онкология

Представлена обновленная версия платформы BiomiX 3.0, предназначенная для упрощения интеграции мультиомиксных данных неопытными пользователями. В новую версию включены четыре метода интеграции: Similarity Network Fusion (SNF), NEighborhood-based Multi-Omics clustering (NEMO), DIABLO и новый метод PRAMIGO, основанный на гетерогенных графовых трансформерах (HGT). Исследователи провели бенчмаркинг всех пяти методов (включая MOFA) на двух независимых наборах данных: когорта хронического лимфоцитарного лейкоза (CLL) и коорта туберкулеза легких (PTB). Результаты показали, что контролируемые методы (DIABLO, PRAMIGO) обеспечивают лучшую дискриминацию состояний, тогда как неконтролируемые (SNF, NEMO) выявляют альтернативные стратификации пациентов. Анализ выявил 154 общих биологических признака (116 генов, 38 метаболитов) и множество уникальных для каждого метода сигналов, что доказывает необходимость использования нескольких стратегий интеграции. PRAMIGO продемонстрировал уникальную способность моделировать кросс-модальные молекулярные взаимодействия, выявляя специфические пути, такие как регуляция ncRNA и разнообразие иммуноглобулинового репертуара. Платформа решает проблему сложности выбора методов и интерпретации результатов в мультиомиксных исследованиях.

Компания Radformation получила разрешение Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) по процедуре 510(k) (номер K261718) на расширение применения своего программного обеспечения EZFluence. Теперь в него включен модуль OptiPlan, предназначенный для автоматизированного планирования лучевой терапии с модуляцией интенсивности (VMAT). Это решение позволяет генерировать высококачественные планы лечения, опираясь на анатомию пациента и клинические приоритеты, заданные через шаблоны ClearCheck, без необходимости предварительного обучения моделей или длительной комиссионной настройки. Система автоматизирует рутинные этапы оптимизации, сохраняя за клиницистами полный контроль над принятием решений и возможность сравнения нескольких вариантов планов для достижения баланса между покрытием мишени и защитой органов риска. Получение одобрения FDA делает технологию доступной для клинического использования в США, расширяя её присутствие после успешного внедрения в Европе и Канаде. Продукт разработан для повышения эффективности работы планировщиков лучевой терапии, позволяя им уделять больше времени сложным клиническим задачам, требующим экспертной оценки.

В статье рассматривается инвестиционная деятельность фонда Arben Ventures, основанного Ариэль Ганц, которая после личного опыта диагностики рака сделала ставку на прецизионное здравоохранение и долголетие. Фонд профинансировал 83 стартапа на ранней стадии, среди которых есть компании, разрабатывающие ИИ-решения для медицины. Ключевым примером является Allia Health — платформа электронных медицинских карт (EHR), построенная на принципах AI-native, которая используется около 8000 врачей и способна автоматически выявлять пропущенные диагнозы, такие как ранний психоз или заболевания щитовидной железы, путем анализа клинических заметок. Также упоминается компания Malcova, создающая систему визуализации для раннего выявления рака молочной железы, которая может заменить маммографию для женщин с плотной тканью груди, что подразумевает использование сложных алгоритмов обработки изображений. Портфель фонда привлек более 200 млн долларов последующих инвестиций, а четыре компании получили одобрение FDA. Статья фокусируется на бизнес-аспектах и диверсификации портфеля, где ИИ является одним из важных технологических компонентов, но не единственным предметом обсуждения.

В статье представлен SpiderNet — интерпретируемая вычислительная методология на основе обучения с представлением (representation learning), предназначенная для выявления направленных программ клеточной коммуникации из данных пространственной транскриптомики. Метод объединяет анализ регуляторов отправителя, пар лиганд-рецептор и мишеней получателя, формируя компактный базис мета-взаимодействий (MIs) и определяя зоны их активности в соседних клеточных парах. Исследование валидировано на симуляциях и реальных наборах данных, охватывающих более 5,8 миллиона пространственно профилированных клеток, показав превосходство над альтернативными методами в согласовании с кураторскими регуляторными программами. Ключевые результаты включают обнаружение ретрансляции SPP1-THBS между моноцитами, фибробластами и опухолевыми клетками в нише иммунного подавления при раке яичников, а также предсказание ответов Т-клеток на возмущения в меланоме. Дополнительно выявлена программа старения мозга, ассоциированная с Т-клетками, и консервативная программа взаимодействия фибробластов и опухолей, связанная с коллагеном, избыток которой коррелирует с худшим выживанием и неэффективностью иммунотерапии в когортах пациентов с различными типами рака. SpiderNet устанавливает мета-взаимодействия как переиспользуемый организационный уровень, связывающий молекулярные взаимодействия с фенотипами тканей, что открывает новые возможности для сравнения, отслеживания и модуляции мультиклеточной регуляции in situ.

В исследовании представлена методология классификации колоректального рака (КРР) с использованием глубокого обучения на базе архитектуры VGG16 для морфологического анализа 63 образцов органоидов от 22 пациентов. Метод позволяет с точностью 98,5% (64 из 65 образцов) разделять опухоли на два фенотипа: компактный железистый тип, ассоциированный с доминированием промотора P1 гена MDM2, и кистозный муцинозный тип, связанный с промотором P2. Полученные результаты были валидированы на внешних наборах данных TCGA-COAD/READ и GSE39582, охватывающих 1160 случаев, что подтвердило связь использования промоторов с консенсусными молекулярными подтипами (CMS) и статусом микросателлитной нестабильности (MSI). Исследование также выявило, что опухоли с диким типом гена TP53 демонстрируют более высокий индекс P2, так как этот промотор индуцируется p53, и являются более чувствительными к ингибитору MDM3 Nutlin-3a по сравнению с мутантными линиями. Анализ зависимости от генов в скрининге DepMap CRISPR и корреляция с 198 препаратами из GDSC2 показали, что чувствительность к Nutlin-3a наиболее сильно коррелирует с высоким баллом P2. Авторы заключают, что соотношение промоторов MDM2 P1/P2, измеряемое методами ПЦР в реальном времени или таргетного НGS, может служить надежным биомаркером для стратификации терапии и классификации подтипов рака, напрямую зависящим от статуса TP53 и MSI.

В статье представлен новый вычислительный конвейер, использующий топологический анализ данных (TDA) для интеграции мультиомных данных и оценки значимости генов в развитии заболеваний. Авторы применяют метод гармонической персистентной гомологии (HPH), который позволяет учитывать сложные графовые взаимодействия в биологических системах, обеспечивая при этом интерпретируемость результатов и устойчивость к шуму в данных. Для снижения вычислительной нагрузки и объединения различных омик-слоев (метилирование и экспрессия генов) используется инструмент iNETgrate, что расширяет применимость HPH с уровня отдельных пациентов на молекулярные данные. Валидация метода проведена на известном наборе данных TCGA по раку молочной железы, где результаты конвейера сравнивались с установленными биомаркерами. Разработанный подход демонстрирует высокую эффективность в ранжировании генов по их релевантности заболеванию, предлагая надежный инструмент для биоинформатического анализа. Методология подчеркивает важность устойчивости к возмущениям входных данных, что критично для работы с зашумленными омик-данными. Полученные результаты открывают новые возможности для персонализированной медицины и поиска новых терапевтических мишеней.

В статье представлен новый вычислительный фреймворк HR-FRGS (Hypergraph Regularised Fuzzy Rough Gene Selection), предназначенный для обнаружения биомаркеров из высокоразмерных данных РНК-секвенирования (NGS). Авторы решают проблему ложноположительных взаимодействий и шума, характерных для традиционных методов, таких как анализ дифференциальной экспрессии и анализ взвешенных ко-экспрессионных сетей (WGCNA). Методология включает интеграцию кластеризации белков, энтропийной фильтрации и отсеченных взаимодействий PPI для формирования двухслойного гиперграфа. Для оценки важности генов применяется комбинированный подход, сочетающий алгоритм Random Walk with Restart и центральность гиперграфового посредничества (Hypergraph Betweenness Centrality). Ключевой особенностью является использование автономных нечетких грубых множеств для отбора генов, что устраняет зависимость от произвольных пороговых значений. Исследование было применено к четырем когортам рака из базы TCGA: аденокарцинома легкого, рак головы и шеи, почечно-клеточный рак и рак толстой кишки. Алгоритм позволил сократить более 60 000 транскриптов до компактных панелей биомаркеров. Валидация с помощью классических алгоритмов машинного обучения показала, что предложенные панели превосходят или сопоставимы с полной транскриптомой по качеству классификации (AUC > 0.99, MCC > 0.94) и демонстрируют хорошую обобщающую способность (MCC ≥ 0.893). Функциональный анализ обогащения подтвердил биологическую релевантность выявленных генов, отразив как общие для рака механизмы, так и специфичные для конкретных когорт онкогенные пути.

В исследовании, опубликованном в журнале npj Digital Medicine 26 сентября 2026 года, оценивается эффективность применения больших языковых моделей (LLM) в качестве инструмента поддержки предоперационного общения с пациентами, страдающими раком предстательной железы. Это проспективное рандомизированное клиническое исследование фазы II направлено на решение двух ключевых проблем: высокого уровня предоперационной тревожности у пациентов и высокой рабочей нагрузки на медицинский персонал. Исследователи использовали LLM для генерации персонализированных, понятных и эмпатичных ответов на вопросы пациентов, а также для структурирования медицинской информации перед хирургическим вмешательством. Ключевые результаты показали статистически значимое снижение уровня тревожности у пациентов в группе с использованием ИИ по сравнению с контрольной группой, получавшей стандартную помощь. Одновременно было зафиксировано существенное сокращение времени, затрачиваемого врачами на коммуникацию с пациентами, что свидетельствует об эффективном снижении административной и клинической нагрузки. Значимость работы заключается в демонстрации того, что ИИ-ассистенты могут не только улучшать психологический комфорт пациентов, но и оптимизировать рабочие процессы в онкологии. Результаты открывают перспективы для внедрения LLM в клиническую практику для повышения качества предоперационной подготовки и эффективности использования ресурсов здравоохранения.

В статье представлен обзор применения методов глубокого обучения (EfficientNetB0, Cervical Net) и ансамблевых подходов для улучшения точности и масштабируемости скрининга рака шейки матки. Особое внимание уделено решению проблем дисбаланса классов через адаптивный SMOTE Tomek и обеспечению конфиденциальности данных с помощью федеративного обучения.

В исследовании разработана система глубокого обучения для автоматической сегментации и количественной оценки фиброза и неопластических изменений на гистологических срезах печени крыс. Модель успешно выявила снижение нагрузки патологических изменений в группе, получавшей водород, что демонстрирует потенциал ИИ для объективного анализа экспериментальной патологии печени.

В исследовании разработана мультимодальная модель ИИ, объединяющая данные КТ-визуализации (с использованием предобученной нейросети DINOv3) и клинические переменные для предоперационной оценки инвазивности легочных узлов. Модель продемонстрировала высокую точность (средний AUC 0.8566) в дифференциации предраковых поражений и инвазивной аденокарциномы легкого на внутреннем наборе данных.

Статья представляет SSLVNet — гибридную модель на базе самообучения и Vision Transformers для автоматической многоклассовой диагностики заболеваний сетчатки по фотографиям глазного дна. Модель достигает высокой точности (84.44%) и обеспечивает интерпретируемость предсказаний с помощью Grad-CAM, что критически важно для внедрения в клиническую практику.

В статье представлена новая гибридная архитектура глубокого обучения GINet, сочетающая EfficientNetV2, оконное внимание и модуль Mamba (state-space model) для классификации заболеваний ЖКТ по эндоскопическим снимкам. Модель достигает высокой точности (93% на тестовой выборке) и использует методы объяснимого ИИ (Grad-CAM) для визуализации областей интереса, что повышает доверие к диагнозу.

В статье представлен обзор исследований, оценивающих эффективность методов машинного обучения на основе анализа изображений для раннего выявления саркомы Капоши у пациентов с ВИЧ. Основные результаты показывают, что дерматоскопические и гистопатологические модели демонстрируют высокую чувствительность, однако существуют проблемы с валидацией и репрезентативностью данных.

В статье представлен систематический обзор и байесовский сетевой метаанализ 21 рандомизированного контролируемого испытания, оценивающий эффективность систем компьютерного обнаружения на основе ИИ (CADe) при колоноскопии. Результаты показывают, что использование ИИ-систем значительно повышает частоту обнаружения аденом по сравнению с традиционной колоноскопией, хотя прямые сравнения между различными системами ИИ требуют осторожной интерпретации.

В статье представлен метод MCseg — платформа для анализа пространственной транскриптомики, в которой используется ИИ-агент для автоматического поиска оптимальных параметров сегментации клеток без необходимости ручного программирования. Исследователи применили подход, при котором ИИ-агент итеративно предлагал и оценивал комбинации операций обработки изображений, чтобы создать фиксированный движок сегментации, основанный на границах клеток, полученных с помощью технологии Xenium. В наборе данных по аденокарциноме легких метод MCseg увеличил средний показатель паноптического качества с 0,432 до 0,472 по сравнению с базовой настройкой Cellpose, а при калибровке с учетом эталонных данных этот показатель достиг 0,554. При тестировании на независимых регионах колоректального рака MCseg показал более высокую полноту выявления линий клеток и микро-F1 по сравнению с методом ENACT на базе StarDist. Анализ 15 регионов колоректального рака продемонстрировал, что MCseg увеличивает расхождение экспрессии в соседних клетках и снижает коэкспрессию, характерную только для определенных линий, по сравнению со стандартным Space Ranger. Особое значение имеет то, что фиксированный рабочий процесс успешно перенесся на свежие замороженные образцы рака молочной железы без необходимости повторного поиска архитектуры, что доказывает воспроизводимость и локальную применимость предложенного ИИ-агентного подхода для клеточного анализа.

В исследовании представлен новый фреймворк SurvMOCA-GNN, использующий графовые нейронные сети (GNN) для интеграции разнородных молекулярных и клинических данных при остром миелоидном лейкозе (AML). Методология включает явное внедрение биологических сетевых структур, кросс-омиксных регуляторных связей и специфической для пациента клинической информации на основе данных экспрессии генов и микроРНК из когорты TCGA-LAML. Ключевым результатом стало создание унифицированных представлений пациентов, которые позволили выявить прогностически различные группы и дополнительно стратифицировать пациентов внутри существующих категорий риска Европейской сети лейкозов (ELN) 2022 года. Систематический анализ аблиации доказал, что использование графового моделирования, кросс-омиксного внимания и адаптивной интеграции клинических данных последовательно улучшает качество интеграции и дискриминационную способность выживаемости. По сравнению с существующими подходами, SurvMOCA-GNN генерирует более биологически согласованные представления, что подтверждено оценкой на независимой когорте AML и анализом трансферного обучения. Результаты демонстрируют высокую надежность и переносимость интегрированных представлений на гетерогенные популяции пациентов, что открывает новые возможности для прецизионной медицины. Фреймворк является открытым и доступен для использования научным сообществом, предлагая общий подход к интеграции гетерогенных данных для улучшения стратификации риска не только при AML, но и при других онкологических заболеваниях.

В исследовании оценивается эффективность алгоритма машинного обучения Random Forest (RF) для прогнозирования динамики пролиферации клеток на основе данных о конфлюэнтности у линий человеческих раковых клеток. Авторы сравнивают производительность модели RF с традиционными математическими моделями роста — логистической и моделью Гомпертца, которые широко используются в доклинических исследованиях. Результаты показывают, что модель RF обеспечивает более высокую точность предсказания, особенно при высоких начальных плотностях посева клеток. Исследование также демонстрирует возможность расширения фреймворка RF для прогнозирования кривых роста при различных плотностях посева. Полученные данные подчеркивают потенциал методов, основанных на данных, для дополнения традиционных математических подходов и улучшения планирования экспериментов с клеточными культурами. Это открытие имеет значение для оптимизации процессов доклинического открытия лекарств, где точная характеристика кинетики клеточной пролиферации является ключевым фактором.

Компания DeepHealth получила одобрение FDA 510(k) для решения Chest XRay — системы компьютерного обнаружения (CADe) на основе фундаментальной модели ИИ, предназначенной для выявления и локализации патологий грудной клетки на рентгенограммах. Система анализирует четыре категории находок, включая узлы, консолидацию и пневмоторакс, и уже используется в Европе, обрабатывая более 2,8 млн исследований ежегодно.