радиология

В исследовании, опубликованном в npj Digital Medicine 7 сентября 2026 года, представлена мультимодальная модель искусственного интеллекта для прогнозирования риска рецидива менингиомы после радиотерапии. Модель объединяет перитуморальные МРТ-изображения (область вокруг опухоли) с клиническими данными пациентов, что позволяет более точно стратифицировать пациентов по группам риска по сравнению с традиционными подходами. Авторы использовали методы глубокого обучения для анализа радиомических признаков перитуморальной зоны, которые отражают микроинвазию и биологическое поведение опухоли, недоступные при стандартной оценке только самой опухоли. Валидация модели проводилась на ретроспективных когортах пациентов с менингиомой, получавших лучевую терапию, с оценкой дискриминационной способности через AUC (площадь под ROC-кривой). Результаты показали значительное улучшение точности прогноза рецидива по сравнению с моделями, использующими только клинические параметры или только внутриопухолевые МРТ-признаки. Интеграция перитуморальных радиомических характеристик позволила выявить скрытые паттерны, связанные с агрессивностью опухоли, что может помочь в персонализации адъювантной терапии и выборе тактики наблюдения. Работа подчеркивает потенциал мультимодального ИИ в нейроонкологии для улучшения стратификации риска и принятия клинических решений, однако требует проспективной валидации перед внедрением в рутинную практику.

В исследовании изучается возможность использования GPT-4o для автоматической генерации бинарных меток заболеваний из радиологических отчетов и применения этих меток для обучения сверточных нейронных сетей (ResNet-18, DenseNet-121, EfficientNet-B1, ConvNeXt-Tiny) для классификации рентгенограмм грудной клетки. GPT-4o достиг точности 92,9% по сравнению с экспертными метками, а ConvNeXt-Tiny показал наилучшую производительность (AUC=0,832). Подход предлагает масштабируемое и экономичное решение для скрининга в условиях ограниченных ресурсов.

В статье представлена модель DiffCAS — диффузионный подход для коррекции затухания (attenuation correction) в однофотонной эмиссионной компьютерной томографии (SPECT) сердца, который не требует отдельного КТ-сканирования на этапе вывода. Традиционно для коррекции затухания в SPECT необходима КТ-карта ослабления, что увеличивает дозу облучения пациента и стоимость процедуры. DiffCAS использует диффузионную модель, обученную на парах SPECT-изображений и соответствующих КТ-картах, и генерирует синтетические карты затухания непосредственно из SPECT-данных. Ключевая особенность — физически-осведомлённый подход: модель учитывает физику ослабления гамма-излучения в тканях, что повышает точность коррекции. В экспериментах на клинических данных модель показала улучшение качества изображений: средняя абсолютная ошибка (MAE) снизилась на 18% по сравнению с базовыми методами, а коэффициент корреляции с эталонными КТ-картами достиг 0.94. Метод также продемонстрировал устойчивость к шуму и артефактам движения. Авторы отмечают, что DiffCAS может быть интегрирован в существующие клинические протоколы SPECT без изменения оборудования, что делает его перспективным для широкого внедрения в кардиологическую диагностику. Работа опубликована в журнале Artificial Intelligence in Medicine (Volume 181, ноябрь 2026 года).

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026), авторы Zhiqiang Shen, Qingshan Hou, Peng Cao, Jinzhu Yang, Huazhu Fu, Osmar R. Zaiane и Zhaolin Chen представляют новый метод полууправляемой сегментации медицинских изображений, устойчивый к смене доменов (domain generalization). Проблема заключается в том, что модели глубокого обучения, обученные на данных одного медицинского учреждения или сканера, резко теряют точность при применении к данным из других источников из-за различий в распределении изображений. Предложенный подход основан на совместном обучении (co-training) двух ветвей: ветви сегментации и ветви синтеза изображений. Ветвь синтеза генерирует разнообразные варианты изображений с различными стилистическими и доменными характеристиками, что позволяет ветви сегментации обучаться на более широком распределении данных без необходимости разметки новых доменов. Метод использует полууправляемую парадигму: лишь небольшая часть данных имеет аннотации, остальные используются в неразмеченном виде для улучшения обобщающей способности. Авторы провели эксперименты на нескольких публичных наборах данных медицинской сегментации, включая сегментацию сердца и полипов, и показали, что предложенный метод превосходит существующие подходы к доменной генерализации и полууправляемому обучению. В частности, метод демонстрирует значительное улучшение метрики Dice coefficient (до 5-7 процентных пунктов) по сравнению с базовыми моделями при тестировании на невидимых доменах. Работа имеет высокую практическую значимость, поскольку позволяет создавать более надежные модели сегментации, которые можно безопасно развертывать в различных клинических условиях без дорогостоящей повторной разметки данных. Код и модели планируются к публикации для воспроизводимости результатов.

В статье, опубликованной в npj Artificial Intelligence 2 сентября 2026 года, представлен метод UPMA (unspecified pretraining and modular adaptation) — подход к автоматическому оконтуриванию (сегментации) клинических целевых объемов (CTV) при адаптивной лучевой терапии рака пищевода. Метод сочетает неспецифицированное предобучение на больших наборах медицинских изображений с модульной адаптацией, что позволяет учитывать контекст анатомических изменений между фракциями облучения. Авторы решают ключевую проблему адаптивной радиотерапии: необходимость пересчета дозовых карт при изменении формы опухоли и окружающих тканей в процессе лечения. UPMA использует архитектуру на основе трансформеров с модулями адаптации, которые настраиваются на конкретного пациента с минимальным количеством размеченных данных. В экспериментах на клинических данных метод показал средний коэффициент Dice 0.87 для CTV, что на 6-8% выше по сравнению с базовыми моделями (U-Net и nnU-Net), а также снижение времени обработки одного случая до 12 секунд. Особое внимание уделено контекстной адаптации: модель учитывает предыдущие фракции облучения и текущие анатомические изменения, что повышает точность сегментации на 12% при значительных деформациях тканей. Разработка имеет прямое практическое значение для клиник, внедряющих адаптивную лучевую терапию, поскольку позволяет сократить ручную работу онкологов-радиологов и повысить точность лечения. Авторы отмечают, что метод может быть распространен на другие локализации опухолей и другие задачи медицинской сегментации.

Представлена мультимодальная глубокая обучающая система VHealth-MFusion, объединяющая рентгенографию грудной клетки и структурированные клинические данные для многоклассовой диагностики пневмонии. Модель достигла точности 97,2%, превзойдя базовый уровень 95,9%, что подтверждает эффективность интеграции изображений и клинической информации для телемедицины.

В статье представлен мини-обзор гибридных архитектур, объединяющих большие языковые модели и vision-трансформеры для медицинской диагностики, с акцентом на радиологию и визуальные вопросы-ответы. Авторы анализируют проблемы внедрения таких систем в условиях низкоресурсного здравоохранения, включая нехватку данных, ограничения памяти и вычислительных мощностей, и предлагают пути решения через параметрически эффективную адаптацию, квантизацию, федеративное обучение и мультиязычную поддержку. Ключевой вывод — необходимость перехода от масштабирования моделей к легковесным, интерпретируемым и аппаратно-ориентированным решениям.

В статье представлен обзор применения ИИ для автоматической оценки коронарного кальция (AI-CAC) на компьютерной томографии грудной клетки с целью стратификации сердечно-сосудистого риска. Показано, что AI-CAC последовательно ассоциируется с общей и сердечно-сосудистой смертностью, а также с неблагоприятными сердечно-сосудистыми событиями, при этом радиомика может улучшить прогностическую точность. Авторы подчеркивают необходимость проспективных исследований внедрения, стандартизации и оценки экономической эффективности для реализации клинического потенциала.

В исследовании разработана модифицированная модель на основе ResNet50 (ResNet50-SCPA-Net) для автоматической классификации стадий цирроза печени по МРТ-изображениям. Модель объединяет SE-канальное и CBAM-пространственное внимание в параллельной структуре с обучаемым параметром слияния. Достигнута точность 80.82%, сбалансированная точность 81.93%, F1-мера 82.55% и AUC 93.05%, что подтверждает эффективность подхода.

В статье представлен метод прогнозирования выживаемости при немелкоклеточном раке легкого (НМРЛ) с использованием мультимодального подхода, объединяющего КТ-изображения, радиомику, клинические данные и шесть симуляционных прокси-признаков, моделирующих взаимодействие гетерогенности и морфологии опухоли. Модель на основе трансформерного маскированного автоэнкодера (TMAE) достигла C-index 0.641 на публичной когорте Lung1, что превосходит предыдущие мультимодальные результаты и демонстрирует потенциал симуляционных признаков для улучшения стратификации риска.

Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.

В статье сравниваются два полууправляемых подхода к классификации опухолевых патчей на гистологических изображениях рака молочной железы: базовый, использующий контролируемую модель для генерации псевдометок, и улучшенный, применяющий состязательное контрастивное обучение (AdCo) на 347 884 неразмеченных патчах. AdCo заменяет фиксированную очередь памяти на обучаемый банк состязательных негативов, что повышает качество представлений. Методы оцениваются на 18 комбинациях архитектур и четырех наборах данных, показывая преимущества состязательного самоконтролируемого предобучения.

Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.

В статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.

В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.

В журнале npj Digital Medicine опубликовано исследование, посвященное оценке клинических компетенций современных vision-language моделей (VLM) — систем, способных одновременно анализировать изображения и текст. Авторы разработали новый бенчмарк, специально нацеленный на проверку способности моделей к клиническому рассуждению, а не просто к распознаванию паттернов на медицинских изображениях. Результаты показали, что даже самые передовые VLM демонстрируют значительный разрыв между формальной точностью ответов и реальной глубиной клинического мышления: модели часто дают уверенные, но поверхностные или фактически неверные заключения, создавая «иллюзию компетентности». Бенчмарк включает задачи, требующие многошагового анализа, интерпретации результатов визуализации в контексте истории болезни и обоснования дифференциального диагноза. Количественные метрики показали, что лучшие модели достигают лишь около 60-70% точности на простых задачах, но падают ниже 40% на сложных клинических сценариях, требующих интеграции данных. Исследователи подчеркивают, что существующие методы оценки переоценивают возможности ИИ в медицине, и предлагают новый стандарт для валидации систем перед их внедрением в клиническую практику. Работа имеет прямое значение для разработчиков медицинского ПО и регуляторов, подчеркивая необходимость более строгих испытаний на клиническую компетентность, а не только на техническую точность.

В статье, опубликованной в журнале Artificial Intelligence in Medicine, представлена новая объяснимая парадигма на основе контрфактических примеров и оценки неопределенности для автоматического обнаружения и сегментации кист почек на контрастных КТ-изображениях брюшной полости. Исследование является многоцентровым и включает данные от нескольких медицинских учреждений, что повышает обобщаемость результатов. Авторы разработали модель глубокого обучения, которая не только выполняет сегментацию, но и предоставляет объяснения своих решений через контрфактические примеры — альтернативные сценарии, показывающие, как изменение входных данных повлияло бы на результат. Дополнительно модель оценивает неопределенность своих предсказаний, что критически важно для клинического применения, где ложные срабатывания могут привести к ненужным инвазивным процедурам. Такой подход повышает доверие врачей к системе и позволяет им лучше понимать, когда можно полагаться на автоматические результаты. Исследование демонстрирует, что интеграция объяснимости и оценки неопределенности в медицинские ИИ-системы является перспективным направлением для внедрения в клиническую практику, особенно в задачах радиологии, где точность и прозрачность решений имеют первостепенное значение.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.