средний коэффициент силуэта (silhouette score) составил 0,79, что подтверждает четкое разделение состояний тканей. Исследование выявило, что при заживлении ран наблюдается прогрессивное восстановление пространственной организации, в то время как в опухолевых тканях фиксируется рост фрагментации и гетерогенности структуры. Полученные данные позволяют интерпретировать биологические процессы ремоделирования тканей через призму латентного пространственного анализа, что имеет критическое значение для персонализированной онкологии и регенеративной медицины.

В исследовании представлен Tsallis-Gated Autoencoder (Tsallis-GAE) — инновационная архитектура нейросети, разработанная для анализа геномной гетерогенности глиобластомы (GBM). Авторы заменили классический механизм softmax-внимания на обучаемый q-softmax на основе статистики Цаллиса, что позволяет модели лучше работать с «тяжелыми хвостами» распределений экспрессии генов. Исследование проводилось на когорте TCGA-GBM, включающей 391 образец и 2000 высоковариантных генов. Результаты показали, что Tsallis-GAE достигает среднего показателя AUC-ROC 0,977, что значительно превосходит стандартный автоэнкодер (Vanilla AE) с показателем 0,906. Ключевым открытием стало спонтанное схождение энтропийного индекса q к значению 1,554, что подтверждает неэкстенсивную природу сложных биологических систем и превосходство физико-информированного подхода над стандартными методами машинного обучения. Модель продемонстрировала высокую точность при кросс-валидации с другими детекторами аномалий, достигая AUC до 0,998.

Согласно отчету компании в области клинической науки данных Phesi, военный конфликт между США, Израилем и Ираном затронул около 8 000 площадок для проведения клинических испытаний. Анализ более 65 000 глобальных исследований показал, что 6,7% активных испытаний (4 361 проект) подверглись сбоям, при этом основная часть пострадавших площадок сосредоточена в Турции (3 746), Израиле (2 204) и Египте (1 508). Особую уязвимость проявляют исследования в области онкологии, в частности, испытания при немелкоклеточном раке легкого и раке молочной железы. Наиболее критическим является влияние на III фазу клинических исследований, где задействованы большие группы пациентов с длительным периодом участия. Для минимизации последствий и поддержания целостности данных эксперты рекомендуют внедрение технологий цифровых двойников (digital twins) и использование внешних контрольных групп. Кроме того, конфликт вызвал перебои в цепочках поставок, включая резкий рост цен на гелий, необходимый для работы аппаратов МРТ, из-за ограничений экспорта из Катара.

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.