радиология

В данной работе исследователи представляют инновационный метод коррекции аттенуации и рассеяния для позитронно-эмиссионной томографии (ПЭТ), который исключает необходимость использования предварительного КТ-сканирования. Основная проблема традиционной ПЭТ заключается в зависимости от КТ для построения карт коэффициентов поглощения, что увеличивает лучевую нагрузку и сложность процедуры. Авторы предложили подход на основе кросс-доменной адаптации с использованием стратегии few-shot learning, что позволяет модели эффективно переносить знания между различными типами сканеров и анатомическими структурами. Методология направлена на преодоление проблемы обобщающей способности нейросетей при работе с новыми наборами данных. Результаты исследования демонстрируют, что предложенный алгоритм обеспечивает высокую точность реконструкции изображений, сопоставимую с классическими методами на базе КТ, при этом значительно снижая техническую сложность процесса. Данная технология имеет критическое значение для развития гибридной визуализации и оптимизации протоколов ПЭТ-диагностики в клинической практике.

В данной статье представлен инновационный метод DARE (Deformable Adaptive Regularization Estimator), предназначенный для решения критической задачи регистрации медицинских изображений с использованием глубокого обучения. Авторы предлагают новый подход к адаптивной регуляризации, который позволяет модели более точно подстраиваться под локальные геометрические особенности тканей, минимизируя артефакты при деформации. В отличие от традиционных методов, DARE обеспечивает высокую гибкость при сохранении топологической целостности структур, что крайне важно для точной сегментации и планирования лечения. Исследование фокусируется на преодолении ограничений стандартных функций потерь, которые часто приводят к чрезмерному сглаживанию или нереалистичным деформациям. Методология включает разработку алгоритма, способного динамически изменять параметры регуляризации в зависимости от локальной сложности изображения. Результаты демонстрируют значительное превосходство предложенного метода в точности сопоставления анатомических структур по сравнению с существующими архитектурами на основе нейронных сетей. Данная разработка имеет высокую практическую значимость для радиологии и хирургической навигации, где точность пространственного совмещения снимков напрямую влияет на успех клинического вмешательства.

Разработан модульный метод постобработки для снижения количества ложноположительных срабатываний при обнаружении детских переломов на рентгенограммах. Система использует поиск сложных отрицательных примеров и калиброванное слияние оценок, обеспечивая высокую точность (F1-score 0.88) и интерпретируемость через Grad-CAM.

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.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено анализу способности больших языковых моделей (LLM) оценивать читаемость и структурированность радиологических заключений. Авторы применяют многомерный подход к оценке, проверяя, насколько эффективно ИИ может интерпретировать сложность медицинского текста и его доступность для различных групп пользователей. В работе исследуется методология сопоставления оценок LLM с экспертными заключениями опытных радиологов. Ключевым результатом является выявление корреляции между метриками, генерируемыми моделями, и реальной клинической полезностью отчетов. Исследование подчеркивает потенциал использования ИИ для автоматизированного аудита качества документации в радиологии, что может значительно снизить когнитивную нагрузку на врачей и улучшить коммуникацию с пациентами. Результаты работы закладывают основу для внедрения интеллектуальных систем контроля качества медицинских текстов в клиническую практику.

Крупнейший поставщик услуг визуализации SimonMed внедряет ИИ-решение SwiftMR от AIRS Medical во всей своей сети. Технология позволяет повысить качество МРТ-снимков, сократить время сканирования и оптимизировать рабочие процессы на оборудовании различных производителей.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель на базе архитектуры Vision-Language для работы с диффузными глиомами у взрослых. Основная задача модели заключается в автоматизации двух критически важных процессов: прогнозировании молекулярно-генетического статуса опухоли и генерации структурированных радиологических отчетов на основе медицинских изображений. Методология объединяет визуальные признаки МРТ-снимков с текстовыми данными, что позволяет достичь высокой точности в определении биомаркеров, которые традиционно требуют дорогостоящей инвазивной биопсии. Использование ИИ позволяет сократить время постановки диагноза и минимизировать человеческий фактор при интерпретации сложных снимков. Результаты демонстрируют потенциал технологии в интеграции визуального анализа и текстовой генерации, что может значительно ускорить процесс принятия клинических решений в нейроонкологии. Данная разработка является важным шагом к созданию полностью автоматизированных систем поддержки принятия врачебных решений (СППВР) в радиологии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования визуально-языковых моделей (VLM) для глубокого анализа легочных узлов. Авторы предлагают подход «graphicalized vision-language modeling», который объединяет визуальные признаки КТ-снимков с текстовыми описаниями для более точной интерпретации патологий. Данная модель направлена на автоматизацию процесса обнаружения узлов и, что более важно, на эффективную стратификацию рисков злокачественности. Использование графических структур позволяет нейросети лучше понимать пространственные взаимосвязи между компонентами узла и окружающими тканями. Внедрение подобных систем в клиническую практику может значительно снизить нагрузку на радиологов и повысить точность ранней диагностики рака легких. Результаты демонстрируют потенциал интеграции мультимодальных данных для создания более надежных систем поддержки принятия врачебных решений в онкологии.

Компания QT Imaging представила обновление ПО версии 4.5.0, использующее оптимизированную деконволюцию и слияние данных скорости звука с отраженными сигналами для улучшения качества изображений. Новые алгоритмы позволяют более точно характеризовать ткани и анализировать анатомические особенности, такие как малый размер груди или наличие имплантатов.

GE HealthCare получила одобрение FDA для True Definition DL — нового решения на базе глубокого обучения для реконструкции изображений в компьютерной томографии (КТ). Технология обеспечивает высокую четкость и разрешение снимков, что критически важно для диагностики заболеваний легких, опорно-двигательного аппарата и внутреннего уха.

Siemens Healthineers модернизирует диагностическое и терапевтическое оборудование системы Onvida Health, включая КТ, МРТ и системы лучевой терапии. Партнерство направлено на повышение эффективности работы клиник и улучшение качества медицинских услуг в быстрорастущем регионе Аризоны.

В исследовании AI-REACT оценивалось влияние ИИ-инструмента qER EU 2.0 на точность, скорость и уверенность врачей при анализе КТ головного мозга без контраста (NCCTH). В ретроспективном анализе приняли участие 30 специалистов (рентгенологи, врачи скорой помощи и рентген-лаборанты), оценивших 150 сканов, из которых 98 содержали критические патологии. Результаты показали, что использование ИИ повысило общую чувствительность при выявлении критических аномалий с 82,8% до 89,7% (+6,9%), а чувствительность к внутричерепным кровоизлияниям выросла с 84,6% до 91,6% (+7,0%). При этом наблюдалось снижение специфичности с 84,5% до 78,9% (-5,5%). Важным практическим выводом стало то, что врачи отделений неотложной помощи при поддержке ИИ достигли уровня чувствительности, сопоставимого с квалифицированными рентгенологами. Исследование подтверждает высокий потенциал ИИ в повышении диагностической эффективности неспециализированного медицинского персонала в экстренных ситуациях.

Систематический обзор анализирует современные методы машинного и глубокого обучения для автоматического обнаружения внутричерепных кровоизлияний по КТ-снимкам без контраста. Исследование охватывает архитектуры CNN, 3D-CNN, гибридные и трансформерные модели, а также методы объяснимого ИИ для интерпретируемости. Результаты показывают высокую диагностическую эффективность, однако сохраняются проблемы с обобщаемостью и клинической валидацией.

Исследователи разработали систему искусственного интеллекта для анализа изменений на снимках мозга, способную выявлять ранние признаки болезни Альцгеймера с точностью почти 93 процента. Методология исследования основана на применении алгоритмов машинного обучения для выявления тонких структурных изменений в мозге, которые предшествуют клиническим проявлениям заболевания. Ключевой результат — достижение 93-процентной точности прогнозирования, что значительно превышает возможности традиционных методов диагностики. Раннее выявление болезни Альцгеймера критически важно для своевременного начала лечения и замедления прогрессирования заболевания. Технология может быть интегрирована в клиническую практику для скрининга пациентов из групп риска, что позволит выявлять болезнь на доклинической стадии. Исследование демонстрирует потенциал искусственного интеллекта в области нейровизуализации и неврологии, открывая новые возможности для персонализированной медицины.

Обзорная статья оценивает применение искусственного интеллекта и глубокого обучения (CNN, гибридные архитектуры) для неинвазивной диагностики опухолей мозга с использованием тепловизуализации и симулированных тепловых карт. Основные результаты включают анализ методов предобработки тепловых данных, сегментации опухолей и прогнозирования злокачественности, а также выявление ключевых проблем — ограниченность мультимодальных наборов данных и необходимость клинической валидации.

Исследование представляет метод DeepBranchAI — каскадный рабочий процесс для автоматической сегментации трехмерных разветвленных структур в биологических системах. Методология основана на итеративном цикле: случайные леса генерируют предварительные сегментации на основе минимальных аннотаций, эксперты уточняют результаты, что позволяет постепенно приближаться к эталонным данным. По мере накопления размеченных данных обучение переходит от 2D к 3D архитектурам, систематически расширяя ограниченные наборы данных. Валидация на митохондриальных сетях, полученных методом сканирующей электронной микроскопии с фокусированным ионным пучком (FIB-SEM, разрешение 15 нм), показала коэффициент сходства Дайса 0,942 при пятикратной кросс-валидации. При переносе обучения на сосудистые сети (датасет VESSEL12, КТ-объемы, разница в размере вокселей 30 000 раз) с использованием всего 10% целевых данных достигнута точность 97,05% против ground truth, что подтверждает обобщаемость топологических принципов. Метод сокращает время аннотации с месяцев до недель и трансформирует разреженные начальные метки в надежные обучающие наборы. Полная реализация, обученные веса и код валидации предоставлены в открытом доступе, что делает метод доступным для медицинского сообщества.

Исследование сравнивает федеративное обучение с централизованным для классификации доброкачественных и злокачественных поражений в маммографии на двух гетерогенных датасетах (плёночные и цифровые снимки). Результаты показывают, что федеративное обучение работает надёжно в однородных условиях, но демонстрирует снижение производительности при сильном сдвиге доменов между плёночными и цифровыми изображениями.

Исследование сравнивает три подхода к подавлению костной структуры на рентгенограммах грудной клетки: автоэнкодеры, U-Net и генеративно-состязательные сети. Предложенная улучшенная GAN с комбинированной функцией потерь (Wasserstein, L1, перцептивная и Sobel) показала наилучшие результаты по метрикам PSNR (44.09 дБ) и MS-SSIM (0.9968), превосходя ранее опубликованные методы.

Команда Penn Medicine разработала ИИ-систему для интерпретации МРТ-сканов сердца, обученную на 300,000+ видео МРТ от 20,000 пациентов. Модель оценивает функцию сердца и диагностирует 39 сердечных заболеваний с точностью до 0.97 AUC, выявив 112 ранее недиагностированных случаев гипертрофической кардиомиопатии в 40,000+ сканах.