онкология

Исследование применяет объяснимый искусственный интеллект (XAI) и машинное обучение для анализа данных экспрессии микроРНК в сыворотке крови с целью выявления биомаркеров ранней диагностики рака поджелудочной железы. Модель достигла высокой точности (AUC 0.97), а методы интерпретируемости позволили выделить ключевые микроРНК, связанные с онкогенными путями.

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 представлен обзор роли публичных наборов данных маммографии в разработке и клинической валидации ИИ-моделей для обнаружения рака молочной железы. Авторы анализируют ключевые характеристики этих наборов (размер, качество аннотаций, демографическое разнообразие) и подчеркивают, что качество и репрезентативность данных критически важны для обобщаемости моделей от традиционного машинного обучения до современных трансформеров.

Статья представляет собой обзор методологических подходов к интеграции данных жидкой биопсии с использованием искусственного интеллекта и машинного обучения. Авторы анализируют текущее состояние исследований, предлагают стратегии предобработки данных (нормализация, коррекция батч-эффектов) и методы выбора признаков для повышения надежности моделей. Особое внимание уделяется важности строгой валидации и интерпретируемости ИИ-моделей для их клинического внедрения.

В статье представлен новый фреймворк MMRL (Missense Mutation Representation Learning), который использует методы самообучения без учителя для анализа соматических миссенс-мутаций в онкологии. В отличие от традиционных подходов, сжимающих мутации в показатели TMB или сигнатуры, MMRL учитывает сложные контекстные зависимости, включая генную идентичность, триплетный контекст, патогенность по AlphaMissense и структурную информацию о белках. Модель обучалась на данных примерно 50 000 опухолевых образцов из различных типов рака, выявляя скрытые биологические структуры в ландшафтах мутаций. Ключевым результатом стало то, что эмбеддинги MMRL демонстрируют более высокую прогностическую дискриминацию по сравнению с TMB и остаются значимо связанными с общей выживаемостью даже после поправки на тип рака и возраст. Исследование также показало, что метод эффективен для прогнозирования ответа на терапию ингибиторами контрольных точек иммунитета. Кластерный анализ выявил девять новых подтипов мутаций с различными исходами и профилями сигнатур, что подтверждает клиническую значимость подхода. Использование механизмов внимания позволило выявить контекстно-зависимые паттерны, выходящие за рамки простой частоты мутаций. Разработанный метод открывает новые возможности для прецизионной онкологии, позволяя точнее стратифицировать пациентов и прогнозировать течение заболевания.

В статье представлена методология ImmuneTwins — система создания «цифровых двойников» иммунной системы человека на основе искусственного интеллекта и моделей виртуальных клеток. В отличие от традиционных предикторов, использующих усреднённые данные по популяциям, данный подход персонализирует общую модель виртуальной клетки, обновляя её на основе каждого нового наблюдения за конкретным пациентом (single-cell profiles). Исследование показало высокую точность метода: в двух внешних популяциях ImmuneTwins снизил ошибку предсказания иммунного возраста на 32% и 42% по сравнению с лучшими существующими методами. При мониторинге реакции на повторную вакцинацию от гриппа алгоритм предсказал направление изменений в иммунных клетках на 35% точнее аналогов, а ошибка прогноза снизилась на 27% по мере накопления данных. Анализ также выявил, что иммунные клетки и белки плазмы восстанавливают около половины отклонения от индивидуальной референсной точки в течение 90 дней. Метод успешно локализовал ремоделирование В-клеток при исключительном долголетии и спрогнозировал индивидуальные траектории иммунного ответа у пациентов с миеломой во время лечения, что открывает новые возможности для персонализированной медицины.

В исследовании представлен новый фреймворк на основе машинного обучения для прогнозирования функциональной зависимости опухолевых путей в плоскоклеточном раке головы и шеи (HNSCC). Авторы разработали девять моделей Elastic Net, обученных на транскриптомных данных 953 клеточных линий GDSC и ответах на препараты, чтобы отличить активацию пути от реальной зависимости опухоли от него. Модель показала среднюю объясненную дисперсию (R2) от 0.17 до 0.48 в кросс-валидации, что позволяет с определенной долей вероятности предсказывать уязвимости опухоли на основе базового молекулярного профиля. Применение модели к когортам TCGA-HNSC (n=565) и GSE65858 (n=256) выявило, что семь из девяти путей были более выражены в опухолях, связанных с ВПЧ. Особое внимание уделено пути p53: у пациентов с диким типом TP53 статус ВПЧ положительно коррелировал с зависимостью от p53, несмотря на экспрессию онкопротеина E6. Исследование подчеркивает, что кодпенденция во многом отражает инфильтрацию CD8+ Т-клетками, что важно для интерпретации результатов. Разработанный инструмент не является прогностическим для выживаемости, но служит для подбора таргетной терапии до начала лечения, позволяя сопоставлять пациентов с препаратами, нацеленными на их специфические молекулярные уязвимости.

Компания Optellum интегрировала свое решение Virtual Nodule Clinic (VNC) с платформой RapidAI Enterprise. Решение включает ИИ для автоматического поиска легочных узелков в радиологических отчетах и оценки риска рака легких по КТ-снимкам, что помогает сократить потери пациентов при наблюдении. Это первое в мире ИИ-решение для стратификации риска рака легких на основе изображений, получившее одобрение FDA и возмещение средств Medicare.

Компания SimBioSys получила разрешение FDA на использование TumorSight Risk — программного обеспечения на базе пространственного ИИ, анализирующего данные МРТ, патологии и клинические показатели. Инструмент оценивает индивидуальный риск рецидива через 5 и 10 лет у пациенток с гормонозависимым HER2-негативным раком молочной железы I–IIIA стадии, помогая онкологам планировать лечение без дополнительных процедур.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен метод машинного обучения для прогнозирования персистирующей лихорадки у пациентов с онкологическими заболеваниями, проходящих курс антибиотикотерапии. Проблема раннего выявления неэффективности антибиотиков или развития вторичных инфекций критически важна в онкологии, так как длительная лихорадка может указывать на резистентность возбудителя или нейтропению. Авторы разработали и валидировали модель, использующую клинические данные пациентов для предсказания вероятности сохранения высокой температуры тела. Модель позволяет врачам своевременно корректировать терапию, снижая риск осложнений и продолжительность госпитализации. Исследование демонстрирует высокую точность алгоритма в ретроспективном анализе данных, что подтверждает его потенциал для внедрения в клиническую практику. Данный подход решает важную задачу персонализированной медицины, оптимизируя использование антибиотиков и улучшая исходы лечения для уязвимой группы пациентов с ослабленным иммунитетом.

Статья описывает стратегию технологического стартапа, который решает обойти традиционные барьеры в виде врачей и страховых компаний, внедряя свою систему на основе искусственного интеллекта непосредственно к конечным потребителям — пациентам. Основной продукт компании представляет собой алгоритм машинного обучения, предназначенный для персонализированного прогнозирования индивидуального риска развития рака молочной железы. Вместо того чтобы ждать одобрения со стороны медицинского сообщества или интеграции в клинические протоколы, разработчики выбрали модель прямого взаимодействия с пользователями, что позволяет собирать данные и тестировать алгоритм в реальных условиях. Такой подход подчеркивает растущий тренд на демократизацию доступа к передовым медицинским технологиям и использование ИИ для превентивной медицины. Статья анализирует бизнес-модель стартапа, его технологическую базу и потенциальные этические или регуляторные вопросы, связанные с предоставлением медицинских прогнозов без участия квалифицированного специалиста. Это исследование демонстрирует, как ИИ-решения трансформируют не только диагностику, но и саму модель взаимодействия между пациентом и системой здравоохранения, смещая фокус на проактивный мониторинг здоровья.

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 статье представлен новый модуль внимания DDSA, интегрированный в архитектуру DenseNet для классификации пяти подтипов рака яичников по гистопатологическим изображениям. Модель достигла точности 92,53% и высокого F1-счета, демонстрируя способность выделять дискриминативные области опухоли и улучшать интерпретируемость диагностики.

В статье представлена новая архитектура GLHF-Net для автоматической классификации кожных поражений, объединяющая дерматоскопические изображения и клинические метаданные. Модель использует механизм динамического мультимодального слияния и регуляризацию низкого ранга для повышения точности и интерпретируемости диагностики меланомы на наборе данных HAM10000.

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 исследовании, опубликованном в журнале npj Digital Medicine 7 октября 2026 года, представлена инновационная методология применения агентного искусственного интеллекта (agentic AI) для автономного обнаружения новых визуальных признаков (imaging signs) при глиобластоме. В отличие от традиционных подходов, опирающихся на заранее заданные количественные признаки, предложенная система самостоятельно исследует медицинские изображения, выявляя скрытые паттерны, которые могут быть неочевидны для человека-эксперта. Методология использует автономные AI-агенты, способные формулировать гипотезы, проверять их на наборах данных и итеративно уточнять результаты без постоянного вмешательства человека. Это позволяет перейти от ручного извлечения признаков к полностью автоматизированному процессу открытия новых прогностических или диагностических маркеров на основе МРТ-снимков. Исследование демонстрирует потенциал агентного ИИ не просто как инструмента классификации, но как активного участника научного процесса в радиологии и нейроонкологии. Результаты работы открывают новые возможности для персонализированной медицины, позволяя быстрее выявлять биомаркеры, связанные с выживаемостью пациентов и ответом на терапию. Данный подход может стать стандартом для анализа сложных медицинских изображений, снижая субъективность и увеличивая скорость научных открытий в области онкологии.

Группа исследователей представила в журнале Nature новую систему OncoTagger, предназначенную для автоматизированного мониторинга и структурирования научной литературы, посвященной применению искусственного интеллекта в онкологии. Система работает на уровне аннотаций и способна анализировать десятки тысяч публикаций, классифицируя их по множеству параметров: решаемым клиническим задачам, типам онкологических заболеваний, используемым методам ИИ, географическому происхождению исследований, а также применяемым метрикам эффективности. Для валидации и тестирования алгоритма была использована обширная выборка, состоящая из 59 900 англоязычных научных работ, опубликованных в базе Web of Science Core Collection (WoSCC) в период с 2019 по 2025 год. Разработка решает критическую проблему информационного шума и фрагментации данных в быстро растущей области на стыке машинного обучения и медицины, позволяя исследователям и клиницистам эффективно отслеживать актуальные тренды и находить релевантные исследования. OncoTagger демонстрирует способность обрабатывать большие объемы неструктурированных текстовых данных, что делает ее мощным инструментом для систематических обзоров и мета-анализов в онкологии. Внедрение подобных систем может значительно ускорить процесс трансляции научных открытий в клиническую практику, сокращая время на поиск и оценку новых методов диагностики и лечения. Система открывает возможности для более глубокого понимания того, какие именно аспекты ИИ-технологий получают наибольшее внимание в научном сообществе и где существуют пробелы в исследованиях.

В исследовании представлен G4SCOPE — многозадачная глубокая нейросетевая архитектура, предназначенная для моделирования occupancy (заселенности) хроматиновых G-квадруплексов (G4) и реконструкции высокодетализированных профилей CUT&Tag исключительно на основе первичной последовательности ДНК. Модель объединяет сверточные слои для обучения мотивам и трансформерные механизмы самовнимания для анализа длиннодействующих последовательных контекстов, что позволяет отличать эндогенно свернутые G4 в хроматине от локусов с потенциалом сворачивания in vitro. Обучение проводилось на генотип-стратифицированных данных из изогенной серии клеток молочной железы человека (WT, TP53-/-, TP53-/-;BRCA1-/-, TP53-/-;BRCA2-/-), демонстрируя высокую обобщающую способность и успешный перенос на независимый контекст клеток K562. Результаты анализа выявили фундаментальные различия в состояниях поддержания генома: дефицит BRCA1 привел к глобальному увеличению плотности хроматиновых G4, тогда как потеря BRCA2 вызвала системное структурное истощение по хромосомам. Несамообучающаяся кластеризация латентных представлений модели позволила выделить различные биологические подклассы G4, занимающие уникальные регуляторные среды с характерными ландшафтами 5-метилцитозина и 5-гидроксиметилцитозина. Разработанный фреймворк дешифрует грамматическую структуру первичной последовательности, управляющую заселенностью G4, и доказывает, что топологии G4 несут в себе встроенные эпигенетические особенности, что открывает новые возможности для понимания эпигенетического ремоделирования при раке.

GE HealthCare и Mass General Brigham объявили о партнерстве для разработки инструмента на основе генеративного ИИ, который поможет онкологам-радиологам быстро анализировать структурированные и неструктурированные данные для планирования лучевой терапии. Цель проекта — интеграция решения в платформу iRT для сокращения ручного труда, унификации рабочих процессов и ускорения перехода пациента от диагноза к лечению.