СТОП НЕЙРООБМАН

ДИАГНОСТИКА И ЛЕЧЕНИЕ. НЕЙРОСЕТИ В СОВРЕМЕННОЙ МЕДИЦИНЕ.

07.07.2025
Обновлено 08.10.2025

Ученые называют нейросети системами принятия алгоритмических решений (ADM - Algorithmic Decision-Making systems). Это правильное название. Называть такие системы искусственным интеллектом пока рано, хотя мы и наблюдаем впечатляющую имитацию человеческого интеллекта ведущими нейронками.

Например, популярный медчат DOCTRONIC утверждает, что помог уже более чем 12 млн. человек. Его искреннее внимание к каждому слову обращающегося за помощью вызывает умиление.

Нейросети в науке уже давно выполняют роль специализированных помощников, созданных самими учеными для облегчения вычислений и проверки результатов.

Цифровые помощники - специализированные экспертные системы (DDSS - Diagnostic Decision Support System) уже не первый год помогают врачам с постановкой диагнозов. В своей статье “Специализированная экспертная система ИИ против генеративного ИИ с большой языковой моделью для клинической диагностики” Митчелл Дж. Фельдман, Эдвард П. Хоффер, Джаред Дж. Конли и другие описали сравнение двух современных DDSS с двумя не специализированными LLM. Результаты сравнения вы можете увидеть на рисунках.

Ученые использовали 36 уникальных клинических случаев, которые не были опубликованы ранее, что исключает возможность их использования при обучении моделей LLM. Каждая система выдавала список возможных диагнозов. Если система выдавала в первых 25 диагнозах правильный, это считалось успехом. Исследование показало,что DDSS с полным набором данных чаще включал правильный диагноз в топ-25, чем LLM, особенно при наличии лабораторных результатов. Однако LLM также продемонстрировали высокую точность, несмотря на отсутствие специализации на медицинской тематике. Это подчеркивает потенциал LLM в диагностике, особенно при интеграции с медицинскими данными.

Медицинская робототехника.

А вот доктор философии Майя Матарич и ее коллеги из Университета Южной Калифорнии США создают недорогих социальных роботов Blossoms на основе LLM. Роботы общаются с людьми, оказывая им социо-эмоциональную поддержку с помощью методов когнитивно-поведенческой терапии.

Работники университета при разработке мягких роботов пытаются создать нечто вроде приятного питомца, способного не только поговорить с человеком, но и помочь ему запомнить хорошее и забыть плохое. Они развозят роботов в дома престарелых, где социальная робототехника способна помочь людям с деменцией.

Мягкого робота с ChatGPT для пожилых людей разработала южнокорейская компания HYODOL. Роботы компании синхронизируются с домашним интернетом вещей и помогают пожилым людям в организации быта.

Своего робота-щенка с похожими функциями представила компания TOMBOT на выставке BIOHACKERS WORLD в Лос-Анджелесе. Также на этом мероприятии было представлено много других интересных стартапов, в том числе с нейросетевыми интерфейсами. Особый интерес вызывает стартап OPTICARE.AI, анализирующий состояние кровеносной и нервной системы по сетчатке глаза.

Медицинские роботы, помогающие в медучреждениях, продолжают свое развитие. Американская компания DILIGENT ROBOTICS расширяет и универсализирует возможности своего робота Moxi. Эти роботы помогают медперсоналу в клиниках США, а также занимаются доставкой лекарств.

Разные роботизированные системы в области медицины, а также роботов-доставщиков разрабатывает американская компания RICHTECH ROBOTICS. Компания сотрудничает с разработчиком процессоров для нейросетей NVIDIA и предлагает расширенный спектр решений для автоматизации медицинских услуг.

Дочернее подразделение разработчика роботизированной техники KUKA, компания SWISSLOG HEALTHCARE, уже много лет работает на рынке автоматизации медицинских услуг. Среди ее разработок - логистика, хранение, дозирование, отслеживание приема лекарств и другие услуги. Также компания Swisslog Healthcare в сотрудничестве с компанией RELAY ROBOTICS предлагает робота для доставки лекарственных средств.

LIO - мобильный сервисный робот, оснащённый коллаборативной рукой, голосовым управлением и автономной навигацией, от швейцарской компании F&P Robotics.

История помнит таких неутомимых медработников, как работающий с 2016 года Hospi-R от Panasonic и оснащённый двумя функциональными манипуляторами HoLLiE.

Сегодня же новое поколение роботов-гуманоидов вроде Unitree и других уже доступно для покупки в магазинах ROBOWORKS (США) или ROBOSAVVY (Великобритания).

Развитие медицинских нейросетей.

На сегодняшнее время в медицинской науке и практике количество нейросетей резко возросло в связи с повышением компьютерных мощностей.

В январе 2025 года ведущий медицинский журнал The Lancet Digital Health опубликовал статью о результатах проведенного исследования медицинских нейросетей за последние 10 лет. Статья утверждает, что не была никем профинансирована и содержит выжимку из сотен публикаций о нейросетях в медицине.

Критериями, по которым отбирались такие публикации, были:

1. пациенты-люди;

2. вмешательства, включающие алгоритмические системы принятия решений, разработанные с использованием машинного обучения (МО);

3. результаты, описывающие преимущества и вред для пациента, которые напрямую влияют на здоровье и качество жизни, такие как смертность и заболеваемость.

Исследования, которые не прошли предварительную регистрацию, не имели контроля стандарта оказания медицинской помощи или относились к системам, помогающим в выполнении действий (например, в робототехнике), были исключены.

Поиск публикаций проводился по системам копоративного медпортала MEDLINE, медицинской базы данных с поиском литературы EMBASE, цифровой библиотеки XPLORE общественной благотворительной организации IEEE, а также научного поисковика GOOGLE SCHOLAR.

Описанные в найденных публикациях исследования проверялись на соответствие их отчетности стандартов CONSORT-AI или TRIPOD-AI.

Из 2 582 найденных публикаций только 18 соответствовали стандарту рандомизированного контролируемого испытания (RCT).

Однако, авторы статьи утверждают, что ни одно из найденных исследований не указало в своей отчетности связь неблагоприятных событий у пациентов с интервенцией комплекса действий с участием нейросети.

Авторы статьи подчеркивают, что показатели производительности с точки зрения точности не гарантируют клиническую эффективность, применимость или улучшение ухода за пациентами. Несмотря на положительные результаты во многих испытаниях, чаще всего приоритет отдаётся диагностической точности, а не значимым клиническим исходам. Это контрастирует с существенным ростом одобрений медицинских устройств на основе искусственного интеллекта и машинного обучения в США и Европе с 2015 года.

Также авторы статьи указавают на выявление ихними коллегами того факта, что большинство медицинских устройств с поддержкой машинного обучения, одобренных Управлением по контролю за продуктами и лекарствами США (FDA), получили одобрение без подтверждения эффективности в рандомизированных контролируемых испытаниях (РКИ). Эти данные, по заявлениям ученых, указывают на критический пробел в разработке искусственного интеллекта, когда аналитическая производительность ставится выше результатов, значимых для пациента, в здравоохранении.

Вышеприведенное исследование ученых ценно своим критичным взглядом на сферу применения нейросетей в медицине с точки зрения пользы для пациента.

Нельзя не согласиться с этими учеными - медицина существует именно для того, чтобы лечить.

Неплохой анализ нейросетей в медицине и стоматологии в отдельности представили в этой статье Энис Весели, Моджтаб Мехрабанян и Нур Аммарот 08 августа 2025 на страницах Британского стоматологического журнала (BDJ).

Тем не менее, между разработчиками нейросетей, внедряющими их на практике организациями и регуляторами существует много вопросов.

Разработчики часто испытывают дефицит качественных, разнообразных и репрезентативных данных для обучения и валидации моделей. Они считают, что текущие рамки, к примеру у FDA (регулятор США), не всегда применимы ко всем AI-продуктам, и что требуется более гибкий подход к оценке и мониторингу.

Внедряющие хотят больше ясности в том, кто отвечает, если AI ошибается, и какие требования к безопасности и качеству. Они также отмечают недостаток поддержки и образования для персонала по вопросам AI, а разработчики часто не учитывают реальные условия работы медицинских учреждений и нужды пользователей.

Такая ситуация требует первых шагов к стандартизации - глубокого изучения рынка спроса и предложений, введения современной библиотеки мер и технических стандартов, способных реализоваться в новых технологиях без потери качества.

Врачи-практики отмечают, что при большом количестве приемов пациентов рабочий процесс в общей практике огромен. Чтобы обработать все это, компании искуственного интеллекта потребуют, чтобы клиническая ответственность оставалась за врачами. Эта ситуация создает новую «невидимую» когнитивную нагрузку на врачей общей практики, возникающую из-за постоянных проверок нейросетей на возможные ошибки.

Сейчас среди врачей быстро распространяется нейросетевая технология “AI SCRIBE” (DRAGON AMBIENT EXPERIENCE (DAX) от Nuance, ABRIDGE, SUKIAI, DEEPSCRIB, HEIDI HEALTH и другие), количество предложений которой на рынке уже больше сотни.

Прогнозы отрасли предполагают, что к концу 2025 года до 30% поставщиков медицинских услуг будут использовать ту или иную форму технологии пишущих нейросетей. Пишущие нейросети расшифровывают клинические консультации в режиме реального времени, создавая сжатые заметки, которые можно вносить в электронные медицинские карты.

Они могут повысить эффективность, сократив время, затрачиваемое на написание заметок, и освободив время врача для ухода за пациентами. Хотя некоторые исследования показывают, что инструменты транскрипции могут сократить время документации всего на одну минуту за контакт, пользователи выигрывают от снижения воспринимаемой рабочей нагрузки. Разработчики одного из таких инструментов сообщают о большей экономии времени - не менее 90 минут в день для врачей общей практики.

Национальная служба здравоохранения Великобритании (NHS) даже запретила своим сотрудникам использование любых инструментов искусственного интеллекта для записи данных окружающей среды, которые официально не зарегистрированы для медицинского применения в Великобритании.

В связи со сбором биометрических данных в Бразилии было запрещено популярное устройство для заработка криптовалюты Worldcoin ORB, использующее мультиспектральные сенсоры для определения личности по сетчатке глаза. В США и других странах пока только обсуждается этот вопрос, а популярность стартапа Tools for Humanity продолжает расти.

Чтобы гарантировать безопасность передовых систем нейросетей для человека, нейросети должны надежно действовать в соответствии с человеческими ценностями. Так считают работники Венского медицинского университета Натали Мария Кирх, Константин Хебенштрайт и Маттиас Самвальд. Они предоставили бенчмарк TRIAGE - стандарт медицинской сортировки, основанный на существующих моделях медицинской сортировки серии START. Это процесс сортировки пациентов в соответствии с тяжестью их травм для спасения как можно большего числа жизней с учетом ограниченных ресурсов.

В то же время с другой стороны на сотрудничество человека с нейросетями смотрят члены Шаундунской академии наук (Китай) Yanyan Liu, Fan Sheng и Ruyue Liu - авторы статьи о симпатии работников разных отраслей к искусственному интеллекту. Ученые считают, что работники рассматривают свою ориентацию на нейросетевые технологии как новый опыт и возможность карьерного продвижения. Они провели небольшое исследование и выяснили, что принятие новых нейросетевых технологий способствует позитивному отношению к работе, согласованному с целями организации.

Непосредственный вклад в развитие медицинских нейросетей внесла компания Google, обучив одну из моделей семейства Gemma на медицинских данных. MEDGEMMA от Google — исследовательская модель с открытым исходным кодом, которая анализирует медицинские изображения (рентгеновские снимки, КТ, МРТ и гистологические изображения), резюмирует клинические отчёты, ставит диагнозы и оценивает риски.

Консорциум Biomedical Data Translator Национального центра по продвижению трансляционных наук 9 июля 2025 объявил о первом публичном выпуске Biomedical Data Translator - мощной системы с открытым исходным кодом, основанной на графах знаний и предназначенной для интеграции и гармонизации обширных и сложных наборов биомедицинских данных для ускорения трансляционной науки и лечения пациентов. Translator интегрирует различные типы существующих источников данных, включая объективные признаки и симптомы заболеваний, эффекты лекарственных препаратов и сопутствующие биологические данные, важные для понимания патофизиологии. Исследователь сможет использовать транслятор биомедицинских данных NCATS для запроса конкретной биомедицинской информации.

Многие исследователи не имеют легкого доступа к экспертам из разных областей науки. Об этой проблеме заявили доктор компьютерных наук Стэнфордского университета Кайл Свонсон и его команда. Они разработали решение в виде виртуальной лаборатории, состоящей из главного исследователя LLM, который руководит командой ученых-агентов LLM через серию исследовательских встреч, а исследователь-человек обеспечивает обратную связь высокого уровня. Первым исследованием виртуальной лаборатории стала разработка связующих нанотел для последних вариантов Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), который вызывает заболевание Coronavirus Disease 2019 (COVID-19).

Также 6 августа 2025 (NCATS) опубликовал технологию ранней диагностики вызывающего паралич бокового амиотрофического склероза (БАС), разработанную в рамках программы «Тканевые чипы для скрининга лекарств». Это трехмерная модель клеточной культуры — орган-на-чипе. Ученые назвали его чипом спинного мозга. Чип выращивает микронейроны и эндотелиальные клетки (клетки, выстилающие кровеносные сосуды и регулирующие кровоток) вместе в параллельных камерах миниатюрного чипа, известного как микрофлюидное устройство.

Нельзя не отметить и наличие большого количества доступных медицинских баз данных (датасетов), которые позволяют не только обучать нейросети, но и создавать тестеры (бенчмарки), способные оценить возможности нейросетей с точки зрения медицины.

Одним из лучших можно назвать HEALTHBENCH от OpenAI. HealthBench использует информацию от более чем 260 врачей из 60 стран для разработки обоснованных с медицинской точки зрения критериев оценки, а также тестирует производительность ИИ в широких клинических сценариях с помощью более 5000 многооборотных диалогов врача и пациента и более 48 000 пунктов рубрики. Использует датасеты рака, COVID-19, кардиологии, неврологии и других болезней. К его сборкам данных можно получить доступ для тренировки собственных моделей.

Кроме этого мы можем использовать такие датасеты, как MIMIC-III - крупная, общедоступная база данных, содержащая обезличенные данные о состоянии здоровья более сорока тысяч пациентов, находившихся в отделениях интенсивной терапии медицинского центра Beth Israel Deaconess в период с 2001 по 2012 год. Еще MIMIC-CXR или PADCHEST.

CHEXPERT - большой набор данных рентгеновских снимков грудной клетки и конкурс по автоматизированной интерпретации этих снимков, который включает метки неопределённости и оценочные наборы с эталонными данными, размеченными радиологами.

NIH CHESTX-RAY14 DATASET (CXR8) - 112 120 изображений (рентгенов грудной клетки), 30 805 пациентов, 14 диагнозов.

COVID-19 IMAGE DATA COLLECTION - набор данных рентгенограмм грудной клетки и КТ-снимков пациентов с подозрением на COVID-19 или другие вирусные и бактериальные пневмонии.

BRAIN TUMOR SEGMENTATION CHALLENGE - датасеты многоинституциональных предоперационных МРТ-сканирований, фокусирующихся на сегментации опухолей головного мозга. И еще много других полезных датасетов.

Большую базу данных классификаций лекарственных форм, расходных материалов, рецептов, транзакций между поставщиками, единиц дозирования и связанных понятий разрабатывает Национальный совет по программам отпуска лекарств (NCPDP). В базу NCPDP интегрируется федеральная терминология лекарственных препаратов (FMT) в США, которая представляет собой набор контролируемых терминов и кодовых наборов из систем словарей компонентов, разработанных и поддерживаемых Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA), Национальной медицинской библиотекой США, Управлением по делам ветеранов США, Национальным институтом рака и Агентством по исследованиям и качеству здравоохранения. Терминология компонентов Национального института рака в FMT представлена в тезаурусе Национального института рака (NCI).

Аннотированный набор данных НДКТ-изображений рака лёгких и сопутствующая документация для дальнейшего использования в обучении и тестировании моделей выложены в открытый доступ на Zenodo исследователями из Китая. Каждое КТ-изображение вручную аннотировалось с точностью до пикселя вдоль контуров опухоли исследователем с двухлетним опытом работы в области визуализации и рентгенологом-онкологом с пятилетним опытом работы. Со всем процессом можно ознакомиться в их статье.

Аннотированный набор данных, включающий 330 объемных сканов 74 пациентов с различными заболеваниями кожи DERMA-OCTA (Оптическая когерентная томография-ангиография), выложен в открытый доступ. Набор данных содержит исходные 2D- и 3D-снимки, а также версии, обработанные пятью различными методами предварительной обработки, и референсные 2D- и 3D-сегментации. Для каждой версии предоставляются метки сегментации, созданные с использованием архитектуры U-Net в качестве подходов к 2D- и 3D-сегментации.

Фреймворк для обучения модели Random Forest для управления дозированием коагулянта (очистителя воды) в очистных сооружениях представили ученые из Китая. На данном этапе авторы сообщают о сложностях размещения модели в облачных сервисах из-за низкой скорости поступления данных. И все же они пытаются решить проблему архитектуры системы сбора данных о воде и онлайн-коррекции уровня коагулянта с учетом облачных технологий.

Еще один полезный кейс из Китая по определению ранних генетических заболеваний по фенотипу лица с помощью существующих LLM с добавлением RAG описывают авторы статьи под названием "Дополненные графическим поиском большие языковые модели для редких генетических заболеваний, связанных с фенотипом лица." Китайские ученые построили граф знаний о фенотипе лица на основе 509 соответствующих публикаций по редким генетическим заболеваниям, связанным с фенотипом лица, и объединили его с двумя типами графов RAG (Cypher RAG, Vector RAG). Все данные, код, включая наборы-бенчмарки, выложены в открытый доступ.

Конструктивный подход к учету и приведению всех существующих и созданных в будущем датасетов к единым стандартам позволит создать большую и универсальную базу медицинских знаний человечества, на данных которой мы сможем обучить будущий подлинный искусственный интеллект (AGI - Artificial General Intelligence).

Работа предстоит большая, и мы уверены, что старания позволят достичь немыслимых сейчас результатов в области общей медицины и геронтологии в частности.

К примеру, компания Retro Biosciences, занимающаяся фармацевтикой в сфере омоложения клеток, была профинансирована Сэмом Альтманом, гендиректором OpenAI, ещё в 2023 году. Учёные разрабатывают терапию стимуляции автофагии для очищения клеток организма от накопления белковых агрегатов и повреждённых биомолекул.

А британское отделение Google - DeepMind вместе с сотрудниками Европейской лаборатории молекулярной биологии (EMBL) разработали программу на базе нейросети AlphaFold, предсказывающую структуру белка по его аминокислотной последовательности. В 2024 году создатели программы удостоены Нобелевской премии за использование AlphaFold 2 для предсказания в области укладки белков.

Ведущий разработчик графических процессоров NVIDIA расширяет возможности молекулярного дизайна. Компания представила генеративную модель ReaSyn, разработанную для прогнозирования путей молекулярного синтеза, которая также учитывает ограничения существующих подходов. Ученые подчеркивают, что химия сталкивается с проблемой прогнозирования путей молекулярного синтеза, где путь включает ряд промежуточных стадий. Прогнозирование пути — критически важный этап в разработке лекарств, химических веществ и материалов, поскольку молекула, какой бы перспективной она ни была, ценна только в том случае, если ее можно синтезировать. ReaSyn использует уникальную нотацию цепочки реакций (CoR — Chain of Reactions), вдохновленную подходом цепочки рассуждений CoT (Chain of Thought) в LLM, в сочетании с алгоритмом поиска во время тестирования.

Управление созданием молекулярной основы веществ активно используется моделями ведущих компаний при разработке новых материалов. Миллиарды органических молекул были сгенерированы вычислительным путем, однако функциональные неорганические материалы остаются редкими из-за ограниченности данных и структурной сложности, в том числе и медицинских соединений. Ученые из Массачусетского университета (США) представили фреймворк SCIGEN, который обеспечивает геометрические ограничения - такие, как сотовые и кагоме (из равносторонних треугольников и шестиугольников) решетки - в диффузионных генеративных моделях для обнаружения кандидатов на стабильные квантовые материалы. Этот подход позволяет генерировать десять миллионов неорганических соединений с архимедовыми и лиебовскими решетками, более 10% из которых проходят многоступенчатый скрининг стабильности.

Для изучения патологий на биоизображениях на ринке представлены приложения, работающие с машинным обучением. Среди них известный с начала тысячелетия мощный IMAGEJ, гибкий QuPath, а также не менее полезные для исследователей CELLPROFILER, APHELION, открытая ICY и другие, часть которых можно найти в Awesome-biological-image-analysis.

Те, кто желает изучать азы анатомии и физиологии, могут осмотреть интерактивное 3D-строение человеческого организма на сайтах ZYGOTOBODY, BIODIGITAL, VISIBLEBODY, LIFESCIENCEDB или в мобильном приложении ANATOMY3DATLAS. Еще на сайте PRIMALPICTURES можно получить доступ к данным через прямой контакт с администрацией сайта (регистрация на сайте пока что приостановлена). Но будьте осторожны и не занимайтесь самолечением. Определить настоящее состояние болезни индивидуально может только врач.

На этих сайтах можно работать с 3D моделями человеческих органов. Манипулируйте обьектом и анимацией (клик или тап по левому полушарию).

Международная сеть руководств (GIM) предлагает набор принципов для разработки и использования инструментов или процессов искуственного интеллекта для поддержки предприятия по разработке руководств в области здравоохранения. Рабочей группой данной организации было выявлено восемь принципов, которых следует придерживаться при использовании искуственного интеллекта в контексте руководства: прозрачность, предварительное планирование, дополнительность, достоверность, этика, подотчетность, соответствие и оценка.

Также повышают безопасность пациентов, помогают оптимизировать цепочки поставок и стимулируют инновации в области цифрового здравоохранения и устойчивых медицинских решений стандарты ISO, которые определют требования к качеству процессов и компетентности персонала.

Научная платформа ELSEVIER совместно с технологической компанией RELX предлагают продвижение научных публикаций и поддержку новым исследованиям, содержащим новые идеи в области здравоохранения. Так работает и научная платформа RESERCHGATE.

Поддержку и простые гранты предлагает исследователям и разработчикам нейросетей институт LAUDE. Одним из условий предоставления поддержки является использование нейросетей с практической целью.

Развитие нейросетей в направлении конкретных практических целей активно продвигает ведущий южнокорейский исследовательский институт KAISTAI. В конкурсе института за лучшую работу в номинации "Приложения и практика" получила нейросеть LABTOP, выполняющая непрерывные числовые прогнозы для широкого спектра результатов лабораторных исследований. Нейросеть оказывает поддержку принятия клинических решений и раннего выявления критических состояний.

Интвестиционная стартап-плафторма Y Combinator предлагает множество финансируемых стартапов в области здравохранения, которые к тому же предлагают вакансии.

Известный своими военными разработками инновационный кибергигант PALANTIR автоматизирует обмен данными между партнерами в цепочках поставок медицинских товаров, создавая более проактивную среду принятия решений с помощью неросетевого сервиса Foundry. Также Palantir Foundry испробовал в Общей многопрофильной больнице Тампы, штат Флорида, США, систему оптимизации обслуживания пациентов, что улучшило показатели работы лечебного заведения.

Существенную автоматизацию процессов обучения моделей c подкреплением RL (Reinforcement Learning) предлагает компания BENCHMARK. Производитель "умной" среды разрабатывает безопасные сенсорные сети на основе протокола обмена медицинскими данными HL7, которые в реальном времени передают полученую с датчиков информацию в облачную платформy для анализа и обучения нейросетей. Максимальную гибкость и функциональность подключения обеспечивает универсальный шлюз на Linux со сквозным шифрованием данных.

Исследования в области биологического и искусственного интеллекта объединяет проект ALGONAUTS. Платформа стремится помочь специалистам обеих областей внедрять алгоритмы мозговой активности. Вмещает предобученные модели нейросетей и датасеты для обучения. Также проводит соревнования в постройке алгоритмических моделей прогнозирования активности мозга на основе данных функциональной магнитно-резонансной томографии.

Один из интересных медицинских проектов - BENCHLING - облачный сервис для управленией лабораторной информацией в сфере биотехнологий и фармацевтики. Платформа предлагает управление молекулярными данными: хранение и анализ последовательности ДНК/РНК/белков, включает алгоритмы BLAST, AlphaFold, CRISPR-инструменты и много другое. Также расcматривает поддержку перспективных проектов. Создает платформу для цифровых данных, которая станет основой для исследований и разработок транснационального фармацевтического гиганта SANOFI на базе искусственного интеллекта и работает со многими другими мировыми лидерами в области здравохранения.

Похожие услуги предоставляют также LABGURU, EPIC, SKINOTE и несколько других.

Но что же предлагают нам в данное время производители оборудования, способного самостоятельно анализировать данные и принимать решения.

В ведущих медицинских журналах за 2025 были опубликованы статьи, описывающие новые технологии диагностики с помощью внедрения ADM.

1. НЕЙТРАЛИЗАЦИЯ ЗМЕИНЫХ ЯДОВ.

15 января 2025 года группа ученых описали в статье “Разработанные de novo белки нейтрализуют смертельные токсины змеиного яда” использование нейросети RFdiffusion на основе глубокого обучения для разработки противоядий для короткоцепочечных и длинноцепочечных α-нейротоксинов и цитотоксинов из семейства токсинов змеиного яда 3FTx.

Данная модель разработана для предсказания трехмерной структуры белков на основе их аминокислотной последовательности.

Существующие противоядия вызывают побочные эффекты у некоторых пациентов, имеют низкую эффективность против токсинов со слабой иммуногенностью, и должны вводиться только в медицинских учреждениях. Чтобы обойти эти ограничения, растет интерес к новым подходам к лечению отравлений змеиным ядом, включая использование человеческих рекомбинантных антител, перепрофилированных синтетических ингибиторов токсинов, или комбинаций антител и ингибиторов.

Ученые считают, что подходы de novo design могут иметь преимущества по сравнению с традиционными методами разработки противоядий. Они исследовали разработку связующих веществ как для отдельных природных токсинов, так и для консенсусных токсинов, представляющих семейство молекул токсинов, поскольку связующие вещества для последних могут иметь более широкую нейтрализующую активность.

2. ДИАГНОСТИКА ТКАНЕЙ ОРГАНИЗМА.

В мае 2025 года в журнале The Lancet Digital Health опубликована статья под названием "Оценка объема шести типов тканей тела с помощью искеуственного интелекта на основе КТ-сканов сердечного затухания для прогнозирования смертности: многоцентровое исследование".

Данное исследование финансируется Национальным институтом сердца, легких и крови Национальных институтов здоровья США (NIH).

Авторы статьи используют КТ-изображения грудной клетки, полученные в виде низкодозовых сканов, как побочный результат сцинтиграфии миокарда (MPI - радиоизотопного исследования кровоснабжения сердечной мышцы с целью выявления участков ишемии). Эти КТ-изображения называются сканами для коррекции ослабления сигнала (CTAC - CT Attenuation Correction) и обычно применяются лишь для устранения артефактов, мешающих оценке перфузии.

Но теперь на КТ-сканах грудной клетки (CTAC), которые обычно используются только для технической коррекции, обученная нейросеть вычисляет объем и плотность шести типов тканей: кости, скелетные мышцы, подкожный жир (SAT), внутримышечный жир (IMAT), висцеральный жир (VAT), эпикардиальный жир (EAT).

Исследование рассматривало только количественную оценку различных тканей с помощью КТ грудной клетки, но количественная оценка состава тела с помощью КТ брюшной полости может потенциально обеспечить дополнительную прогностическую ценность. Ученые уверены, что необходимо провести дополнительные исследования для сравнения их подхода к объемной КТ грудной клетки с существующими подходами к абдоминальной рентгенографии с использованием одного среза, которые использовались в предыдущих исследованиях состава тела.

3. ДИАГНОСТИКА КОГНИТИВНЫХ НАРУШЕНИЙ (ДЕМЕНЦИИ).

В мае 2025 в журнале The Lancet Digital Health вышла статья под названием “Разработка и тестирование моделей на основе искусственного интеллекта с использованием голосовых биомаркеров для выявления когнитивных нарушений у взрослых, проживающих в сообществе: поперечное исследование в Японии”.

Авторы статьи утверждают, что используют нейросетевой анализ голоса человека для диагностики когнитивных нарушений. Нейросеть работает по принципу извлечения из неструктурированной речи (3 минуты свободного разговора) голосовых биомаркеров с помощью модели Wav2Vec2 от Meta, не полагаясь на смысл слов.

Модель обучалась на 3-минутных речах 1461 пожилого человека из Японии (средний возраст — 79,5 лет), из которых 979 человек - обучение и 482 - тестирование. Когнитивное состояние оценивалось по шкале Memory Performance Index (MPI). Модель показала результат AUC (график соотношения найденных моделью положительных и отрицательных случаев с реально существующими) около 0.88–0.89 (где 1 — идеальная точность, 0.5 - случайный выбор).

4. ДИАГНОСТИКА РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ.

В июне 2025 журнал The Lancet Digital Health опубликовал статью под названием “Прогнозирование плотности молочной железы по клиническим ультразвуковым изображениям с использованием глубокого обучения: ретроспективный анализ”.

Авторы статьи решают проблему прогнозирования вероятности заболевания раком молочной железы на основе данных о плотности молочной железы по клиническим УЗИ-2D-изображениям.

Нейросети показывали набор данных 405 120 клинических ультразвуковых изображений груди от 14 066 женщин (средний возраст 53 года, диапазон 18–99 лет), в котором каждому УЗ-изображению соответствует эталонная категория плотности груди по шкале BI-RADS, полученная с помощью маммографии (золотой стандарт) в соответствии с классификацией Американского общества радиологов (ACR). Эти изображения использовались при ее обучении, как правильные ответы. В ходе обучения сеть научилась "понимать", какие паттерны на УЗ-сканах соответствуют высокой или низкой плотности груди.

В результате модель позволяет прогнозировать плотность груди там, где маммографию провести сложно или невозможно, а также помогает врачам оценивать риск рака и планировать обследования и профилактику.

Ученые из Индии и Саудовской Аравии представили гибридную методологию DXAIB, которая интегрирует сверточные нейронные сети (CNN) с моделью случайного леса (RF) для более точного выявления рака молочной железы. Гибридный подход использует широко внедряемую технологию XAI «SHAP», предоставляя медицинским работникам исчерпывающие объяснения и ценную информацию.

5. РЕНТГЕНОГРАММЫ ГРУДНОЙ КЛЕТКИ.

18 июня в разделе NEJM AI медицинского журнала The New England Journal of Medicine вышла статья «PadChest-GR: двуязычный набор данных рентгенограмм грудной клетки для генерации основанных на изображениях радиологических отчётов», в которой авторы Нихил Р. Сахни и Брендон Каррус заявили о создании нового набора данных PadChest-GR — двуязычного (испанский и английский) датасета рентгенограмм грудной клетки (CXR) на основе крупномасштабного набора данных PadChest, включающего более 160 000 изображений, полученных от 67 000 пациентов, с подробными разметками, предназначенного для обучения моделей искусственного интеллекта, которые автоматически создают радиологические отчёты с точным указанием локализации патологий на изображениях.

Существующие наборы данных недостаточны для построения полных обоснованных отчетов, поскольку в них отсутствуют пространственные аннотации, связанные с полными наборами описательных предложений результатов. PadChest-GR предоставляет ценный ресурс для разработки и оценки моделей GRRG из изображений CXR. (Финансируется корпорацией Microsoft.)

Ученые решают задачу создания датасета для обучения моделей, способных не только описывать находки на рентгене текстом (радиологические отчёты), но и показывать, где именно на изображении находятся эти находки.

При создании набора было использовано 4555 исследований CXR с обоснованными отчетами, из которых 3099 были ненормальными, а 1456 — нормальными. Всего PadChest-GR содержит 7037 предложений с положительным результатом и 3422 предложения с отрицательным результатом.

Ученые надеются, что будущие усилия достигнут большего разнообразия в результатах, включив в исследование данные из нескольких учреждений и тем самым повысив обобщаемость.

Определенные успехи представлены индийскими учеными в фреймворке для обучения CXR-MultiTaskNet, который использует CNR250K и другие наборы данных для решения задач классификации и локализации заболеваний грудной клетки в рамках единого подхода. Общий подход к извлечению признаков использует каркас ResNet50, оптимизированные двухзадачные головки и объясняемость на основе Grad-CAM. Такая архитектура снижает операционную неэффективность, обусловленную однозадачными конвейерами и изолированным обучением признаков, выявленным в предыдущих работах, при этом обеспечивая интерпретируемые результаты, необходимые для клинического внедрения.

6. ДИАГНОСТИКА РАКА ЖЕЛУДКА.

Известный китайский сервис Alibaba профинансировал создание нейросети GRAPE (Gastric Cancer Risk Assessment Procedure with Artificial Intelligence), способной диагностировать рак желудка там, где не справляются специалисты. Статью об этом опубликовал 24 июня 2025 популярный журнал Nuture в своем разделе Nature Medicine.

Рак желудка является пятым по частоте диагностируемым видом рака и четвертой по значимости причиной смерти от рака во всем мире.

Авторы статьи рассказали, что эндоскопический скрининг желудка часто бывает неэффективен, а потому медицина нуждается в расширении протокола скрининга. Поэтому они разработали процедуру оценки риска рака желудка с помощью искусственного интеллекта (GRAPE), используя неконтрастную КТ и глубокое обучение для выявления болезни.

GRAPE был обучен на 3470 случаев пациентов с раком желудка и 3250 случаев здоровых пациентов. Он генерирует два типа выходных данных: маску сегментации на уровне пикселей желудка и опухолей и балл классификации, отличающий пациентов с раком желудка от пациентов без болезни. Модель следует двухэтапному подходу. На первом этапе сеть сегментации используется для определения местоположения желудка в пределах полного КТ-сканирования, генерируя маску сегментации, которая затем используется для обрезки и изоляции области желудка. Эта обрезанная область подается на второй этап, где используется совместная сеть классификации и сегментации с двумя ветвями. Ветвь сегментации обнаруживает опухоли в пределах идентифицированной области желудка, тогда как ветвь классификации интегрирует многоуровневые признаки для классификации пациента как положительного или отрицательного.

Кроме этого, проведенное на основе датасетов изображений желудочно-кишечного тракта KVASIR обучение сверточной модели ResNet50 извлекать признаки заболеваний пытается решить давнюю проблему разрастания вычислительных мощностей при обработке нерелевантных признаков. Дополнительное включение в процесс нового слоя Entropy Field Propagation улучшило результаты метрики качества классификации.

7. ДИАГНОСТИКА БОЛЕЗНИ ПАРКИНСОНА.

В разделе NEJM AI медицинского журнала The New England Journal of Medicine 26 июня 2025 вышла статья под названием “Скрининг болезни Паркинсона с использованием искусственного интеллекта и видеороликов с улыбками”.

Авторы описывают созданную ими систему моделей нейросети, обученных на 1452 участниках, включая 391 с болезнью Паркинсона, 300 из которых были клинически диагностированы, а 91 из них сообщили о своем состоянии. Участники использовали онлайн-инструмент для записи себя (либо дома, либо в клинических условиях), имитирующих три выражения лица (улыбку, отвращение и удивление). Для количественной оценки гипомимии были извлечены ориентиры лица и признаки, основанные на единицах действия. Модели нейросети были обучены на этих признаках, чтобы различать людей с болезнью Паркинсона и без нее. Обобщаемость модели была проверена на внешних тестовых наборах данных (из клиники США и Бангладеша).

Данная система моделей, обученных на видео с улыбками, достигла точности диагноза 87,9% и также 89,3% правильности в отличении здоровых людей от больных при перекрестной проверке. При этом не выявлено значимых смещений по полу и этнической принадлежности, за исключением более высокой точности для женщин в бангладешском наборе.

8. ДИАГНОСТИКА ЭПИЛЕПСИИ.

Раздел NEJM AI медицинского журнала The New England Journal of Medicine 26 июня 2025 опубликовал статью под названием “Экспертное обнаружение маркеров эпилепсии в электроэнцефалографии на коротких и длинных временных шкалах”.

Авторы статьи утверждают, что разработали SpikeNet2 - модель глубокого обучения, основанную на архитектуре остаточной (обучаемой на отличиях) нейросети, и усовершенствовали ее с помощью добычи жестких отрицательных данных для уменьшения ложных срабатываний.

В исследовании было проанализировано 17 812 записей электроэнцефалографии от 13 523 пациентов из нескольких учреждений, включая больницы. Для обучения и оценки было использовано в общей сложности 32 433 выборки на уровне событий, отмеченных экспертами.

Модель искала спайки - короткие аномальные электрические импульсы в мозге, которые фиксируются в графиках электроэнцефалографии, чтобы выявлять очаги эпилепсии среди электрических шумов и ложных срабатываний.

Модель показала такие результаты: AUROC (различение положительных и отрицательных результатов: от 0 - не различает до 1 - отлично различает) - 0,942 и AUPRC (доля правильно найденных событий из всех найденных моделью) - 0,948.

9. РАСШИФРОВКА ЭЛЕКТРОКАРДИОГРАММ.

26 июня 2025 г. в разделе NEJM AI медицинского журнала The New England Journal of Medicine вышла статья под названием “Базовая модель электрокардиограммы, построенная на более чем 10 миллионах записей”.

Авторы статьи предлагают ECGFounder - универсальную базовую модель для анализа ЭКГ, которая использует реальные аннотации ЭКГ от кардиологов для расширения диагностических возможностей анализа ЭКГ. ECGFounder создана на основе 10 771 552 ЭКГ от 1 818 247 уникальных пациентов с 150 категориями меток из базы данных Harvard–Emory ECG, что позволяет проводить комплексную диагностику сердечно-сосудистых заболеваний. Модель разработана как эффективное решение «из коробки» и при этом легко адаптируется для выполнения различных задач, что обеспечивает максимальную удобство использования. Ученые расширили применение модели для ЭКГ с уменьшенным числом отведений, особенно одноотведенных ЭКГ. Таким образом, ECGFounder подходит для различных задач в мобильном и дистанционном мониторинге.

Экспериментальные результаты показывают, что ECGFounder достигает экспертного уровня производительности на внутренних наборах проверки AUROC (различение положительных и отрицательных результатов: от 0 - не различает до 1 - отлично различает), превышающей 0,95 для 80 диагнозов. Он также показывает высокую производительность классификации и обобщения по различным диагнозам на внешних наборах проверки. При тонкой настройке ECGFounder превосходит базовые модели в демографическом анализе, обнаружении клинических событий и кросс-модальной диагностике сердечного ритма, превосходя базовые методы на 3–5 баллов в AUROC.

Также их коллеги пытаются автоматизировать с помощью нейросети PanEcho интерпретацию эхокардиограммы.

Они создали 39 меток и измерений трансторакальной эхокардиографии, которым обучили нейросеть. Система показала стабильность и выполняет 18 диагностических задач с высокой точностью и 21 параметрическое измерение эхокардиограммы с нормализованной средней абсолютной ошибкой. К примеру: оценка фракции выброса левого желудочка с ошибкой около 4.2–4.5%, диагностика умеренной и тяжелой систолической дисфункции левого желудочка - 99 %, обнаружение тяжелого стеноза аорты - 100%.

10. ДИАГНОСТИКА ГИПЕРТРОФИЧЕСКОЙ КАРДИОМИОПАТИИ.

02 июля 2025 на сайте крупнейшего научного издателя Nature опубликована статья под названием “Мультимодальный искусственный интеллект для прогнозирования аритмической смерти при гипертрофической кардиомиопатии”.

Внезапная сердечная смерть от желудочковых аритмий является основной причиной смертности во всем мире. Авторы статьи представили инновационную модель нейросети под названием MAARS (Multimodal AI for ventricular Arrhythmia Risk Stratification), разработанную для прогнозирования и интерпретации риска внезапной остановки сердца у пациентов с использованием мультимодальных медицинских данных. при обучении нейросети они использовали демографические данные, анамнез, симптомы, результаты стресс-тестов, результаты эхокардиографии и радиологических исследований, контрастно-усиленные изображения магнитно-резонансной томографии сердца: изображения, показывающие фиброз миокарда, являющийся субстратом для аритмий.

Результаты модели впечатляют: при внутреннем тестировании (на данных обучения) точность составила 89%, а при внешнем тестировании (на новых данных) - 81%. MAARS показала преимущество перед существующими медицинскими системами оценки риска внезапной смерти (такими как ACC/AHA, ESC, HCM Risk-SCD), превосходя их точность на 22–35%.

11. ДИАГНОСТИКА МЕЛАНОМЫ.

В статье от 03 июля 2025 под названием “Оценка опухолевых инфильтрирующих лимфоцитов при меланоме с помощью патологоанатома и искусственного интеллекта” рассказывается о проведенном исследовании, отвечающем на вопрос: можно ли с помощью машинного обучения для количественной оценки TIL (опухолевые инфильтрирующие лимфоциты) в меланоме добиться лучшей воспроизводимости и прогностической значимости по сравнению с традиционным ручным чтением патологоанатомов.

В исследовании приняли участие 98 специалистов из 45 учреждений, которые оценивали 60 образцов меланомы. Алгоритм ANNMAR_24 показал высокую воспроизводимость для всех переменных TIL с коэффициентом внутриклассовой корреляции (ICC) выше 0.90.

Для сравнения: традиционные патологоанатомы имели ICC около 0.61 (по проценту TIL) и Kendall W около 0.44 (по системе Кларка). ANNMAR_24 показал высокую воспроизводимость (ICC > 0.9), значительно лучше, чем традиционные методы патологоанатомов (ICC около 0.6, Kendall W 0.44). Высокая воспроизводимость была достигнута независимо от квалификации участника — как у патологоанатомов, так и у ученых.

12. ДИАГНОСТИКА ШИЗОФРЕНИИ.

В 2021 большинство попыток обнаружить шизофрению осуществлялось с помощью различных типов МРТ. Другие методы обнаружения с использованием ИИ включали ПЭТ, ЭЭГ и методы, основанные на прогнозировании психофизиологических способностей, а также классификации генов и белков.

Об этом пишут авторы статьи “Шизофрения: обзор методов искусственного интеллекта, применяемых для обнаружения и классификации” в журнале International Journal of Environmental Research and Public Health, проанализировав научные статьи на эту тематику за период с 1999 по 2020.

Сегодня ученые совершенствуют диагностику шизофрении, поскольку, как указывают авторы (первая группа индийских ученых) статьи “Улучшенное обнаружение шизофрении с использованием многоканальной ЭЭГ и выбора признаков на основе CAOA-RST”, традиционные методы диагностики основывались на клинических интервью и субъективных решениях; они оказались неэффективными для раннего выявления и продемонстрировали противоречивость.

В статье “Обнаружение шизофрении по сигналам электроэнцефалограммы с использованием метода кодирования изображений и глубокого отбора признаков на основе оболочки”, опубликованной в том же издании Scientific Reports от журнала Nature, авторы (вторая группа индийских ученых) подчеркивают, что примерно 1% населения мира страдает от этого тяжелого психического заболевания. Несмотря на то, что его распространенность составляет около 20 миллионов человек во всем мире, оно остается одним из самых неправильно понимаемых и стигматизированных расстройств.

Эти две группы индийских ученых избрали похожие стратегии конвертации сигналов ЭЭГ в изображения методом переноса обучения сверточных моделей типа CNN (обученных на датасете ImageNet с его 14 млн. изображений) с переобучением последних слоев модели под ЭЭГ-спектрограммы (в том числе с эйвлет-преобразованием). Но архитектура работы сверточных фильтров и слоев нейросетей у этих групп исследователей отличается: VGG16 и ResNet50 соответственно.

Также новостной ресурс Interesting Engineering 04 июля 2025 опубликовал статью о достижении группы тайванских исследователей Тайбэйского госпиталя ветеранов. Данная группа ученых представила инструмент BrainProbe - платформу на базе искусственного интеллекта, разработанную для объективной диагностики шизофрении с использованием МРТ-данных и глубокого обучения.

Система BrainProbe способна выявлять структурные и функциональные изменения мозга, характерные для шизофрении, с точностью до 91,7%. Используя данные сканирования мозга более чем 1500 человек, полученные за более чем десятилетие, включая как здоровых, так и больных шизофренией, нейросеть была обучена обнаруживать едва заметные изменения на ранней стадии, невидимые человеческому глазу.

13. ПРОЕКТ "ФЕНОТИП ЧЕЛОВЕКА" И МОНИТОРИНГ УРОВНЯ ГЛЮКОЗЫ.

Проект PHENO.AI (Фенотип человека) - это комплексное лонгитюдное когортное исследование и биобанк. Цель проекта — выявление новых молекулярных сигнатур, имеющих диагностическую, прогностическую и терапевтическую ценность, а также разработка прогностических моделей на основе нейросети для определения начала и прогрессирования заболеваний.

Проект Pheno.AI призван продолжить легендарный американо-британский проект "Геном человека", реализованный в сотрудничестве с компанией Celera Corporation (теперь QUESTDIAGNOSTICS) по секвенированию человеческого генома, и закончившийся в 2006 выводом о том, что окончательная длина генома человека составляет 2,86 Гб.

Но человечество продолжает проводить исследования и собирать данные в биотехнологической отрасли медицины, развивая системную биологию на различных направлениях. Pheno.AI приглашает к сотрудничеству и призывает загружать свои датасеты в банк для их доступности исследователям всего мира. Данные следует загружать в размеченном виде - в виде таблиц и словарей с индексированием. Для загрузки данных у проекта есть библиотека pheno_utils для Python. С данными можно работать в удобной среде JupyterNotebook.

Чтобы достичь своей цели по глубокому фенотипированию более 100 000 участников по всему миру, проект «Фенотип человека» сотрудничает с ведущими международными исследовательскими институтами и открыт для дополнительных партнеров, желающих присоединиться.

Группа научных сотрудников под руководством докторов Ли Райхера и Смадара Шило из лаборатории Сигала Израильского института имени Вейцмана, сотрудничая с Pheno.AI и Университетом искусственного интеллекта имени Мохаммеда бин Заида в Объединенных Арабских Эмиратах, 15 июля 2025 опубликовала статью в журнале Nature Medicine под названием "Глубокое фенотипирование континуума «здоровье–болезнь» в проекте «Фенотип человека». В статье ученые описали создание многомодальной базовой модели нейросети, обученной с использованием самоконтролируемого обучения на основе данных диеты и непрерывного мониторинга уровня глюкозы, которая превосходит существующие методы прогнозирования начала заболевания. Эта модель может быть расширена для интеграции других модальностей и может действовать как персонализированный цифровой двойник.

14. ДИАГНОСТИКА СИСТЕМНОЙ КРАСНОЙ ВОЛЧАНКИ.

Системная красная волчанка (СКВ) — серьёзное аутоиммунное заболевание, поражающее преимущественно женщин. Однако скрининг СКВ и связанных с ней осложнений представляет собой значительную проблему во всём мире из-за сложных диагностических критериев и низкой осведомлённости населения. Группа ученых их Китая, Сингапура, Великобритании и США в издании Cell Reports Medicine 15 июля 2025 опубликовала статью под названием "Система глубокого обучения для обнаружения системной красной волчанки по изображениям сетчатки", в которой представила разработанную систему глубокого обучения (DeepSLE) для выявления СКВ и её осложнений со стороны сетчатки и почек по изображениям сетчатки. Ученые утверждают, что раннее выявление СКВ и дальнейшие терапевтические меры имеют решающее значение для повышения вероятности ремиссии СКВ и улучшения прогноза для пациента. Тем не менее скрининг СКВ остается глобальной проблемой общественного здравоохранения из-за отсутствия общепринятых, стандартизированных, неинвазивных и экономически эффективных инструментов скрининга для раннего выявления заболевания, особенно среди бессимптомных лиц или лиц с легкими симптомами. Модель нейросети обучалась и валидировалась с использованием изображений глазного дна из различных многоэтнических наборов данных, которые включают более 254 246 изображений, полученных от 91 598 участников из Китая и Великобритании.

15. ПРОГНОЗИРОВАНИЕ ПРОГРЕССИРОВАНИЯ ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ (DR).

Диабетическая ретинопатия является основной причиной слепоты во всем мире. Прогностическая платформа DRForecastGAN (Generative Adversarial Network Forecast Diabetic Retinopathy ForecastGAN), состоящая из генератора, дискриминатора и регистрационной сети, была обучена пекинскими учеными, валидирована и протестирована на обучающих (12 852 изображения), внутренних (2734 изображения) и внешних (8523 изображения) наборах данных. При оценке результатов модели DRForecastGAN она сравнивалась с общедоступными моделями CycleGAN и Pix2Pix, обученными на тех же данных с использованием того же популярного метода поиска оптимальных весов Adam с шагом обновления весов 0.0002 и дополнительной корректировкой на каждом шаге. Показатели DRForecastGAN значительно превзошли результаты моделей без дополнительных модулей. Визуализация прогрессирования DR может помочь врачам объяснить возможные тенденции заболевания DR и необходимое лечение и мониторинг. Кроме того, рекомендация по визуализации сетчатки для пациентов с DR основывалась на общей популяции, что иногда может быть не совсем выгодно с экономической и социальной точки зрения для отдельного человека. Точное прогнозирование может быть использовано для оптимизации частоты последующих обследований сетчатки для отдельного человека, что может повысить эффективность использования медицинских ресурсов. Более того, коммуникация, основанная на будущих изображениях глазного дна, может помочь пациентам лучше понять состояние своего здоровья и повысить их понимание и сотрудничество с лечением.

16. ДИАГНОСТИКА ПРИЧИН ТРЕМОРА.

Болезнь Паркинсона (PD) с доминированием тремора и эссенциальный тремор (ET) — два наиболее распространённых типа тремора, представляющих серьёзные трудности в диагностике. Китайский ученый Moxuan Zhang с коллегами выбрали пациентов с PD с преобладанием тремора в качестве представителей паркинсонического тремора и использовали структурную и функциональную МРТ для анализа морфологических изменений у пациентов с PD в сравнении с пациентами с ET. В итоговую когорту вошли 69 пациентов с PD и 71 пациент с ET. Машинное обучение использовалось для различения различных видов тремора на основе измерений толщины коры. Для обучения модели были выбраны признаки, повторяющиеся более 500 раз. В этом исследовании использовалось пять методов машинного обучения: случайные леса и машины опорных векторов (линейные, полиномиальные, радиально-базисные функции и сигмоидальные). Целью было разработать модель ИИ, которая эффективно различает различные типы тремора индивидуально, используя морфологию мозга в качестве независимых признаков или в сочетании с клинической информацией. В тестовой когорте модели, обученные с использованием переменных морфологии мозга, показали схожую производительность с моделями, обученными с использованием клинических переменных. Производительность модели улучшилась, когда модель обучалась с использованием морфологии мозга в сочетании с клиническими переменными, а не только с использованием одной переменной. Прогностическая эффективность модели значительно улучшилась при использовании фильтрации признаков с меньшим количеством переменных. Этот результат был также подтвержден на внешнем тестовом наборе. Результаты показали, что интеграция морфологии мозга и клинических переменных в модели машинного обучения значительно повышает способность различать типы тремора на индивидуальном уровне, потенциально предлагая более совершенный диагностический инструмент для клинического применения.

Также значительные успехи нейросети демонстрируют в таких областях.

- Прогнозирование раннего биохимического рецидива рака предстательной железы после радикальной простатэктомии - XGBoost. Проанализировали данные 1024 пациентов, из которых 476 столкнулись с осложнением, а 548 нет, используя 25 клинических и патологических показателей. Модель показала 84% точности на основной выброрке, и 89% на отдельной группе из 96 пациентов.

- Собранные с помощью мобильного датчика wGT3X-BT (ActiGraph, США) данные об уровне глюкозы, данные акселерометра и опросов (55 тыс. временных окон по 45 мин.) позволили обучить несколько нейросетей различать состояния человека при прерывистом голодании с точностью 84–88%. Вычисление признаков происходило на основе данных об уровне глюкозы с использованием пакета Cgmquantify Python.

- С помощью нейросети проанализировано действие активного мономера Буфалина на ERα (белок-рецептор ядра клетки, регулирующий рост и выживание клетки). Выяснено, что Буфалин действует на ERα как молекулярный клей, усиливая взаимодействие между ERα и убиквитин E3-лигазой STUB1, что приводит к протеасомной деградации ERα. Исследования подтверждают, что Буфалин оказывает противодействие раку легких, раку печени, колоректальному раку и глиоме, ингибируя рост опухолей. Однако молекулярные механизмы, лежащие в основе противоопухолевой активности Буфалина, еще предстоит выяснить, определив точные противоопухолевые мишени Буфалина для оптимизации его терапевтического применения.

- Сканер зубных оттисков и протезов с нейросетью для создания и отправки зубному технику 3D модели предлагает MIMETRIK.

- Основанная на архитектуре CXR-RANet китайская нейросеть глубокого обучения, разработанная для анализа рентгеновских снимков грудной клетки с целью выявления легочных узлов и раннего рака легких. Она обучалась на 2965 изображениях от 1762 пациентов и показала эффективность 93% в отличении больных от здоровых, превосходя большинство существующих алгоритмов по выделению признаков и классификации.

- Обученная на извлеченных CRISPR-ассоциированных (Cas) белках из базы данных NCBI, классифицированных по генам с удалением избыточных последовательностей, большая языковая модель ESM AIL-Scan позволила обойти старый способ исследования неизвестных белков Cas в метагеномах, основанный на выравнивании последовательностей белков. Кластеризованные регулярно расположенные короткие палиндромные повторы (CRISPR) и CRISPR-ассоциированные (Cas) белки составляют адаптивную иммунную систему у прокариот для защиты от инвазивных генетических элементов. При обучении модели белки Cas были встроены и классифицированы с помощью нескольких меток. Модель прогнозирования активности трансрасщепления была разработана на основе ESM и мелкомасштабных экспериментальных данных трансрасщепления. Обученная модель была применена для обнаружения белков Cas и прогнозирования характеристик из последовательностей, извлеченных из метагенома. Структуры белков были визуализированы с помощью системы визуализации для поисковых исследований и анализа UCSF Chimera.

- Архитектура H-IoT с использованием сверточных нейронных сетей (CNN) для пространственного представления, LSTM для моделирования временных последовательностей и VAE для обнаружения скрытых аномалий продемонстрировала высокую точность при работе с различными физиологическими сигналами. Данный метод, использованный индийскими и американскими учеными, а также их коллегами из АОЕ, открывает перспективы для внедрения в реальных системах мониторинга здравоохранения, носимых устройствах и вспомогательных технологиях в режиме реального времени. В отличие от традиционных систем, которые выполняют каждую задачу отдельно, эта архитектура объединяет все слои в единый конвейер, развертываемый на периферии.

- Нейросеть глубокого обучения семейства моделей видеозрения YOLOv5m - EfficientNet-B5 продемонстрировала высокие результаты (точность до 95%) в скрининге набора для быстрого тестирования OV Rapid Test Kit на изображениях, полученных с помощью мобильного приложения OV-RDT. Модель используется для обработки тестов на холангиокарциному – распространенное злокачественное заболевание в странах бассейна реки Меконг, тесно связанное с хроническими инфекциями, вызываемыми Opisthorchis viverrini. Модель эффективна на ранних стадиях заболевания, когда результаты ультразвукового исследования не всегда могут быть правильно классифицированы неопытными медработниками. Употребление в пищу сырой или частично приготовленной пресноводной карповой рыбы людьми в этих регионах служит основным путем заражения. Северо-восточный регион Таиланда отличается особенно высокой распространенностью описторхоза: в некоторых провинциях уровень инфицирования колеблется от 20 до 70%, что делает его одним из наиболее пораженных регионов мира.

- Многоагентная языковая модель CARE-AD (Collaborative Analysis and Risk Evaluation for Alzheimer's Disease) для прогнозирования начала болезни Альцгеймера путем анализа записей в электронных медицинских картах представлена учеными из Масачусетса (США) в статье на страницах журнала Nature. Болезнь Альцгеймера — прогрессирующее нейродегенеративное заболевание, характеризующееся снижением когнитивных способностей, ухудшением памяти и функциональными нарушениями, что в конечном итоге приводит к потере самостоятельности. В клинической практике специалисты в области неврологии, психиатрии, гериатрии, первичной медико-санитарной помощи и других смежных областей вносят свой вклад в комплексную оценку риска для пациента. Авторы статьи предлагают моделировать эту клиническую процедуру с помощью многоагентной структуры, где каждый агент представляет специализированную область. CARE-AD имитирует виртуальную междисциплинарную консультацию: агенты, представляющие такие клинические области, как первичная медицинская помощь, неврология, психиатрия, гериатрия и психология, анализируют динамику симптомов пациента и предоставляют оценки, специфичные для данной области. Затем эти оценки синтезируются агентом, специализирующимся на болезни Альцгеймера, в индивидуальный прогноз риска. Моделируя временные паттерны симптомов и включая различные клинические точки зрения, CARE-AD стремится повысить чувствительность к ранним признакам, связанным с болезнью Альцгеймера, особенно тем, которые часто недостаточно представлены в структурированных записях, одновременно улучшая интерпретируемость за счет специфичных для агентов данных, которые могут быть проанализированы врачами.

- Сотрудники отделения неотложной медицины клиники Майо во Флориде (США) создали систему точного предсказывания бактериурии с использованием только данных, которые легко доступны во время приема пациента в отделении неотложной помощи. Инфекции мочевыводящих путей являются одними из самых распространенных бактериальных инфекций, однако они часто неправильно диагностируются и неправильно лечатся. Ученые описали метод создания такой модели в статье, где рассказали, что использовали классификатор логистической регрессии, метод k-ближайших соседей, классификатор случайного леса, экстремальный градиентный бустинг (XGBoost - каждая следующая модель учится на остатках (ошибках) предыдущих моделей) и глубокую нейронную сеть, чтобы определить, насколько хорошо они предсказывали 3 результата посева мочи. XGBoost продемонстрировал самую высокую площадь под кривой рабочей характеристики приёмника (AUROC) для всех оцениваемых результатов. Эти исследования свидетельствуют о том, что алгоритмы машинного обучения могут стать ценными инструментами в клинических условиях, помогая прогнозировать результаты посева и принимать решения о начале эмпирической антибактериальной терапии.

- Группа ученых из Индии о АОЕ разработала комбинированную гибридную архитектуру для масштабируемой высокопроизводительной нейронной итерации (CHASHNIt), которая представляет собой интеграцию EfficientNetB7, DenseNet201 и InceptionResNetV2, и превосходит существующие модели по всем показателям. CHASHNIt — это передовая автоматизированная система классификации кожных заболеваний, достигающая баланса между масштабируемостью, точностью и объяснимостью. Единственным недостатком является сложность вычислений, но будущие разработки позволят оптимизировать эффективность для устройств с низким потреблением ресурсов. Целью исследования является преодоление ограничений недостаточной выборки и отсутствия в классификациях редких, но клинически значимых состояний кожи, с помощью гибридной архитектуры и внедрения надежной системы классификации изображений, предназначенной для точного различения 23 классов кожных заболеваний.

Использование рекуррентных (цикличных), сверточных (фильтрующих) и архитектур с механизмом внимания (включая трансформеры) имеет перспективы в прогнозировании эпитопов для разработки вакцин. Эпитоп — это определённый участок антигена, распознаваемый иммунной системой. В-клеточные эпитопы — это белковые участки, связываемые антителами, в то время как Т-клеточные эпитопы — это короткие пептиды, представленные на молекулах MHC, распознаваемых Т-клеточными рецепторами.

Детекция лжи производится совокупностью нейросетей LieXBerta (Lie Detection + XGBoost + RoBERTa). Судебные данные были вручную аннотированы в 10 категорий. Этими данными дообучили модель LLMS (RoBERTa) классифицировать эмоции. Дообученная RoBERTa выдала эмоции (страх, гнев, радость, нейтральность и т.д.) в виде векторов. Полученные векторы объединили с признаками мимики и действий (жестами, поведением) и подали в модель XGBoost (модель деревьев последовательных решений для исправления ошибок). XGBoost значительно повысила качество обнаружения лжи при получении данных об эмоциях людей. Исследование японских ученых о структуре человеческих эмоций и распознавании их с помощью LLM можно прочитать тут.

Нейросеть Cascade RCNN (Convolutional Neural Network, CNN) и графовые нейронные сети GINet (Graph Neural Network) и Knowledge Graphs (KG) используются китайскими учеными для диагностики папиллярной карциномы щитовидной железы (PTC). Процесс состоит из: 1. Извлечения и классификации клеточных признаков; 2. Классификации цитологических признаков и моделирования зависимостей между клетками; 3. Извлечения визуальных признаков и построения визуального графа. Общая точность классификации составляет 88.84%.

Нейросеть Evo 2, предварительно обученная на больших корпусах последовательностей ДНК, включая более двух миллионов геномов бактериофагов, имеет базовую способность генерировать новые фагоподобные последовательности. Ученые Стэнфордского университета (США) при обучении использовали специальные таксономические метки последовательностей, которые были включены вместе с геномными последовательностями во время предварительного обучения, чтобы подсказать моделям генерировать фагоподобные последовательности, используя три подсказки, соответствующие основным вирусным царствам: Duplodnaviria (вирусы с двуцепочечной ДНК), Monodnaviria (вирусы с одноцепочечной ДНК) и Riboviria (вирусы с РНК). Инструмент классификации вирусов geNomad классифицировал 34–38% сгенерированных моделью последовательностей как вирусные.

Японские разработчики из компании SakanaAI создали фреймворк ASAL («Автоматизированный поиск искусственной жизни»), работающий на нейросетевой модели Foundation Model для обнаружения динамических самоорганизующихся паттернов, напоминающих реальные клетки. Система ASAL может находить зарождение жизни там, где его может не заметить человек. Вместе с тем эта система, в отличие от биологии, нацелена на изучение общих свойств всей жизни, а не только отдельных ее проявлений.

Доцент кафедры биомедицинской инженерии Университета Дьюка (Северная Каролина, США) Дэниел Рекер с командой разработал платформу, сочетающую автоматизированные лабораторные методы с нейросетью для создания наночастиц для доставки лекарств. Платформа помогает определить оптимальное соотношение компонентов смеси для формирования стабильной терапевтической молекулы, способной доставлять лекарство в клетку. Ученые утверждают, что технология способна обеспечить доставку трудноинкапсулируемой терапии лейкемии, оптимизировав конструкцию второй противораковой наночастицы.

Проблему контроля над построением организма также решает группа в Генном центре Университета Людвига-Максимилиана (LMU) и Институте биохимии Общества Макса Планка (MPI) при поддержке программы DFG Emmy Noether, работающая на стыке дизайна белков de novo, глубокого обучения и фундаментальной биофизики функций белков. А вот шведские ученые из Гётеборгского университета работают над созданием микроскопических механизмов, используя оптические метаповерхности для локального управления ими. Такие машины могут быть изготовлены стандартными методами литографии и бесшовно интегрированы в кристалл, достигая размеров до десятков микрометров и обеспечивая точность перемещений на субмикрометровом уровне.

Журнал Science Robotics также регулярно публикует достижения роботизированных инструментов, управляемых нейросетями. Так в области хирургии впечатляют результаты по внедрению нейронных моделей Foundation, способных различать изображения в больших обьемах (захват и обработка качественных видеосеквенций в реальном времени) и выполнять функцию беспрецедентно точного наведения для автономного выполнения хирургических операций и процедур по типу введения игл.

Проведение автономных операций уже дает хорошие результаты. Еще в 2022 году ученый Аксель Кригер с группой колег начал обучать модели различать анатомию по изображениям PGB-D («красный-зеленый-синий-глубина»). В июле 2025 обученная ими модель, управляя роботом, совершила 17-шаговую процедуру по вырезанию желчного пузыря у свиньи восемь раз, несколько раз корректируя свои действия самостоятельно и реагируя на голосовые команды, демонстрируя приспособляемость даже в непредвиденных ситуациях.

С учетом развития скоростного интернета, подобные операции можно будет контролировать на расстоянии. Китайские ученые совместно с американскими коллегами создали источники сигналов для полноканальной беспроводной связи, работающие на основе широкополосных перестраиваемых оптоэлектронных генераторов в рекордно широком диапазоне частот от 0,5 ГГц до 115 ГГц с высокой стабильностью частоты и устойчивой когерентностью (устойчивостью к помехам). Фактически шестое поколение (6G) беспроводной связи обеспечит дальнейшее увеличение скорости передачи данных и сокращение задержки, способствуя появлению ресурсоемких услуг, таких как расширенная реальность (XR) и удаленная хирургия. Совместно с новым оптическим волокном, передающим свет по воздуху в полых стеклянных трубках, а не по стеклу, передача данных может существенно ускорится.

Кроме этих достижений мы имеем ряд других, не менее важных.

Устройство для глубокого проникновения в мозг, позволяющее человеку без конечностей играть в компьютерные игры, является одним из многих интерфейсов «мозг-компьютер», которые испытываются на людях в Китае, сообщает журнал Nature. Система BCI, разработанная медицинской технологической компанией StairMed в Шанхае, Китай, похожа на имплантаты, которые испытываются на людях компанией Neuralink, принадлежащей Илону Маску, базирующейся во Фремонте, Калифорния. Устройство StairMed имеет меньше зондов, чем устройство Neuralink, но оно и менее инвазивно.

По данным Bloomberg и Фонда фокусированного ультразвука, в настоящее время в области создания ультразвуковых технологий сканирования и влияния на активность мозга работают по меньшей мере 20 компаний. Одним из неинвазивных способов ультразвукового влияния с использованием нейросетей является изобретение компании Sunmai Транскраниальный фокусированный ультразвук (tFUS) - шлем, влияющий низкоинтенсивным ультразвуком на определенные участки мозга для диагностической визуализации и влияния. Некоторые ученые рассматривают FUS как альтернативу хирургическому вмешательству. Данные, полученные учёными во время экспериментов в предыдущие годы, используются для обучения и тестирования моделей. Например, в публикации от 23 сентября 2023 года в Journal of Neurosurgery группа учёных под руководством нейрохирурга Хао Тана и невролога Анжелики К. Полк описывает сбор данных с коры головного мозга оперируемых пациентов с помощью электрокортикографических сеток — сеток с электродами, регистрирующими сигналы мозга во время краниотомии (вскрытия черепа). Таким образом были получены данные у 82 пациентов.

Многообещающие заявления в области неинвазивного сканирования мозговой деятельности делает стартап Alterego. Разработчики утверждают, что сенсоры Silent Sense дадут Alterego понимание того, что человек хочет сказать, не произнося ни слова. Будем надеяться, что так оно и будет.

В области технологий интерфейса "мозг-компьютер" продвигается и мировой производитель носимых устройств компания Samsung Electronics. Носимые устройства компании вскоре позволят на ранней стадии выявлять и контролировать систолическую дисфункцию левого желудочка – серьёзное сердечно-сосудистое заболевание, которое является причиной примерно 50% всех случаев сердечной недостаточности. Также, совместно с разработчиком нейросетевых медицинских платформ MEDICALAI Samsung Electronics разработала ушные устройства Ear-EEG — относительно новую форму электроэнцефалограммы, в которой используются электроды, расположенные вокруг ушей или внутри ушного канала.

Группа микробиологов и техников-электронщиков из Массачусетского университета (США) представила устройство, способное имитировать функции нейронов мозга. Устройство соответствует биологическим нейронам по ключевым параметрам, таким как амплитуда сигнала, энергия импульса, временные характеристики и частотная характеристика. Искусственный нейрон может подключаться к биологической клетке для обработки клеточных сигналов в режиме реального времени и интерпретации её состояний. Эти результаты расширяют возможности создания биоэмулированной электроники для улучшения биоэлектронного интерфейса и нейроморфной интеграции.

Ученые Сиднейского университета выяснили, что анальгетические (обезболивающие) реакции мозга имеют пространственную локализацию. Это значит, что наш мозг обладает способностью опосредовать избирательный контроль боли в отдельных участках тела.

Стартап от Sunmai заявляет конкуренцию таким известным малоинвазивным проектам, как SYNCHRON, PRECISION, PARADROMICS и другим, вроде заявленного OpenAI проекта Merge Labs.

В направлении мозговых исследований движется и проект PIRAMIDAL, поддерживаемый стартап-платформой Y Combinator. В сотрудничестве с Кливлендской клиникой проект обучает нейросеть на данных ЭЭГ, собранных с десятков тысяч пациентов. Нейросеть обучается выявлять аномалии в реальном времени.

Доцент кафедры нейрохирургии Стенфордского университета Френсис Уиллетт с коллегами используют интерфейсы "мозг-компьютер", чтобы помочь людям, чей паралич лишает их возможности говорить. Ученые используют микроскопические массивы микроэлектродов (каждый размером меньше горошины), хирургически имплантированные в поверхность мозга, для регистрации паттернов нейронной активности непосредственно в мозге. Эти сигналы затем передаются по кабелю в компьютерный алгоритм, который преобразует их в действия, такие как речь или движение курсора.

Значительными в отрасли воздействия на мозг являются клинические исследования кафедры психиатрии и поведенческих наук Университета Миннесоты (США). Особенно интересен уникальный опыт профессора Заида Нахаса в области функциональной нейровизуализации и стимуляции мозга различными методами - транскраниальная магнитная стимуляция (ТМС), стимуляция блуждающего нерва (VNS), эпидуральная префронтальная стимуляция коры (EpCS), глубокая стимуляция мозга (DBS), электросудорожная терапия (ЭСТ) и фокальная электросудорожная терапия (FEAST).

Разработка механизмов передачи ощущений от человека к машине и обратно ведется учеными Китайской академии наук в области систем восприятия, имитирующих функции биологических нервных систем. Исследователи

, что ограничение ионов внутри слоистых мембран оксида графена может быть использовано для создания мемристивного устройства (запоминающего количество проходящего тока), способного одновременно выполнять синаптические функции и химическое сенсорное восприятие. Разработав методику замедления транспорта ионов и вызова их мемристивного поведения, ученые создали нанофлюидное устройство, которое подключается к алгоритмам резервуарных вычислений (специальной обученной нейросети) и способно классифицировать сладкий, соленый, горький и кислый вкусы.

Также сравнение работы нейросетей при диагностике глаукомы проанонсировала 17 июня 2025 года на ресурсе Cochrane Library группа учёных во главе с научным сотрудником Лондонской глазной больницы Каляном Вемулапалли, подробно описав протокол будущих исследований, который они разработали.

Проблема глаукомы заботит человечество. Примерно 10% из 70 миллионов человек с глаукомой слепы на оба глаза, что делает ее основной причиной необратимой слепоты в мире. Глаукому подразделяют на две большие категории: открытоугольную и закрытоугольную. Как открытоугольная, так и закрытоугольная глаукома могут возникать без известной основной причины, как первичная глаукома. Вторичная глаукома может быть результатом травмы, приема лекарств, воспаления, опухоли и других состояний (например, дисперсии пигмента или псевдоэксфолиации). Нам остается пожелать этим ученым удачи.

Доктор Шафи Балал с командой ученых из глазной больницы Moorfields (в Лондоне) представили на 43-м конгрессе Европейского общества катарактальных и рефракционных хирургов (ESCRS) диагностическую методику выявления кератоконуса, который встречается у 1 из 350 человек. Исследователи использовали нейросеть для анализа 36 673 изображений ОКТ 6684 разных пациентов, а также других данных пациентов. Алгоритм нйеросети мог точно предсказать, ухудшится ли состояние пациента или останется стабильным, используя изображения и данные только первого визита. Используя нейросеть, исследователи смогли отнести две трети пациентов к группе низкого риска, которым не требовалось лечение, а другую треть — к группе высокого риска, которым требовалось срочное проведение кросс-линкинговой терапии.

Журнал Springer Nature опубликовал результаты исследования, проведённого с использованием нейросети на основе 336 изображений, содержащих 206 переломов, установленных по единому мнению двух рентгенологов у 48 пациентов (средний возраст - 12 лет), больных несовершенным остеогенезом (генетическое заболевание, характеризующееся хрупкостью скелета и повышенным риском переломов), в детской больнице Грейт-Ормонд-стрит в Лондоне. В целом, рентгенологи показали лучшие результаты в диагностике переломов, чем те, кто использовал только искусственный интеллект: точность за одно исследование составила 83,4% [95% ДИ: 75,2%, 89,8%] против 74,8% [95% ДИ: 65,4%, 82,7%] соответственно. Однако рентгенологи, использующие искусственный интеллект дополнительно, продемонстрировали значительное улучшение результатов по сравнению с рентгенологами, работающими самостоятельно: средняя точность за одно исследование увеличилась на 7,3% - до 90,7% [95% ДИ: 83,5%, 95,4%].

Журнал Nature india сообщает, что инструмент машинного обучения может точно определять ферменты, способные расщеплять определенный загрязнитель, после просеивания миллионов бактериальных ферментов. Нейросеть «XenoBug» может определять ферменты, которые потенциально способны расщеплять пестициды, пластик, побочные продукты переработки нефти и фармацевтические отходы. Его разработчики из Индийского института естественнонаучного образования и исследований в Бхопале утверждают, что он также раскрывает взаимодействие микробов и загрязняющих веществ в различных средах и отслеживает пути деградации.

Не требующую больших вычислительных мощностей для диагностирования болезней растений нейросеть создали ученые из Индии на основе технологии гибридного глубокого обучения и технологий Grad-CAM и Grad-CAM++ (карт низкого разрешения локализации по данным класса для выделения важных областей изображения без потери фокуса).

Австралийские биоинженеры Александр Дж. Коул, Кристофер Э. Денес и другие создали методику PROTein Evolution Using Selection (PROTEUS) – платформу, использующую химерные вирусоподобные везикулы для обеспечения длительных кампаний направленной эволюции млекопитающих без потери целостности системы. Эта платформа стабильна и способна генерировать достаточное разнообразие для направленной эволюции в системах млекопитающих. Фактически они успешно испробовали биоинженерную систему, способную ускорять направленную эволюцию белков прямо внутри клеток млекопитающих, позволяющую учёным создавать и отбирать новые версии белков, которые лучше работают или обладают нужными свойствами, не выходя за пределы живой клетки. Если раньше это делалось в пробирках и бактериях, что значительно понижало контроль над результатом.

Сиэтлский Институт системной биологии (ISB) 26 июня 2025 сообщил о запуске генеративной модели нейросети TARPON, разработанной директором института Джимом Хитом и исследователем Дэниелом Ченом. Обученная на более чем миллионе последовательностей человеческих Т-клеточных рецепторов (TCR), TARPON раскрывает фундаментальные «наборы правил», управляющие развитием и функционированием иммунной системы, особенно на ранних этапах развития плода, в тимусе, где иммунные клетки впервые учатся отличать «свое» от «чужого». TARPON анализирует гипервариабельную область Т-клеточных рецепторов (Т-клеточных рецепторов) – уникальных белковых последовательностей, позволяющих Т-клеткам распознавать чужеродные клетки – и отображает их в 42-мерном пространстве. На основе этого модель может генерировать совершенно новые, реалистичные Т-клеточные рецепторы, показывая, как иммунная система может реагировать на вирусы, раковые клетки и даже новые патогены.

Медицинское страхование в США.

В сфере медицинского страхования в 2025 году использование нейросетей не является чем-то новым. Особенно в США. Опрос, проведённый в 16 штатах США, показал, что 84% медицинских страховых компаний в настоящее время используют искусственный интеллект и машинное обучение в той или иной степени. Эти инструменты применяются в различных линейках медицинских продуктов, включая индивидуальные и групповые программы медицинского страхования, а также программы студенческого медицинского страхования.

Одной из проблем такого страхования в США является требование получения врачами одобрения на оплату от страховой компании перед проведением покрываемой страховкой медицинской процедуры. Автор статьи под названием "Боль предварительных разрешений: последствия деприоритета человеческой жизни в пользу сдерживания затрат" Аджита Ханель пишет о большом количестве случаев, когда лечение не происходит или происходит с задержкой из-за необходимости получения такого подтверждения.

Правительство пытается регулировать эту сферу. Например, в штате Колорадо (США) в 2023 году было принято регулирование, направленное на предотвращение дискриминации при принятии страховщиками решений об оплате медицинских процедур. Также другие штаты приняли ряд резолюций и законов, регулирующих использование алгоритмов искусственного интеллекта.

Действующий в США федеральный закон о MEDICARE и федеральная программа Medicare Advantage, поддерживающие медицинское страхование для лиц от 65 лет и старше, а также для инвалидов, содержат принцип преимущественного права — преобладания федерального закона над законами штатов. Это определяет почти одинаковую практику решения системы провосудия в исках клиентов страховых компаний.

И хотя страховые компании утверждают, что используют нейросетевые алгоритмы для улучшенного прогнозирования рисков и определения уровня необходимости лечения, сами алгоритмы они не публикуют. Это вызывает сомнения у некоторых журналистов, которые считают, что страховые компании применяют алгоритмы как инструмент отказа от выплат с целью уменьшения расходов. Так, авторы статьи "Искусственный интеллект отказывает: как планы Medicare Advantage используют алгоритмы, чтобы лишить нуждающихся пожилых людей возможности получать помощь" 2023 года Кейси Росс и Боб Херман утверждают, что под видом научной строгости страховщики используют нерегулируемые предиктивные алгоритмы, чтобы точно определить момент, когда можно обоснованно прекратить оплату лечения пожилого пациента.

Профессор права, научный сотрудник Института национального и глобального права здравоохранения имени О'Нила Дженнифер Д. Олива в своей статье на страницах SSRN (Social Science Research Network) пишет, что в отличии от клинических алгоритмов, используемых медицинскими учреждениями и поставщиками медицинских услуг для диагностики и лечения пациентов, алгоритмы страхового покрытия не регулируются и, следовательно, не проходят оценку безопасности и эффективности Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) перед выпуском на рынок.

Удаленная медицинская помощь.

Виртуальные онлайн-сервисы медицинской помощи тоже спешат перейти на работу с нейросетями.

Американские сервисы виртаульной круглосуточной медицинской помощи CEDARS-SINAI CONNECT и K HEALTH запустили приложения виртуального ухода на основе нейросети. Они утверждают, что это повысило эффективность оказания медицинской помощи онлайн.

Также работают на основе нейросетевых моделей и такие медресурсы, как HACKENSACK MERIDIAN HEALTH (с подключением в K Health), TELADOC HEALTH, EMED HEALTHCAREUK (бывшая Babylon Health), CURAI HEALTH, YOUR.MD (HEALTHILY), DOXY.ME со своим сервисом видеозвонков DOXIMITY DIALER и другие.

Ученые предлагают создание медицинских нейросетевых агентов, как врачей для медицинских консультаций, на основе объединения диалогового компонента, компонента памяти и компонента обработки, который генерирует отчеты из собранной информации. Для обучения агента и оценки результатов они использовали датасет реальных медицинских диалогов и экспертную оценку врача.

Как видим, неросети в медицине сделали один большой и твердый шаг навстречу будущему с искусственным интеллектом. Мы можем пожелать им поменьше преград на этом длинном и сложном пути. А нам с вами я хочу пожелать здоровья и долголетия.

Спокойно и вдумчиво берегите себя.

Проходите SAID тест, чтобы еще раз убедится, что нейросеть не способна нас обмануть.

said-корреспондент🌐