онкология

Siemens Healthineers запустила решение для лучевой терапии Accela, основанное на архитектуре NeoArc, которое сочетает высокую скорость и точность лечения. Продвинутое программное обеспечение для планирования использует искусственный интеллект и алгоритмы для оптимизации качества плана и скорости доставки дозы, что позволяет сократить время нахождения пациента на столе.

На конференции ASTRO 2026 представлены данные о выживаемости пациентов с раком поджелудочной железы, получавших высокоточную адаптивную лучевую терапию на аппарате Elekta Unity MR-Linac. Технология позволяет ежедневно корректировать облучение на основе МРТ-снимков, что обеспечило высокий уровень контроля опухоли и перспективные показатели долгосрочной выживаемости. В статье также упоминается будущее развитие платформы с использованием ИИ для автоматического контурирования и планирования лечения.

Авторы разработали интерпретируемую модель scTIME, которая преобразует данные транскриптомики одиночных клеток в баллы для массовых образцов, чтобы прогнозировать ответ на иммунотерапию при немелкоклеточном раке легкого. Модель на базе алгоритма ElasticNet достигла ROC-AUC 0.810, выявив ключевые иммунные программы, связанные с ответом на лечение. Исследование демонстрирует потенциал многоомного подхода для разработки прозрачных биомаркеров без опоры на единичные пути.

В статье предложен новый гибридный метод LCCSE-IPCNN-ViT, объединяющий улучшенную параллельную сверточную нейронную сеть (IPCNN) и Vision Transformer (ViT) для классификации рака легкого и оценки его стадии. Модель демонстрирует высокую точность (97,3%) и чувствительность (97,8%), превосходя существующие методы по скорости и снижению ложноположительных срабатываний, что делает её перспективной для 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.

Исследование предлагает Instability Quotient Criterion (IQC) — метрику для количественной оценки стабильности отбора признаков в моделях машинного обучения, в частности в регрессии Elastic Net (ENET), которая широко применяется в биологии и общественном здравоохранении для выделения значимых предикторов из больших наборов данных. Основная проблема, которую решает IQC, — неспособность ENET обеспечивать воспроизводимый отбор признаков при малом числе наблюдений и высоком уровне шума, что критично для биомедицинских исследований. Методология IQC опирается на ансамблевое моделирование и энтропию Шеннона для определения стабильности выбранных признаков. С помощью симуляционных исследований авторы продемонстрировали, что IQC способен выявлять значительное снижение стабильности модели при уменьшении объёма данных, увеличении размерности и росте доли шумового сигнала, а также предложен наивный порог разделения на низкую и высокую стабильность. В кейс-стади на данных микрочипов экспрессии генов IQC выявил проблемы стабильности дифференциально-экспрессируемых генов при классификации подтипов острого лейкоза, несмотря на высокую точность классификации. Это указывает на то, что модельная нестабильность препятствует интерпретации биологически значимых генов для различения подтипов рака, что имеет прямое значение для персонализированной онкологии.

В статье представлен SCITRAM (Single-Cell Integrated TRAnscription regulation Modeler) — вычислительный инструмент на базе искусственного интеллекта, предназначенный для анализа данных одноядерной трансксриптомики. В отличие от традиционных методов, сводящихся к простой стратификации клеток по экспрессии генов, SCITRAM реконструирует первичные сети генной регуляции и моделирует транскрипционные каскады, активируемые ключевыми транскрипционными факторами. Методология включает два основных этапа: построение графа регуляторных взаимодействий и последующее in-silico моделирование эффектов активации выявленных факторов. Производительность платформы была валидирована на трех сложных биологических моделях: истощение Т-клеток при терапии солидных опухолей, линейная стратификация при панкреатической эндокриногенезе и формирование нервной ткани в моделях церебральных органоидов. Результаты показывают, что SCITRAM эффективно идентифицирует мастер-регуляторы клеточной гетерогенности без необходимости использования командной строки, предоставляя пользователям удобный графический интерфейс. Это решение устраняет барьеры для биоинформатического анализа, позволяя исследователям изучать сложные регуляторные программы в контексте развития заболеваний и тканевого морфогенеза. Инструмент представляет значительный интерес для персонализированной медицины и фундаментальных биомедицинских исследований, ускоряя переход от сырых данных к биологическим гипотезам.

В исследовании, опубликованном в журнале npj Digital Medicine 3 октября 2026 года, представлена новая интерпретируемая система диагностики на основе УЗИ молочных желез, использующая мультимодальный подход с поиском с дополнением (Retrieval Augmented Generation, RAG). Методология включает интеграцию визуальных данных УЗИ с текстовыми клиническими контекстами для повышения точности и прозрачности решений искусственного интеллекта. Система прошла многонациональную клиническую валидацию, что подтверждает её надежность в различных демографических и технических условиях. Ключевым элементом является проведение исследования с участием врачей-радиологов, где ИИ-ассистент сравнивался с экспертной оценкой, демонстрируя значительное улучшение чувствительности и специфичности диагностики. Результаты показывают, что внедрение интерпретируемых ИИ-моделей позволяет не только повысить точность выявления патологий, но и обеспечить доверие со стороны медицинского персонала за счет объяснимости выводов. Это исследование закладывает основу для клинического внедрения мультимодальных ИИ-систем в рутинную практику маммологии и УЗИ-диагностики.

Представлен метод SFUMATO (Segmentation-Free Uncertainty Mapping and Analysis of Transcriptomic Organisation) — фреймворк для анализа пространственной транскриптомики, использующий GPU-ускоренную байесовскую вероятностную кластеризацию. В отличие от традиционных методов, присваивающих жесткие метки кластеров, SFUMATO применяет байесовскую гауссову смешанную модель для вычисления апостериорных вероятностей принадлежности каждой пространственной локации к транскрипционным компонентам. Это позволяет визуализировать плавные переходы, смешанные сигналы и неопределенность в границах тканей, что особенно важно для сложных биологических структур. Метод был протестирован на публичных наборах данных 10x Genomics Xenium для мозга мыши и рака молочной железы человека. В исследовании мозга мыши SFUMATO успешно восстановил клеточно-ассоциированную пространственную организацию без предварительной сегментации клеток, сохранив иерархическую согласованность визуализации. В случае рака молочной железы вероятностные карты позволили выявить большую гетерогенность тканей, ассоциированных с DCIS (дуктальной карциномой in situ), и создать семантические маски, согласованные с патологическими областями инвазивного рака. SFUMATO предоставляет компактное и непрерывное представление мультиплексной транскриптомной информации, служа гибким входом для будущих мультимодальных интеграций и последующего анализа.

Компания Prenuvo запустила Исследовательскую сеть для изучения ранних признаков заболеваний с использованием базы данных из более чем 200 000 снимков МРТ всего тела и собственных ИИ-инструментов. Инициатива направлена на создание доказательной базы для превентивной медицины в сотрудничестве с ведущими академическими институтами.

Компании Accuray и RaySearch заключили соглашение о сотрудничестве для внедрения онлайн-адаптивной лучевой терапии. Решение объединяет аппаратные платформы Accuray с программным обеспечением RaySearch для планирования лечения и управления рабочими процессами, позволяя корректировать планы облучения непосредственно перед процедурой на основе текущей анатомии пациента.

Leica Biosystems интегрировала два ИИ-продукта от Tempus (Paige PanCancer Detect и Paige Prostate) в свою платформу Aperio AI Store для цифровой патологии. Эти инструменты предназначены для исследований, помогая выявлять подозрительные области при более чем 40 типах рака и оценивать особенности рака простаты на основе гистологических изображений.

Крупная страховая компания Cigna Group объявила о стратегическом партнерстве с технологическим гигантом OpenAI. Целью сотрудничества является разработка более персонализированных систем поддержки для пациентов, страдающих сложными хроническими заболеваниями. В рамках первого этапа проекта фокус будет направлен на онкологических пациентов, что требует глубокого анализа индивидуальных медицинских данных и истории болезни. Партнерство предполагает использование передовых языковых моделей и технологий искусственного интеллекта для создания инструментов, помогающих пациентам лучше понимать свое состояние и варианты лечения. Хотя конкретные технические детали реализации и используемые алгоритмы пока не раскрыты, сам факт интеграции ИИ-решений от OpenAI в процессы страховой медицины указывает на значительный шаг в сторону цифровизации здравоохранения. Это сотрудничество может привести к созданию новых стандартов в области персонализированной медицины и улучшения качества обслуживания пациентов с высокими потребностями в медицинской помощи. Проект находится на ранней стадии, поэтому ожидаемые результаты и временные рамки внедрения пока не определены.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология многокритериальной оценки неопределенности (uncertainty estimation) для систем искусственного интеллекта, применяемых в дерматологии. Основной целью работы является повышение надежности алгоритмов глубокого обучения при обнаружении сдвигов распределения данных (distribution shift detection), что критически важно для безопасного внедрения ИИ в клиническую практику. Авторы разработали подход, который позволяет модели не только классифицировать кожные новообразования на злокачественные и доброкачественные, но и точно оценивать степень своей уверенности в каждом предсказании. Использование нескольких критериев неопределенности помогает системе выявлять случаи, выходящие за рамки обучающей выборки, предотвращая ошибочные диагнозы на атипичных или редких примерах. Результаты показывают значительное улучшение показателей чувствительности и специфичности по сравнению с традиционными методами, что напрямую влияет на безопасность пациентов. Данный подход решает одну из главных проблем ИИ в медицине — проблему «черного ящика» и доверия к предсказаниям модели в условиях изменчивости реальных клинических данных. Исследование демонстрирует, что интеграция оценки неопределенности является необходимым шагом для создания надежных систем поддержки принятия врачебных решений в онкодерматологии.

В статье представлен новый фреймворк BenSParX, разработанный для автоматизированного выявления болезни Паркинсона на основе анализа акустических характеристик разговорной речи на бенгальском языке. Исследование решает важную проблему нехватки данных и моделей для немаргинализированных языков, применяя передовые методы машинного обучения к лингвистическим особенностям бенгальской диаспоры. Авторы использовали набор данных, включающий записи речи пациентов с подтвержденным диагнозом и здоровых контрольных групп, извлекая такие признаки, как мел-кепстральные коэффициенты, интонационные паттерны и темп речи. Ключевой особенностью системы является интеграция методов объяснимого ИИ (XAI), что позволяет врачам понимать, какие именно акустические параметры повлияли на решение алгоритма, повышая доверие к диагностике. Модель продемонстрировала высокую точность классификации, превосходя традиционные методы анализа речи, и показала устойчивость к шуму и вариациям в произношении. Результаты исследования подтверждают потенциал использования доступных технологий анализа речи для скрининга нейродегенеративных заболеваний в регионах с ограниченным доступом к специализированной медицинской помощи. Работа вносит вклад в развитие персонализированной медицины и цифровых биомаркеров для неврологии.

В данном исследовании представлена новая архитектура для автоматической сегментации опухолей печени на медицинских изображениях, основанная на адаптации фундаментальной модели Segment Anything Model (SAM). Авторы интегрировали в базовую модель методы контрастной многообразной регуляризованной самообучающейся разметки (SSL), что позволяет эффективно использовать большие объемы неразмеченных данных для улучшения обобщающей способности нейросети. Дополнительно внедрен механизм промптов на базе архитектуры YOLO, который значительно повышает точность локализации интересующих областей, устраняя типичные для SAM проблемы с детекцией мелких или атипичных структур. Методология сочетает преимущества предобученных фундаментальных моделей с доменно-специфической оптимизацией, что критически важно для задач медицинской визуализации, где качество данных часто ограничено. Исследование демонстрирует высокую эффективность предложенного подхода в условиях нехватки размеченных клинических данных, обеспечивая надежную сегментацию патологий печени. Результаты работы подтверждают значительный потенциал гибридных ИИ-систем для поддержки радиологов в диагностике онкологических заболеваний. Разработка направлена на снижение субъективности оценки и ускорение обработки медицинских изображений в клинической практике.

В статье представлена новая полуобучаемая нейросетевая архитектура, предназначенная для улучшения качества визуализации вентиляции легких на основе 4D компьютерной томографии (КТ). Методология основана на двойном механизме внимания, который одновременно учитывает динамические изменения анатомии органов дыхания и движения тканей во время дыхательного цикла. Использование полуобучаемого подхода позволяет эффективно использовать как размеченные, так и большие объемы неразмеченных данных, что критически важно в медицинской визуализации, где получение точных экспертных меток затруднено. Исследование демонстрирует, что интеграция информации о движении и анатомической структуре в единую сеть повышает точность регистрации изображений и снижает артефакты, возникающие при деформации тканей. Ключевые результаты показывают значительное улучшение метрик сходства изображений и согласованности векторов смещения по сравнению с существующими методами, что напрямую влияет на надежность клинических выводов. Данный подход имеет высокую значимость для практики, так как позволяет более точно оценивать региональную функцию легких, что необходимо для планирования лучевой терапии при онкологии легких и мониторинга прогрессирования заболеваний. Разработка решает одну из ключевых проблем медицинской физики — необходимость точного сопоставления анатомических структур в разные фазы дыхания без избыточных вычислительных затрат.

В данном ретроспективном исследовании разработана и валидирована модель машинного обучения VARM-7 (Valencia At-Risk MASH) для неинвазивного выявления лиц с риском метаболического дисфункционного стеатогепатита (MASH). Модель обучалась на выборке из 2267 пациентов с использованием алгоритмов Random Forest и XGBoost, применяя 10-кратную перекрестную проверку. В качестве целевых показателей использовались данные вибрационной контролируемой трансэластографии (VCTE): параметр затухания (CAP) ≥ 275 дБ/м, жесткость печени (LSM) > 8 кПа и/или индекс FAST > 0.35. Итоговая модель VARM-7 включает возраст и шесть стандартных лабораторных показателей. При независимой валидации VARM-7 продемонстрировала значительное превосходство над традиционным индексом FIB-4: площадь под ROC-кривой (AUROC) составила 0.84 против 0.64 (p < 0.001). Применение модели к базе данных общественного здравоохранения Валенсии (более 3.4 млн человек) показало, что 11.7% общей популяции имеют риск MASH, а среди пациентов с ожирением и сахарным диабетом 2 типа этот показатель достигает 29.4% и 44.0% соответственно. Результаты подтверждают высокую эффективность ИИ-подхода для скрининга и оптимизации маршрутизации пациентов, хотя требуется внешняя валидация перед внедрением в клиническую практику.

В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.