СТОП НЕЙРООБМАН

ДІАГНОСТИКА ТА ЛІКУВАННЯ. НЕЙРОМЕРЕЖІ В СУЧАСНІЙ МЕДИЦИНІ.

07.07.2025
Оновлено 08.10.2025

Науковці називають нейромережі системами алгоритмічного прийняття рішень (ADM – Algorithmic Decision-Making systems). Це правильне формулювання. Називати такі системи штучним інтелектом поки що передчасно, хоча ми й спостерігаємо вражаючу імітацію людського інтелекту з боку провідних нейромереж.

Наприклад, популярний медичний чат DOCTRONIC стверджує, що вже допоміг понад 12 мільйонам людей. Його щире ставлення до кожного слова звернення викликає зворушення.

У науці нейромережі вже давно виконують роль спеціалізованих асистентів, створених самими вченими для полегшення обчислень і перевірки результатів.

Цифрові асистенти - спеціалізовані експертні системи (DDSS – Diagnostic Decision Support System) вже не перший рік допомагають лікарям ставити діагнози. У своїй статті “Спеціалізована експертна система ШІ проти генеративного ШІ з великою мовною моделлю для клінічної діагностики” Мітчелл Дж. Фельдман, Едвард П. Хоффер, Джаред Дж. Конлі та інші описали порівняння двох сучасних DDSS із двома неспеціалізованими LLM. Результати порівняння ви можете побачити на зображеннях.

Науковці використали 36 унікальних клінічних випадків, які не були раніше опубліковані, що виключає їх використання для навчання моделей LLM. Кожна система видавала список можливих діагнозів. Якщо серед перших 25 варіантів був правильний діагноз - це вважалося успіхом. Дослідження показало, що DDSS з повним набором даних частіше включали правильний діагноз до топ-25, ніж LLM, особливо у разі наявності лабораторних результатів. Водночас LLM також продемонстрували високу точність, попри відсутність вузької спеціалізації на медичній тематиці. Це підкреслює потенціал LLM у діагностиці - особливо при інтеграції з медичними даними.

Медична робототехніка.

А ось доктор філософії Майя Материч та її колеги з Університету Південної Каліфорнії (США) створюють недорогих соціальних роботів Blossoms на основі LLM. Ці роботи спілкуються з людьми, надаючи соціально-емоційну підтримку за допомогою методів когнітивно-поведінкової терапії.

Розробники з університету прагнуть створити щось на кшталт приємного домашнього улюбленця, який здатен не лише поговорити з людиною, але й допомогти їй запам’ятати хороше та забути погане. Роботів доставляють у будинки для людей похилого віку, де соціальна робототехніка може стати в пригоді людям з деменцією.

М’якого робота з ChatGPT для літніх людей розробила південнокорейська компанія HYODOL. Роботи компанії синхронізуються з домашнім інтернетом речей і допомагають літнім людям в організації побуту.

Свого робо-песика з подібними функціями представила компанія TOMBOT на виставці BIOHACKERS WORLD у Лос-Анджелесі. На цьому заході також було представлено багато інших цікавих стартапів, зокрема з нейромережевими інтерфейсами. Особливо цікавим є стартап OPTICAREAI, який аналізує стан кровопостачальної та нервової систем за сітківкою ока.

Медичні роботи, які допомагають у медзакладах, продовжують свій розвиток. Американська компанія DILIGENT ROBOTICS розширює й універсалізує можливості свого робота Moxi. Ці роботи допомагають медперсоналу в клініках США, а також займаються доставкою ліків.

Різні роботизовані системи в галузі медицини, а також роботів-доставників розробляє американська компанія RICHTECH ROBOTICS. Компанія співпрацює з розробником процесорів для нейромереж NVIDIA та пропонує розширений спектр рішень для автоматизації медичних послуг.

Дочірній підрозділ розробника роботизованої техніки KUKA, компанія SWISSLOG HEALTHCARE, вже багато років працює на ринку автоматизації медичних послуг. Серед її розробок - логістика, зберігання, дозування, відстеження прийому ліків та інші послуги. Також компанія Swisslog Healthcare у співпраці з компанією RELAY ROBOTICS пропонує робота для доставки лікарських засобів.

LIO — мобільний сервісний робот, оснащений колаборативною рукою, голосовим керуванням та автономною навігацією, від швейцарської компанії F&P Robotics.

Історія пам’ятає таких невтомних медпрацівників, як працюючий з 2016 року Hospi-R від Panasonic та оснащений двома функціональними маніпуляторами HoLLiE.

Сьогодні ж нове покоління гумноїдних роботів на кшталт Unitree та інших уже доступне для придбання у магазинах ROBOWORKS (США) або ROBOSAVVY (Велика Британія).

Розвиток медичних нейромереж.

На сьогоднішній день у медичній науці та практиці кількість нейромереж різко зросла у зв’язку з підвищенням обчислювальних потужностей.

У січні 2025 року провідний медичний журнал *The Lancet Digital Health* опублікував статтю про результати проведеного дослідження медичних нейромереж за останні 10 років. У статті зазначено, що вона не була профінансована жодною організацією, та містить витяг з сотень публікацій про нейромережі в медицині.

Критеріями відбору таких публікацій були:

1. пацієнти - люди;

2. втручання, які включають алгоритмічні системи прийняття рішень, розроблені з використанням машинного навчання (ML);

3. результати, що описують користь і шкоду для пацієнта, які безпосередньо впливають на здоров’я та якість життя - такі як смертність і захворюваність.

Дослідження, що не пройшли попередню реєстрацію, не мали контролю стандартів медичної допомоги або стосувалися систем, які лише допомагають у виконанні дій (наприклад, у робототехніці), були виключені.

Пошук публікацій проводився за допомогою систем корпоративного медпорталу MEDLINE, медичної бази даних EMBASE, цифрової бібліотеки XPLORE громадської благодійної організації IEEE, а також наукового пошуковика GOOGLE SCHOLAR.

Описані в знайдених публікаціях дослідження перевірялися на відповідність вимогам звітності згідно зі стандартами CONSORT-AI або TRIPOD-AI.

Із 2 582 знайдених публікацій лише 18 відповідали стандартам рандомізованого контрольованого дослідження (RCT).

Проте автори статті стверджують, що жодне з виявлених досліджень не зазначило у своїй звітності зв’язок між несприятливими подіями у пацієнтів та втручанням із застосуванням комплексу дій за участі нейромережі.

Автори підкреслюють, що показники продуктивності з точки зору точності не гарантують клінічну ефективність, застосовність або покращення якості догляду за пацієнтами. Незважаючи на позитивні результати в багатьох випробуваннях, найчастіше пріоритет надається саме діагностичній точності, а не клінічно значущим наслідкам. Це контрастує з суттєвим зростанням схвалення медичних пристроїв на основі штучного інтелекту та машинного навчання у США та Європі з 2015 року.

Також автори статті вказують на виявлення їхніми колегами того факту, що більшість медичних пристроїв з підтримкою машинного навчання, які були схвалені Управлінням з контролю за продуктами і ліками США (FDA), отримали це схвалення без підтвердження ефективності у рандомізованих контрольованих випробуваннях (РКВ). Ці дані, за словами науковців, вказують на критичний розрив у розробці штучного інтелекту, коли аналітичну точність ставлять вище за результати, що мають значення для пацієнтів у системі охорони здоров’я.

Наведене вище дослідження цінне саме своїм критичним поглядом на сферу застосування нейромереж у медицині з точки зору користі для пацієнта.

Важко не погодитися з цими науковцями - медицина існує саме для того, щоб лікувати.

Непоганий аналіз нейромереж у медицині та стоматології зокрема представили в цій статті Еніс Веселі, Моджтаб Мехрабанян та Нур Аммарот 08 серпня 2025 на сторінках Британського стоматологічного журналу (BDJ).

Водночас між розробниками нейромереж, організаціями, які впроваджують їх на практиці, та регуляторами існує чимало запитань.

Розробники часто стикаються з дефіцитом якісних, різноманітних і репрезентативних даних для навчання та валідації моделей. Вони вважають, що чинні регуляторні рамки, як-от у FDA (регулятор США), не завжди застосовні до всіх AI-продуктів, і що потрібен більш гнучкий підхід до оцінки та моніторингу.

Ті, хто впроваджує ці системи, прагнуть більшої ясності щодо того, хто несе відповідальність у разі помилки ШІ, а також - які вимоги до безпеки та якості. Вони також зазначають брак підтримки та освіти для персоналу з питань ШІ, тоді як розробники часто не враховують реальні умови роботи медичних установ і потреби користувачів.

Така ситуація вимагає перших кроків до стандартизації - глибокого вивчення ринку попиту та пропозицій, запровадження сучасної бібліотеки метрик і технічних стандартів, здатних реалізовуватись у нових технологіях без втрати якості.

Практикуючі лікарі зазначають, що при великій кількості прийомів пацієнтів робоче навантаження в загальній практиці є величезним. Щоб обробити весь цей обсяг, компанії, що займаються штучним інтелектом, вимагають, аби клінічна відповідальність залишалась за лікарями. Така ситуація створює нове «невидиме» когнітивне навантаження на лікарів загальної практики, яке виникає через постійні перевірки нейромереж на можливі помилки.

Зараз серед лікарів стрімко поширюється нейромережева технологія “AI SCRIBE” (DRAGON AMBIENT EXPERIENCE (DAX) від Nuance, ABRIDGE, SUKIAI, DEEPSCRIBE, HEIDI HEALTH та інші), кількість пропозицій якої на ринку вже перевищує сотню.

Прогнози галузі свідчать, що до кінця 2025 року до 30% постачальників медичних послуг будуть використовувати ту чи іншу форму технології пишучих нейромереж. Такі нейромережі розшифровують клінічні консультації в режимі реального часу, створюючи стислі нотатки, які можна вносити до електронних медичних карт.

Вони можуть підвищити ефективність, скорочуючи час, витрачений на написання нотаток, і звільняючи час лікаря для догляду за пацієнтами. Хоча деякі дослідження показують, що інструменти транскрипції можуть зменшити час документації лише на одну хвилину на контакт, користувачі відзначають зниження суб'єктивного навантаження. Розробники одного з таких інструментів повідомляють про значнішу економію часу - щонайменше 90 хвилин на день для лікарів загальної практики.

Національна служба охорони здоров'я Великої Британії (NHS) навіть заборонила своїм працівникам використання будь-яких інструментів штучного інтелекту для запису навколишніх даних, які офіційно не зареєстровані для медичного застосування у Великій Британії.

У зв'язку зі збором біометричних даних у Бразилії було заборонено популярний пристрій для заробітку криптовалюти Worldcoin ORB, який використовує мультиспектральні сенсори для визначення особистості за сітківкою ока. У США та інших країнах це питання поки що обговорюється, а популярність стартапу Tools for Humanity продовжує зростати.

Щоб гарантувати безпеку передових систем нейромереж для людини, нейромережі повинні надійно діяти відповідно до людських цінностей. Так вважають співробітники Віденського медичного університету Наталі Марія Кірх, Константін Хебенштрайт та Маттіас Самвальд. Вони презентували бенчмарк TRIAGE - стандарт медичної сортування, заснований на існуючих моделях медичного сортування серії START. Це процес сортування пацієнтів відповідно до тяжкості їхніх травм для порятунку якомога більшої кількості життів з урахуванням обмежених ресурсів.

В той же час з іншого боку на співпрацю людини з нейромережами дивляться члени Шаундунської академії наук (Китай) Yanyan Liu, Fan Sheng та Ruyue Liu - автори статті про симпатію працівників різних галузей до штучного інтелекту. Вчені вважають, що працівники розглядають свою орієнтацію на нейромережеві технології як новий досвід і можливість кар’єрного просування. Вони провели невелике дослідження і з’ясували, що прийняття нових нейромережевих технологій сприяє позитивному ставленню до роботи, узгодженому із цілями організації.

Безпосередній внесок у розвиток медичних нейромереж зробила компанія Google, навчивши одну з моделей сімейства Gemma на медичних даних. MEDGEMMA від Google — дослідницька модель з відкритим вихідним кодом, яка аналізує медичні зображення (рентгенівські знімки, КТ, МРТ і гістологічні зображення), резюмує клінічні звіти, ставить діагнози та оцінює ризики.

Консорціум Biomedical Data Translator Національного центру з розвитку трансляційних наук оголосив 9 липня 2025 року про перший публічний випуск Biomedical Data Translator — потужної системи з відкритим вихідним кодом, заснованої на графах знань і призначеної для інтеграції та гармонізації обширних і складних наборів біомедичних даних з метою прискорення трансляційної науки та лікування пацієнтів. Translator інтегрує різні типи наявних джерел даних, включаючи об’єктивні ознаки та симптоми захворювань, ефекти лікарських препаратів і супутні біологічні дані, важливі для розуміння патофізіології. Дослідник може використовувати транслятор біомедичних даних NCATS для запитів конкретної біомедичної інформації.

Багато дослідників не мають легкого доступу до експертів із різних галузей науки. Про цю проблему заявили доктор комп’ютерних наук Стенфордського університету Кайл Свонсон та його команда. Вони розробили рішення у вигляді віртуальної лабораторії, що складається з головного дослідника LLM, який керує командою науковців-агентів LLM через серію дослідницьких зустрічей, а дослідник-людина забезпечує зворотний зв’язок високого рівня. Першим дослідженням віртуальної лабораторії стала розробка зв’язувальних нанотіл для останніх варіантів Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), який спричиняє захворювання Coronavirus Disease 2019 (COVID-19).

Також 6 серпня 2025 року NCATS опублікував технологію ранньої діагностики бокового аміотрофічного склерозу (БАС), який викликає параліч, розроблену в рамках програми «Тканинні чипи для скринінгу ліків». Це тривимірна модель клітинної культури — орган-на-чипі. Вчені назвали її чипом спинного мозку. Чип вирощує мікронейрони та ендотеліальні клітини (клітини, що вистилають кровоносні судини і регулюють кровотік) разом у паралельних камерах мініатюрного чипа, відомого як мікрофлюїдний пристрій.

Не можна не відзначити й наявність великої кількості доступних медичних баз даних (датасетів), які дозволяють не лише навчати нейромережі, а й створювати тестери (бенчмарки), здатні оцінювати можливості нейромереж з точки зору медицини.

Однією з найкращих можна назвати HEALTHBENCH від OpenAI. HealthBench використовує інформацію від більш ніж 260 лікарів із 60 країн для розробки обґрунтованих з медичної точки зору критеріїв оцінки, а також тестує продуктивність ШІ у широких клінічних сценаріях за допомогою понад 5000 багатоходових діалогів лікаря та пацієнта і більш ніж 48 000 пунктів рубрики. Використовує датасети раку, COVID-19, кардіології, неврології та інших хвороб. До його збірок даних можна отримати доступ для тренування власних моделей.

Крім цього, ми можемо використовувати такі датасети, як MIMIC-III — велика, загальнодоступна база даних, що містить знеособлені дані про стан здоров’я понад сорока тисяч пацієнтів, які перебували у відділеннях інтенсивної терапії медичного центру Beth Israel Deaconess у період з 2001 по 2012 рік. Також MIMIC-CXR або PADCHEST.

CHEXPERT — великий набір даних рентгенівських знімків грудної клітки і конкурс з автоматизованої інтерпретації цих знімків, що включає мітки невизначеності та оціночні набори з еталонними даними, розміченими радіологами.

NIH CHESTX-RAY14 DATASET (CXR8) — 112 120 зображень (рентгенів грудної клітки), 30 805 пацієнтів, 14 діагнозів.

COVID-19 IMAGE DATA COLLECTION — набір даних рентгенограм грудної клітки та КТ-знімків пацієнтів із підозрою на COVID-19 або інші вірусні й бактеріальні пневмонії.

BRAIN TUMOR SEGMENTATION CHALLENGE — датасети багатоустановчих передопераційних МРТ-сканувань, що фокусуються на сегментації пухлин головного мозку. І ще багато інших корисних датасетів.

Велику базу даних класифікацій лікарських форм, витратних матеріалів, рецептів, транзакцій між постачальниками, одиниць дозування та пов’язаних понять розробляє Національна рада з програм відпуску лікарських засобів (NCPDP). До бази NCPDP інтегрується федеральна термінологія лікарських засобів (FMT) у США, яка являє собою набір контрольованих термінів і кодових наборів із систем словників компонентів, розроблених та підтримуваних Управлінням із санітарного нагляду за якістю харчових продуктів і медикаментів (FDA), Національною медичною бібліотекою США, Управлінням у справах ветеранів США, Національним інститутом раку та Агентством з досліджень і якості охорони здоров’я. Термінологія компонентів Національного інституту раку у складі FMT представлена у тезаурусі Національного інституту раку (NCI).

Анотований набір даних НДКТ-зображень раку легень та супровідна документація для подальшого використання у навчанні й тестуванні моделей викладені у відкритий доступ на Zenodo дослідниками з Китаю. Кожне КТ-зображення вручну анотувалося з точністю до пікселя вздовж контурів пухлини дослідником із дворічним досвідом роботи в галузі візуалізації та рентгенологом-онкологом із п’ятирічним досвідом роботи. З усім процесом можна ознайомитися в їхній статті.

Анотований набір даних, що включає 330 об’ємних сканів 74 пацієнтів із різними захворюваннями шкіри DERMA-OCTA (Оптична когерентна томографія-ангіографія), викладений у відкритий доступ. Набір даних містить вихідні 2D- та 3D-знімки, а також версії, оброблені п’ятьма різними методами попередньої обробки, та референсні 2D- та 3D-сегментації. Для кожної версії надаються мітки сегментації, створені з використанням архітектури U-Net як підходів до 2D- та 3D-сегментації.

Фреймворк для навчання моделі Random Forest для управління дозуванням коагулянту (очисника води) на очисних спорудах представили вчені з Китаю. На даному етапі автори повідомляють про складнощі розміщення моделі в хмарних сервісах через низьку швидкість надходження даних. Проте вони намагаються вирішити проблему архітектури системи збору даних про воду та онлайн-корекції рівня коагулянту з урахуванням хмарних технологій.

Ще один корисний кейс з Китаю щодо визначення ранніх генетичних захворювань за фенотипом обличчя за допомогою існуючих LLM із додаванням RAG описують автори статті під назвою "Доповнені графічним пошуком великі мовні моделі для рідкісних генетичних захворювань, пов’язаних з фенотипом обличчя." Китайські вчені побудували граф знань про фенотип обличчя на основі 509 відповідних публікацій про рідкісні генетичні захворювання, пов’язані з фенотипом обличчя, і об’єднали його з двома типами графів RAG (Cypher RAG, Vector RAG). Усі дані, код, включно з бенчмарковими наборами, оприлюднені у відкритому доступі.

Конструктивний підхід до обліку та приведення всіх існуючих і створених у майбутньому датасетів до єдиних стандартів дозволить створити велику й універсальну базу медичних знань людства, на основі якої ми зможемо навчити майбутній справжній штучний загальний інтелект (AGI — Artificial General Intelligence).

Попереду велика робота, і ми впевнені, що зусилля дозволять досягти нечуваних зараз результатів у сфері загальної медицини та геронтології зокрема.

Наприклад, компанія Retro Biosciences, що займається фармацевтикою у сфері омолодження клітин, була профінансована Семом Альтманом, генеральним директором OpenAI, ще у 2023 році. Вчені розробляють терапію стимуляції автофагії для очищення клітин організму від накопичення білкових агрегатів і пошкоджених біомолекул.

А британський підрозділ Google - DeepMind разом із співробітниками Європейської лабораторії молекулярної біології (EMBL) створили програму на основі нейромережі AlphaFold, що передбачає структуру білка за його амінокислотною послідовністю. У 2024 році творців програми було відзначено Нобелівською премією за використання AlphaFold 2 для передбачення в галузі згортання білків.

Провідний розробник графічних процесорів NVIDIA розширює можливості молекулярного дизайну. Компанія представила генеративну модель ReaSyn, створену для прогнозування шляхів молекулярного синтезу, яка також враховує обмеження наявних підходів. Вчені підкреслюють, що хімія стикається з проблемою прогнозування шляхів молекулярного синтезу, де шлях включає низку проміжних етапів. Прогнозування шляху - критично важливий етап у розробці ліків, хімічних речовин і матеріалів, адже молекула, якою б перспективною вона не була, має цінність лише тоді, коли її можна синтезувати. ReaSyn використовує унікальну нотацію ланцюга реакцій (CoR - Chain of Reactions), натхненну підходом ланцюга міркувань CoT (Chain of Thought) у LLM, у поєднанні з алгоритмом пошуку під час тестування.

Керування утворенням молекулярної основи речовин активно використовується моделями провідних компаній під час розробки нових матеріалів. Мільярди органічних молекул були згенеровані обчислювальним шляхом, однак функціональні неорганічні матеріали залишаються рідкісними через обмеженість даних і структурну складність, зокрема й медичних сполук. Вчені з Массачусетського університету (США) представили фреймворк SCIGEN, який забезпечує геометричні обмеження - такі, як стільникові та кагоме (з рівносторонніх трикутників і шестикутників) ґратки - у дифузійних генеративних моделях для виявлення кандидатів на стабільні квантові матеріали. Цей підхід дає змогу згенерувати десять мільйонів неорганічних сполук з архімедовими та лібівськими ґратками, понад 10% з яких проходять багатоступеневий скринінг стабільності.

На ринку представлені програми з машинним навчанням для вивчення патологій на біозображеннях. Серед них відомий з початку тисячоліття потужний IMAGEJ, гнучкий QuPath, а також інші не менш корисні для дослідників інструменти, такі як CELLPROFILER, APHELION, відкрита ICY та інші, частину з яких можна знайти на Awesome-biological-image-analysis.

Ті, хто бажає вивчати основи анатомії та фізіології, можуть дослідити інтерактивні 3D-моделі людського тіла на таких сайтах, як ZYGOTOBODY, BIODIGITAL, VISIBLEBODY, LIFESCIENCEDB або в мобільному застосунку ANATOMY3DATLAS. Також сайт PRIMALPICTURES надає доступ до даних через прямий контакт з адміністрацією (реєстрація наразі призупинена). Але будьте обережні та не займайтеся самолікуванням. Лише лікар може точно визначити справжній стан хвороби.

На цих сайтах можна працювати з 3D моделями людських органів. Маніпулюйте об'єктом та анімацією (клік або тап по лівій півкулі).

Міжнародна мережа настанов (GIM) пропонує набір принципів для розробки та використання інструментів або процесів штучного інтелекту для підтримки проєктів зі створення клінічних настанов у сфері охорони здоров’я. Робоча група цієї організації виокремила вісім принципів, яких слід дотримуватись при використанні штучного інтелекту в контексті створення настанов: прозорість, попереднє планування, додатковість, достовірність, етичність, підзвітність, відповідність та оцінка.

Також підвищують безпеку пацієнтів, допомагають оптимізувати ланцюги постачання та стимулюють інновації у сфері цифрової охорони здоров’я й сталих медичних рішень стандарти ISO, які визначають вимоги до якості процесів і компетентності персоналу.

Наукова платформа ELSEVIER спільно з технологічною компанією RELX пропонують просування наукових публікацій та підтримку нових досліджень, що містять інноваційні ідеї у сфері охорони здоров’я.

Так працює і наукова платформа RESERCHGATE.

Інститут LAUDE надає підтримку та прості гранти дослідникам і розробникам нейромереж. Однією з умов надання підтримки є використання нейромереж з практичною метою.

Розвиток нейромереж у напрямку конкретних практичних цілей активно просуває провідний південнокорейський науково-дослідний інститут KAISTAI. У конкурсі інституту за найкращу роботу в номінації "Застосування та практика" перемогла нейромережа LABTOP, що виконує безперервні числові прогнози для широкого спектру результатів лабораторних досліджень. Нейромережа підтримує прийняття клінічних рішень та раннє виявлення критичних станів.

Інвестиційна стартап-платформа Y Combinator пропонує багато профінансованих стартапів у сфері охорони здоров’я , які до того ж пропонують вакансії .

Відомий своїми військовими розробками інноваційний кібергігант PALANTIR автоматизує обмін даними між партнерами у ланцюгах постачання медичних товарів, створюючи більш проактивне середовище прийняття рішень за допомогою нейросервісу Foundry. Також Palantir Foundry випробував у Загальній багатопрофільній лікарні Тампи, штат Флорида, США, систему оптимізації обслуговування пацієнтів, що покращило показники роботи лікувального закладу.

Значну автоматизацію процесів навчання моделей з підкріпленням RL (Reinforcement Learning) пропонує компанія BENCHMARK. Виробник “розумного” середовища розробляє безпечні сенсорні мережі на основі протоколу обміну медичними даними HL7, які в реальному часі передають отриману з датчиків інформацію до хмарної платформи для аналізу та навчання нейромереж. Максимальну гнучкість і функціональність підключення забезпечує універсальний шлюз на Linux із наскрізним шифруванням даних.

Дослідження у сфері біологічного та штучного інтелекту об’єднує проєкт ALGONAUTS. Платформа прагне допомогти фахівцям обох напрямів вупроваджувати алгоритми мозкової активності. Містить попередньо навчені моделі нейромереж і датасети для тренування. Також проводить змагання зі створення алгоритмічних моделей прогнозування мозкової активності на основі даних функціональної магнітно-резонансної томографії.

Один із цікавих медичних проєктів – BENCHLING – хмарний сервіс для управління лабораторною інформацією у сфері біотехнологій і фармацевтики. Платформа пропонує управління молекулярними даними: зберігання та аналіз послідовностей ДНК/РНК/білків, включає алгоритми BLAST, AlphaFold, CRISPR-інструменти та багато іншого. Також розглядає підтримку перспективних проєктів. Створює платформу цифрових даних, яка стане основою для досліджень і розробок транснаціонального фармацевтичного гіганта SANOFI на базі штучного інтелекту та співпрацює з багатьма іншими світовими лідерами в галузі охорони здоров’я.

Подібні послуги також надають LABGURU , EPIC , SCINOTE та кілька інших.

Але що ж наразі пропонують виробники обладнання, здатного самостійно аналізувати дані та ухвалювати рішення?

У провідних медичних журналах за 2025 рік були опубліковані статті, що описують нові технології діагностики із застосуванням ADM (алгоритмічних систем ухвалення рішень).

1. НЕЙТРАЛІЗАЦІЯ ЗМІЇНИХ ОТРУТ.

15 січня 2025 року група вчених описала в статті “De novo розроблені білки нейтралізують смертельні токсини зміїної отрути” використання нейромережі RFdiffusion на основі глибокого навчання для розробки протиотрут до коротколанцюгових і довголанцюгових α-нейротоксинів та цитотоксинів із родини токсинів зміїної отрути 3FTx.

Ця модель була розроблена для передбачення тривимірної структури білків на основі їх амінокислотної послідовності.

Існуючі протиотрути викликають побічні ефекти у деяких пацієнтів, мають низьку ефективність проти токсинів зі слабкою імуногенністю та повинні вводитись лише в медичних установах. Щоб обійти ці обмеження, зростає інтерес до нових підходів до лікування отруєнь зміїною отрутою, включаючи використання людських рекомбінантних антитіл, перепрофільованих синтетичних інгібіторів токсинів або комбінацій антитіл і інгібіторів.

Вчені вважають, що підходи de novo дизайну можуть мати переваги перед традиційними методами розробки протиотрут. Вони досліджували створення зв’язувальних білків як для окремих природних токсинів, так і для консенсусних токсинів, що представляють родини токсичних молекул, оскільки зв’язувальні білки до останніх можуть мати ширший нейтралізувальний ефект.

2. ДІАГНОСТИКА ТКАНИН ОРГАНІЗМУ.

У травні 2025 року в журналі The Lancet Digital Health була опублікована стаття під назвою "Оцінка об’єму шести типів тканин тіла за допомогою штучного інтелекту на основі КТ-сканів грудної клітки для прогнозування смертності: багатоцентрове дослідження".

Це дослідження фінансується Національним інститутом серця, легень і крові Національних інститутів здоров’я США (NIH).

Автори статті використовують КТ-зображення грудної клітки, отримані у вигляді низькодозових сканів, як побічний результат сцинтиграфії міокарда (MPI - радіоізотопного дослідження кровопостачання серцевого м’яза з метою виявлення ділянок ішемії). Ці КТ-зображення називаються сканами для корекції ослаблення сигналу (CTAC - CT Attenuation Correction) і зазвичай використовуються лише для усунення артефактів, що заважають оцінці перфузії.

Але тепер на КТ-сканах грудної клітки (CTAC), які зазвичай використовуються лише для технічної корекції, навчена нейромережа обчислює об’єм і щільність шести типів тканин: кістка, скелетні м’язи, підшкірний жир (SAT), внутрішньом’язовий жир (IMAT), вісцеральний жир (VAT), епікардіальний жир (EAT).

Дослідження розглядало лише кількісну оцінку різних тканин за допомогою КТ грудної клітки, але кількісна оцінка складу тіла за допомогою КТ черевної порожнини потенційно може надати додаткову прогностичну цінність. Вчені впевнені, що необхідно провести додаткові дослідження для порівняння їхнього підходу до об’ємної КТ грудної клітки з існуючими підходами до абдомінальної рентгенографії з використанням одного зрізу, які застосовувалися в попередніх дослідженнях складу тіла.

3. ДІАГНОСТИКА КОГНІТИВНИХ ПОРУШЕНЬ (ДЕМЕНЦІЇ).

У травні 2025 року в журналі The Lancet Digital Health вийшла стаття під назвою “Розробка і тестування моделей на основі штучного інтелекту з використанням голосових біомаркерів для виявлення когнітивних порушень у дорослих, що проживають у громаді: поперечне дослідження в Японії”.

Автори статті стверджують, що використовують нейромережевий аналіз людського голосу для діагностики когнітивних порушень. Нейромережа працює за принципом вилучення з неструктурованої мови (3 хвилини вільної розмови) голосових біомаркерів за допомогою моделі Wav2Vec2 від Meta, не покладаючись на зміст слів.

Модель навчалася на 3-хвилинних мовленнях 1461 літньої людини з Японії (середній вік - 79,5 року), з яких 979 осіб - навчальна вибірка, а 482 - тестова. Когнітивний стан оцінювався за шкалою Memory Performance Index (MPI). Модель показала результат AUC (графік співвідношення знайдених моделлю позитивних і негативних випадків із реально існуючими) близько 0.88–0.89 (де 1 - ідеальна точність, 0.5 - випадковий вибір).

4. ДІАГНОСТИКА РАКУ МОЛОЧНОЇ ЗАЛОЗИ.

У червні 2025 року журнал The Lancet Digital Health опублікував статтю під назвою “Прогнозування щільності молочної залози за клінічними ультразвуковими зображеннями з використанням глибокого навчання: ретроспективний аналіз”.

Автори статті вирішують проблему прогнозування ймовірності захворювання на рак молочної залози на основі даних про щільність молочної залози за клінічними УЗД-2D-зображеннями.

Нейромережі було показано набір даних із 405 120 клінічних ультразвукових зображень грудей від 14 066 жінок (середній вік 53 роки, діапазон 18–99 років), у якому кожному УЗ-зображенню відповідає еталонна категорія щільності грудей за шкалою BI-RADS, отримана за допомогою мамографії (золотий стандарт) відповідно до класифікації Американського коледжу радіології (ACR). Ці зображення використовувалися під час її навчання як правильні відповіді. У процесі навчання мережа «навчилася» розпізнавати, які патерни на УЗ-сканах відповідають високій або низькій щільності грудей.

У результаті модель дозволяє прогнозувати щільність грудей там, де мамографію провести складно або неможливо, а також допомагає лікарям оцінювати ризик раку та планувати обстеження і профілактику.

Вчені з Індії та Саудівської Аравії представили гібридну методологію DXAIB, яка інтегрує згорткові нейронні мережі (CNN) з моделлю випадкового лісу (RF) для більш точного виявлення раку молочної залози. Гібридний підхід використовує широко впроваджувану технологію XAI «SHAP», надаючи медичним працівникам вичерпні пояснення та цінну інформацію.

5. РЕНТГЕНОГРАМИ ГРУДНОЇ КЛІТКИ.

18 червня в розділі NEJM AI медичного журналу The New England Journal of Medicine вийшла стаття «PadChest-GR: двомовний набір даних рентгенограм грудної клітки для генерації заснованих на зображеннях радіологічних звітів», у якій автори Ніхіл Р. Сахні та Брендон Каррус заявили про створення нового набору даних PadChest-GR - двомовного (іспанська та англійська) датасету рентгенограм грудної клітки (CXR) на основі великомасштабного набору даних PadChest, що включає понад 160 000 зображень, отриманих від 67 000 пацієнтів, з детальними розмітками, призначеного для навчання моделей штучного інтелекту, які автоматично створюють радіологічні звіти з точним зазначенням локалізації патологій на зображеннях.

Існуючі набори даних недостатні для побудови повноцінних обґрунтованих звітів, оскільки в них бракує просторових анотацій, пов’язаних із повними наборами описових речень результатів. PadChest-GR надає цінний ресурс для розробки та оцінки моделей GRRG із зображень CXR. (Фінансується корпорацією Microsoft.)

Вчені вирішують завдання створення датасету для навчання моделей, здатних не лише описувати знахідки на рентгені текстом (радіологічні звіти), але й показувати, де саме на зображенні розташовані ці знахідки.

Під час створення набору було використано 4555 досліджень CXR з обґрунтованими звітами, з яких 3099 були ненормальними, а 1456 - нормальними. Загалом PadChest-GR містить 7037 речень із позитивним результатом і 3422 речення з негативним результатом.

Вчені сподіваються, що майбутні зусилля досягнуть більшого різноманіття в результатах, включивши до дослідження дані з кількох закладів і тим самим підвищивши узагальнюваність.

Певних успіхів досягли індійські вчені у фреймворку для навчання CXR-MultiTaskNet, який використовує CNR250K та інші набори даних для розв’язання завдань класифікації та локалізації захворювань грудної клітки в межах єдиного підходу. Загальний підхід до вилучення ознак використовує каркас ResNet50, оптимізовані двозадачні головки та пояснюваність на основі Grad-CAM. Така архітектура зменшує операційну неефективність, зумовлену однозадачними конвеєрами та ізольованим навчанням ознак, виявлених у попередніх роботах, водночас забезпечуючи інтерпретовані результати, необхідні для клінічного впровадження.

6. ДІАГНОСТИКА РАКУ ШЛУНКА.

Відомий китайський сервіс Alibaba профінансував створення нейромережі GRAPE (Gastric Cancer Risk Assessment Procedure with Artificial Intelligence), здатної діагностувати рак шлунка там, де не справляються фахівці. Статтю про це опублікував 24 червня 2025 року популярний журнал Nature у своєму розділі Nature Medicine.

Рак шлунка є п’ятим за частотою діагностованим видом раку і четвертою за значущістю причиною смерті від раку в усьому світі.

Автори статті повідомили, що ендоскопічний скринінг шлунка часто є неефективним, а отже, медицина потребує розширення протоколу скринінгу. Тому вони розробили процедуру оцінки ризику раку шлунка за допомогою штучного інтелекту (GRAPE), використовуючи неконтрастну КТ і глибоке навчання для виявлення захворювання.

GRAPE був навчений на 3470 випадках пацієнтів із раком шлунка та 3250 випадках здорових пацієнтів. Він генерує два типи вихідних даних: маску сегментації на рівні пікселів для шлунка й пухлин та класифікаційний бал, що відрізняє пацієнтів із раком шлунка від пацієнтів без захворювання. Модель працює за двоетапним підходом. На першому етапі використовується сегментаційна мережа для визначення розташування шлунка в межах повного КТ-сканування, генеруючи маску сегментації, яка потім використовується для обрізання й ізоляції області шлунка. Ця обрізана область передається на другий етап, де застосовується спільна мережа класифікації й сегментації з двома гілками. Гілка сегментації виявляє пухлини в межах ідентифікованої області шлунка, тоді як гілка класифікації інтегрує багаторівневі ознаки для класифікації пацієнта як позитивного або негативного.

Крім цього, проведене на основі датасетів зображень шлунково-кишкового тракту KVASIR навчання згорткової моделі ResNet50 для виділення ознак захворювань намагається вирішити давню проблему зростання обчислювальних потужностей під час обробки нерелевантних ознак. Додаткове включення в процес нового шару Entropy Field Propagation покращило результати метрики якості класифікації.

7. ДІАГНОСТИКА ХВОРОБИ ПАРКІНСОНА.

У розділі NEJM AI медичного журналу The New England Journal of Medicine 26 червня 2025 року вийшла стаття під назвою “Скринінг хвороби Паркінсона з використанням штучного інтелекту та відеороликів з усмішками”.

Автори описують створену ними систему моделей нейромереж, навчений на 1452 учасниках, з яких 391 мали хворобу Паркінсона, 300 з них мали клінічний діагноз, а 91 - повідомили про свій стан самостійно. Учасники використовували онлайн-інструмент для запису себе (вдома або в клінічних умовах), імітуючи три вирази обличчя (усмішка, відраза та подив). Для кількісної оцінки гіпомімії були виділені орієнтири обличчя та ознаки, засновані на одиницях дії. Нейромережеві моделі навчалися на цих ознаках, щоб розрізняти людей із хворобою Паркінсона і без неї. Узагальненість моделі перевірялася на зовнішніх тестових наборах даних (із клінік США та Бангладешу).

Ця система моделей, навчена на відео з усмішками, досягла точності діагнозу 87,9% і також 89,3% правильності у розрізненні здорових людей та хворих при перехресній перевірці. При цьому не було виявлено значущих упереджень за статтю та етнічною належністю, за винятком вищої точності для жінок у бангладеському наборі.

8. ДІАГНОСТИКА ЕПІЛЕПСІЇ.

Розділ NEJM AI медичного журналу The New England Journal of Medicine 26 червня 2025 року опублікував статтю під назвою “Експертне виявлення маркерів епілепсії в електроенцефалографії на коротких і довгих часових шкалах”.

Автори статті стверджують, що розробили SpikeNet2 - модель глибокого навчання, засновану на архітектурі залишкової (такої, що навчається на відмінностях) нейромережі, і вдосконалили її за допомогою добору жорстких негативних даних для зменшення хибнопозитивних спрацювань.

У дослідженні було проаналізовано 17 812 записів електроенцефалографії від 13 523 пацієнтів з кількох установ, включаючи лікарні. Для навчання та оцінювання загалом було використано 32 433 вибірки на рівні подій, позначених експертами.

Модель шукала спайки - короткі аномальні електричні імпульси в мозку, які фіксуються на графіках електроенцефалографії, щоби виявляти епілептичні осередки серед електричних шумів і хибних спрацювань.

Модель показала такі результати: AUROC (розрізнення позитивних і негативних результатів: від 0 - не розрізняє до 1 - відмінно розрізняє) - 0,942, а AUPRC (частка правильно знайдених подій з усіх виявлених моделлю) - 0,948.

9. РОЗШИФРУВАННЯ ЕЛЕКТРОКАРДІОГРАМ.

26 червня 2025 року в розділі NEJM AI медичного журналу The New England Journal of Medicine вийшла стаття під назвою “Базова модель електрокардіограми, побудована на основі понад 10 мільйонів записів”.

Автори статті пропонують ECGFounder - універсальну базову модель для аналізу ЕКГ, яка використовує реальні анотації ЕКГ від кардіологів для розширення діагностичних можливостей аналізу. ECGFounder створена на основі 10 771 552 ЕКГ від 1 818 247 унікальних пацієнтів зі 150 категоріями міток з бази даних Harvard–Emory ECG, що дозволяє проводити комплексну діагностику серцево-судинних захворювань. Модель розроблена як ефективне рішення «з коробки», при цьому легко адаптується для виконання різних завдань, що забезпечує максимальну зручність у використанні. Дослідники розширили застосування моделі для ЕКГ із зменшеною кількістю відведень, зокрема для одно відведених ЕКГ. Таким чином, ECGFounder підходить для різних завдань у мобільному та дистанційному моніторингу.

Експериментальні результати показують, що ECGFounder досягає експертного рівня продуктивності на внутрішніх наборах перевірки: AUROC (розрізнення позитивних і негативних результатів: від 0 - не розрізняє до 1 - відмінно розрізняє) перевищує 0,95 для 80 діагнозів. Вона також демонструє високу ефективність класифікації й узагальнення за різними діагнозами на зовнішніх тестових наборах. При точному налаштуванні ECGFounder перевершує базові моделі в демографічному аналізі, виявленні клінічних подій і кросмодальній діагностиці серцевого ритму, перевершуючи базові методи на 3–5 пунктів у AUROC.

Також їхні колеги намагаються автоматизувати за допомогою нейромережі PanEcho інтерпретацію ехокардіограми.

Вони створили 39 міток і вимірювань трансторакальної ехокардіографії, яким навчили нейромережу. Система показала стабільність і виконує 18 діагностичних завдань з високою точністю та 21 параметричне вимірювання ехокардіограми з нормалізованою середньою абсолютною помилкою. Наприклад: оцінка фракції викиду лівого шлуночка з похибкою близько 4,2–4,5%, діагностика помірної та тяжкої систолічної дисфункції лівого шлуночка - 99 %, виявлення тяжкого стенозу аорти - 100%.

10. ДІАГНОСТИКА ГІПЕРТРОФІЧНОЇ КАРДІОМІОПАТІЇ.

2 липня 2025 року на сайті одного з найбільших наукових видавництв Nature опублікована стаття під назвою “Мультимодальний штучний інтелект для прогнозування аритмічної смерті при гіпертрофічній кардіоміопатії”.

Раптова серцева смерть від шлуночкових аритмій є однією з провідних причин смертності у світі. Автори статті представили інноваційну модель нейромережі під назвою MAARS (Multimodal AI for ventricular Arrhythmia Risk Stratification), розроблену для прогнозування й інтерпретації ризику раптової зупинки серця у пацієнтів із використанням мультимодальних медичних даних. Під час навчання нейромережі вони використовували демографічні дані, анамнез, симптоми, результати стрес-тестів, результати ехокардіографії та радіологічних досліджень, контрастно-підсилені зображення магнітно-резонансної томографії серця: зображення, які демонструють фіброз міокарда, що є субстратом для аритмій.

Результати моделі вражають: при внутрішньому тестуванні (на навчальних даних) точність становила 89%, а при зовнішньому тестуванні (на нових даних) - 81%. MAARS продемонструвала перевагу над існуючими медичними системами оцінки ризику раптової смерті (такими як ACC/AHA, ESC, HCM Risk-SCD), перевершуючи їхню точність на 22–35%.

11. ДІАГНОСТИКА МЕЛАНОМИ.

У статті від 3 липня 2025 року під назвою “Оцінка пухлинно-інфільтруючих лімфоцитів при меланомі за допомогою патологоанатома та штучного інтелекту” розповідається про проведене дослідження, яке дає відповідь на питання: чи можна за допомогою машинного навчання для кількісної оцінки TIL (пухлинно-інфільтруючі лімфоцити) при меланомі досягти кращої відтворюваності та прогностичної значущості порівняно з традиційним ручним читанням патологоанатомів.

У дослідженні взяли участь 98 фахівців із 45 установ, які оцінювали 60 зразків меланоми. Алгоритм ANNMAR_24 показав високу відтворюваність для всіх змінних TIL з коефіцієнтом внутрішньокласової кореляції (ICC) понад 0.90.

Для порівняння: традиційні патологоанатоми мали ICC близько 0.61 (за відсотком TIL) та Kendall W близько 0.44 (за системою Кларка). ANNMAR_24 показав високу відтворюваність (ICC > 0.9), що значно краще за традиційні методи патологоанатомів (ICC близько 0.6, Kendall W 0.44). Високу відтворюваність було досягнуто незалежно від кваліфікації учасника - як у патологоанатомів, так і в науковців.

12. ДІАГНОСТИКА ШИЗОФРЕНІЇ.

У 2021 році більшість спроб виявлення шизофренії здійснювалися за допомогою різних типів МРТ. Інші методи виявлення із використанням ШІ включали ПЕТ, ЕЕГ та підходи, що базуються на прогнозуванні психофізіологічних здібностей, а також класифікацію генів і білків.

Про це пишуть автори статті “Шизофренія: огляд методів штучного інтелекту, що застосовуються для виявлення та класифікації” у журналі International Journal of Environmental Research and Public Health, які проаналізували наукові публікації на цю тематику за період з 1999 по 2020 роки.

Сьогодні науковці удосконалюють діагностику шизофренії, оскільки, як зазначають автори (перша група індійських учених) статті “Покращене виявлення шизофренії із використанням багатоканальної ЕЕГ та вибору ознак на основі CAOA-RST”, традиційні методи діагностики ґрунтувалися на клінічних інтерв’ю та суб’єктивних рішеннях; вони виявилися неефективними для раннього виявлення і демонстрували суперечливість.

У статті “Виявлення шизофренії за сигналами ЕЕГ із використанням методу кодування зображень та глибокого відбору ознак на основі обгортки”, опублікованій у тому ж виданні Scientific Reports від журналу Nature, автори (друга група індійських учених) підкреслюють, що приблизно 1% населення світу страждає на це важке психічне захворювання. Незважаючи на поширеність близько 20 мільйонів людей у всьому світі, воно залишається одним із найбільш неправильно зрозумілих і стигматизованих розладів.

Ці дві групи індійських дослідників обрали схожі стратегії конвертації сигналів ЕЕГ у зображення методом перенавчання згорткових моделей (CNN), натренованих на датасеті ImageNet із його 14 млн. зображень, із перенавчанням останніх шарів моделей під спектрограми ЕЕГ (у тому числі з вейвлет-перетворенням). Однак архітектура роботи згорткових фільтрів і шарів нейромереж у цих груп дослідників відрізняється: VGG16 і ResNet50 відповідно.

Також новинний ресурс Interesting Engineering 4 липня 2025 року опублікував статтю про досягнення групи тайванських дослідників Тайбейського госпіталю ветеранів. Ця група науковців представила інструмент BrainProbe — платформу на основі штучного інтелекту, розроблену для об’єктивної діагностики шизофренії із використанням МРТ-даних та глибинного навчання.

Система BrainProbe здатна виявляти структурні та функціональні зміни мозку, характерні для шизофренії, з точністю до 91,7%. Використовуючи дані сканування мозку понад 1500 осіб, зібрані за більш ніж десятиліття, включаючи як здорових, так і хворих на шизофренію, нейромережу було навчено виявляти ледь помітні зміни на ранніх стадіях, невидимі людському оку.

13. ПРОЄКТ «ФЕНОТИП ЛЮДИНИ» ТА МОНІТОРИНГ РІВНЯ ГЛЮКОЗИ.

Проєкт PHENO.AI (Фенотип людини) — це комплексне лонгітюдне когортне дослідження та біобанк. Мета проєкту — виявлення нових молекулярних сигнатур, що мають діагностичну, прогностичну та терапевтичну цінність, а також розробка прогностичних моделей на основі нейромережі для визначення початку та прогресування захворювань.

Проєкт Pheno.AI покликаний продовжити легендарний американо-британський проєкт «Геном людини», реалізований у співпраці з компанією Celera Corporation (тепер QUESTDIAGNOSTICS) із секвенування геному людини, що завершився у 2006 році висновком про те, що остаточна довжина геному людини становить 2,86 Гб.

Однак людство продовжує проводити дослідження та збирати дані у біотехнологічній галузі медицини, розвиваючи системну біологію в різних напрямках. Pheno.AI запрошує до співпраці та закликає завантажувати свої датасети до банку для доступу дослідників усього світу. Дані слід завантажувати в розміченому вигляді — у форматі таблиць і словників з індексацією. Для завантаження даних у проєкті передбачена бібліотека pheno_utils для Python. З даними можна працювати в зручному середовищі Jupyter Notebook.

Щоб досягти своєї мети щодо глибокого фенотипування понад 100 000 учасників у всьому світі, проєкт «Фенотип людини» співпрацює з провідними міжнародними науково-дослідними інститутами та відкритий для додаткових партнерів, які бажають долучитися.

Група науковців під керівництвом докторів Лі Райхера та Смадара Шило з лабораторії Сігала Інституту імені Вейцмана в Ізраїлі, у співпраці з Pheno.AI та Університетом штучного інтелекту імені Мохаммеда бін Заїда в Об’єднаних Арабських Еміратах, 15 липня 2025 року опублікувала статтю в журналі Nature Medicine під назвою «Глибоке фенотипування континууму “здоров’я–хвороба” у проєкті “Фенотип людини”». У статті науковці описали створення мультимодальної базової моделі нейромережі, навченої за допомогою самоконтрольованого навчання на основі даних про дієту та безперервний моніторинг рівня глюкози, яка перевершує наявні методи прогнозування початку захворювання. Цю модель можна розширити для інтеграції інших модальностей і вона може діяти як персоналізований цифровий двійник.

14. ДІАГНОСТИКА СИСТЕМНОГО ЧЕРВОНОГО ВОВЧАКА.

Системний червоний вовчак (СЧВ) — серйозне аутоімунне захворювання, що переважно вражає жінок. Однак скринінг СЧВ та пов’язаних із ним ускладнень є значною проблемою у світі через складні діагностичні критерії та низьку обізнаність населення. Група науковців із Китаю, Сінгапуру, Великої Британії та США 15 липня 2025 року опублікувала статтю у журналі Cell Reports Medicine під назвою «Система глибинного навчання для виявлення системного червоного вовчака за зображеннями сітківки», у якій представила розроблену систему глибинного навчання (DeepSLE) для виявлення СЧВ та його ускладнень із боку сітківки та нирок за зображеннями сітківки. Автори зазначають, що раннє виявлення СЧВ та подальші терапевтичні заходи є критично важливими для підвищення ймовірності ремісії та покращення прогнозу пацієнта. Водночас скринінг СЧВ залишається глобальною проблемою громадського здоров’я через відсутність загальновизнаних, стандартизованих, неінвазивних і економічно ефективних інструментів скринінгу для раннього виявлення захворювання, особливо серед безсимптомних осіб або тих, хто має легкі симптоми. Модель нейромережі навчалась і валідувалась на основі зображень очного дна з різних багатоетнічних наборів даних, які містять понад 254 246 зображень, отриманих від 91 598 учасників із Китаю та Великої Британії.

15. ПРОГНОЗУВАННЯ ПРОГРЕСУВАННЯ ДІАБЕТИЧНОЇ РЕТИНОПАТІЇ (DR).

Діабетична ретинопатія є основною причиною сліпоти у всьому світі. Прогностична платформа DRForecastGAN (Generative Adversarial Network Forecast Diabetic Retinopathy ForecastGAN), що складається з генератора, дискримінатора та реєстраційної мережі, була навчена пекінськими вченими, валідована та протестована на навчальних (12 852 зображення), внутрішніх (2734 зображення) та зовнішніх (8523 зображення) наборах даних. Під час оцінки результатів моделі DRForecastGAN вона порівнювалася з загальнодоступними моделями CycleGAN та Pix2Pix, навченою на тих же даних із використанням того ж популярного методу пошуку оптимальної ваги Adam з кроком оновлення ваги 0.0002 та додатковою корекцією на кожному кроці. Показники DRForecastGAN значно перевищили результати моделей без додаткових модулів. Візуалізація прогресування DR може допомогти лікарям пояснити можливі тенденції захворювання DR та необхідне лікування й моніторинг. Крім того, рекомендація щодо візуалізації сітківки для пацієнтів із DR ґрунтувалася на загальній популяції, що іноді може бути не зовсім вигідно з економічної та соціальної точки зору для окремої людини. Точне прогнозування може бути використане для оптимізації частоти подальших обстежень сітківки для окремої особи, що може підвищити ефективність використання медичних ресурсів. Більше того, комунікація, заснована на майбутніх зображеннях очного дна, може допомогти пацієнтам краще зрозуміти стан свого здоров’я та підвищити їх розуміння й співпрацю з лікуванням.

16. ДІАГНОСТИКА ПРИЧИН ТРЕМОРУ.

Хвороба Паркінсона (PD) з домінуванням тремору та есенціальний тремор (ET) — два найбільш поширені типи тремору, що становлять серйозні труднощі в діагностиці. Китайський науковець Moxuan Zhang із колегами обрали пацієнтів із PD з переважанням тремору як представників паркінсонічного тремору та використали структурну й функціональну МРТ для аналізу морфологічних змін у пацієнтів із PD порівняно з пацієнтами з ET. До фінальної когорти увійшли 69 пацієнтів із PD та 71 пацієнт із ET. Машинне навчання застосовували для розрізнення різних видів тремору на основі вимірювань товщини кори. Для навчання моделі обрали ознаки, що повторювалися більше 500 разів. У цьому дослідженні використовували п’ять методів машинного навчання: випадкові ліси та машини опорних векторів (лінійні, поліноміальні, радіально-базисні функції та сигмоїдальні). Метою було розробити модель ШІ, яка ефективно розрізняє різні типи тремору індивідуально, використовуючи морфологію мозку як незалежні ознаки або в поєднанні з клінічною інформацією. У тестовій когорті моделі, навчальні з використанням змінних морфології мозку, показали подібну продуктивність із моделями, навченими з використанням клінічних змінних. Продуктивність моделі покращилася, коли модель навчалася з використанням морфології мозку в поєднанні з клінічними змінними, а не лише з однією змінною. Прогностична ефективність моделі значно покращилася при використанні фільтрації ознак із меншою кількістю змінних. Цей результат також підтверджено на зовнішньому тестовому наборі. Результати показали, що інтеграція морфології мозку та клінічних змінних у моделі машинного навчання значно підвищує здатність розрізняти типи тремору на індивідуальному рівні, потенційно пропонуючи більш досконалий діагностичний інструмент для клінічного застосування.

Також значні успіхи нейромережі демонструють у таких сферах.

- Прогнозування раннього біохімічного рецидиву раку передміхурової залози після радикальної простатектомії - XGBoost. Проаналізовано дані 1024 пацієнтів, з яких 476 зіткнулися з ускладненням, а 548 — ні, використовуючи 25 клінічних і патологічних показників. Модель показала 84% точності на основній вибірці та 89% на окремій групі з 96 пацієнтів.

- Зібрані за допомогою мобільного датчика wGT3X-BT (ActiGraph, США) дані про рівень глюкози, дані акселерометра та опитувань (55 тис. часових вікон по 45 хв.) дозволили навчити кілька нейромереж розрізняти стани людини при переривчастому голодуванні з точністю 84–88%. Обчислення ознак відбувалося на основі даних про рівень глюкози з використанням пакета Cgmquantify Python.

- З допомогою нейромережі проаналізовано дію активного мономера Буфаліну на ERα (білок-рецептор ядра клітини, який регулює ріст і виживання клітини). Виявлено, що Буфалін діє на ERα як молекулярний клей, посилюючи взаємодію між ERα та убіквітин E3-лігазою STUB1, що призводить до протеасомної деградації ERα. Дослідження підтверджують, що Буфалін чинить протидію раку легень, раку печінки, колоректальному раку та гліомі, інгібуючи ріст пухлин. Однак молекулярні механізми, що лежать в основі протипухлинної активності Буфаліну, ще належить з’ясувати, визначивши точні протипухлинні мішені Буфаліну для оптимізації його терапевтичного застосування.

- Сканер зубних відбитків та протезів з нейромережею для створення та відправки зубному техніку 3D моделі пропонує MIMETRIK.

- Основана на архітектурі CXR-RANet китайська нейромережа глибокого навчання, розроблена для аналізу рентгенівських знімків грудної клітки з метою виявлення легеневих вузлів та раннього раку легенів. Вона навчалася на 2965 зображеннях від 1762 пацієнтів і показала ефективність 93% у відрізненні хворих від здорових, перевершуючи більшість існуючих алгоритмів у виділенні ознак та класифікації.

– Навчена на вилучених CRISPR-асоційованих (Cas) білках із бази даних NCBI, класифікованих за генами з видаленням надлишкових послідовностей, велика мовна модель ESM AIL-Scan дозволила обійти старий спосіб дослідження невідомих білків Cas у метагеномах, заснований на вирівнюванні послідовностей білків. Кластеризовані регулярно розташовані короткі паліндромні повтори (CRISPR) і CRISPR-асоційовані (Cas) білки становлять адаптивну імунну систему у прокаріот для захисту від інвазивних генетичних елементів. Під час навчання моделі білки Cas були вбудовані й класифіковані за допомогою кількох міток. Модель прогнозування активності трансрозщеплення була розроблена на основі ESM і дрібномасштабних експериментальних даних трансрозщеплення. Навчена модель була застосована для виявлення білків Cas і прогнозування характеристик із послідовностей, вилучених із метагенома. Структури білків були візуалізовані за допомогою системи візуалізації для пошукових досліджень і аналізу UCSF Chimera.

– Архітектура H-IoT із використанням згорткових нейронних мереж (CNN) для просторового представлення, LSTM для моделювання часових послідовностей і VAE для виявлення прихованих аномалій продемонструвала високу точність під час роботи з різними фізіологічними сигналами. Цей метод, використаний індійськими та американськими вченими, а також їхніми колегами з АОЕ, відкриває перспективи для впровадження в реальних системах моніторингу охорони здоров’я, носимих пристроях та допоміжних технологіях у режимі реального часу. На відміну від традиційних систем, які виконують кожне завдання окремо, ця архітектура об’єднує всі шари в єдиний конвеєр, розгортуваний на периферії.

- Нейромережа глибокого навчання сімейства моделей відеозору YOLOv5m - EfficientNet-B5 продемонструвала високі результати (точність до 95%) у скринінгу набору для швидкого тестування OV Rapid Test Kit на зображеннях, отриманих за допомогою мобільного додатку OV-RDT. Модель використовується для обробки тестів на холангіокарциному - поширене злоякісне захворювання в країнах басейну річки Меконг, тісно пов’язане з хронічними інфекціями, викликаними Opisthorchis viverrini. Модель ефективна на ранніх стадіях захворювання, коли результати ультразвукового дослідження не завжди можуть бути правильно класифіковані необізнаними медпрацівниками. Споживання в їжу сирої або частково приготованої прісноводної коропової риби людьми в цих регіонах є основним шляхом зараження. Північно-східний регіон Таїланду відзначається особливо високою поширеністю опісторхозу: у деяких провінціях рівень інфікування коливається від 20 до 70%, що робить його одним із найбільш уражених регіонів світу.

– Багатоагентна мовна модель CARE-AD (Collaborative Analysis and Risk Evaluation for Alzheimer's Disease) для прогнозування початку хвороби Альцгеймера шляхом аналізу записів в електронних медичних картках представлена вченими з Массачусетсу (США) у статті на сторінках журналу Nature. Хвороба Альцгеймера — прогресуюче нейродегенеративне захворювання, що характеризується зниженням когнітивних здібностей, погіршенням пам’яті та функціональними порушеннями, що зрештою призводить до втрати самостійності. У клінічній практиці фахівці з неврології, психіатрії, геріатрії, первинної медико-санітарної допомоги та інших суміжних сфер роблять свій внесок у комплексну оцінку ризику для пацієнта. Автори статті пропонують моделювати цю клінічну процедуру за допомогою багатоагентної структури, де кожен агент представляє спеціалізовану сферу. CARE-AD імітує віртуальну міждисциплінарну консультацію: агенти, що представляють такі клінічні сфери, як первинна медична допомога, неврологія, психіатрія, геріатрія та психологія, аналізують динаміку симптомів пацієнта і надають оцінки, специфічні для даної сфери. Потім ці оцінки синтезуються агентом, що спеціалізується на хворобі Альцгеймера, в індивідуальний прогноз ризику. Моделюючи часові патерни симптомів і включаючи різні клінічні точки зору, CARE-AD прагне підвищити чутливість до ранніх ознак, пов’язаних із хворобою Альцгеймера, особливо тих, які часто недостатньо представлені в структурованих записах, одночасно покращуючи інтерпретованість завдяки специфічним для агентів даним, які можуть бути проаналізовані лікарями.

– Співробітники відділення невідкладної медицини клініки Майо у Флориді (США) створили систему точного передбачення бактеріурії з використанням лише даних, які легко доступні під час прийому пацієнта у відділенні невідкладної допомоги. Інфекції сечовивідних шляхів є одними з найпоширеніших бактеріальних інфекцій, проте вони часто неправильно діагностуються і неправильно лікуються. Вчені описали метод створення такої моделі у статті, де розповіли, що використовували класифікатор логістичної регресії, метод k-найближчих сусідів, класифікатор випадкового лісу, екстремальний градієнтний бустинг (XGBoost – кожна наступна модель навчається на залишках (помилках) попередніх моделей) і глибоку нейронну мережу, щоб визначити, наскільки добре вони передбачали 3 результати посіву сечі. XGBoost продемонстрував найвищу площу під кривою робочої характеристики приймача (AUROC) для всіх оцінюваних результатів. Ці дослідження свідчать про те, що алгоритми машинного навчання можуть стати цінними інструментами в клінічних умовах, допомагаючи прогнозувати результати посіву та приймати рішення про початок емпіричної антибактеріальної терапії.

– Група вчених з Індії та ОАЕ розробила комбіновану гібридну архітектуру для масштабованої високопродуктивної нейронної ітерації (CHASHNIt), яка являє собою інтеграцію EfficientNetB7, DenseNet201 та InceptionResNetV2 і перевершує наявні моделі за всіма показниками. CHASHNIt — це передова автоматизована система класифікації шкірних захворювань, що досягає балансу між масштабованістю, точністю та пояснюваністю. Єдиним недоліком є складність обчислень, проте майбутні розробки дозволять оптимізувати ефективність для пристроїв із низьким споживанням ресурсів. Метою дослідження є подолання обмежень недостатньої вибірки та відсутності в класифікаціях рідкісних, але клінічно значущих станів шкіри за допомогою гібридної архітектури та впровадження надійної системи класифікації зображень, призначеної для точного розрізнення 23 класів шкірних захворювань.

Використання рекурентних (циклічних), згорткових (фільтрувальних) та архітектур із механізмом уваги (включно з трансформерами) має перспективи у прогнозуванні епітопів для розробки вакцин. Епітоп — це певна ділянка антигену, яку розпізнає імунна система. В-клітинні епітопи — це білкові ділянки, що зв’язуються з антитілами, тоді як Т-клітинні епітопи — це короткі пептиди, представлені на молекулах MHC, які розпізнаються Т-клітинними рецепторами.

Детекція брехні здійснюється сукупністю нейромереж LieXBerta (Lie Detection + XGBoost + RoBERTa). Судові дані були вручну анотовані у 10 категорій. Цими даними донавчили модель LLMS (RoBERTa) класифікувати емоції. Донавчена RoBERTa визначила емоції (страх, гнів, радість, нейтральність тощо) у вигляді векторів. Отримані вектори об’єднали з ознаками міміки та дій (жестами, поведінкою) і подали в модель XGBoost (модель дерев рішень для виправлення помилок). XGBoost суттєво підвищила якість виявлення брехні при отриманні даних про емоції людей. Дослідження японських науковців про структуру людських емоцій та їхнє розпізнавання за допомогою LLM можна прочитати тут.

Нейромережа Cascade RCNN (Convolutional Neural Network, CNN) та графові нейронні мережі GINet (Graph Neural Network) і Knowledge Graphs (KG) використовуються китайськими науковцями для діагностики папілярної карциноми щитоподібної залози (PTC). Процес складається з: 1. Витягнення та класифікації клітинних ознак; 2. Класифікації цитологічних ознак і моделювання залежностей між клітинами; 3. Витягнення візуальних ознак та побудови візуального графа. Загальна точність класифікації становить 88.84%.

Нейромережа Evo 2, попередньо навчена на великих корпусах послідовностей ДНК, включаючи понад два мільйони геномів бактеріофагів, має базову здатність генерувати нові фагоподібні послідовності. Вчені Стенфордського університету (США) під час навчання використовували спеціальні таксономічні мітки послідовностей, які були включені разом із геномними послідовностями під час попереднього навчання, щоб спеціально підказати моделям генерувати фагоподібні послідовності, використовуючи три підказки, що відповідають основним вірусним царствам: Duplodnaviria (віруси з дволанцюговою ДНК), Monodnaviria (віруси з одноланцюговою ДНК) та Riboviria (віруси з РНК). Інструмент класифікації вірусів geNomad класифікував 34–38% послідовностей, згенерованих моделлю, як вірусні.

Японські розробники з компанії SakanaAI створили фреймворк ASAL («Автоматизований пошук штучного життя»), що працює на нейромережевій моделі Foundation Model для виявлення динамічних самоорганізованих патернів, схожих на реальні клітини. Система ASAL може знаходити зародження життя там, де його може не помітити людина. Водночас ця система, на відміну від біології, спрямована на вивчення загальних властивостей усього життя, а не лише окремих його проявів.

Доцент кафедри біомедичної інженерії Університету Дюка (Північна Кароліна, США) Деніел Рекер разом із командою розробив платформу, що поєднує автоматизовані лабораторні методи з нейромережею для створення наночастинок для доставки ліків. Платформа допомагає визначити оптимальне співвідношення компонентів суміші для формування стабільної терапевтичної молекули, здатної доставляти ліки в клітину. Науковці стверджують, що технологія може забезпечити доставку важкоінкапсульованої терапії лейкемії, оптимізувавши конструкцію другої протиракової наночастинки.

Проблему контролю над побудовою організму також вирішує група в Генному центрі Університету Людвіга-Максиміліана (LMU) та Інституті біохімії Товариства Макса Планка (MPI) за підтримки програми DFG Emmy Noether, яка працює на стику дизайну білків de novo, глибокого навчання та фундаментальної біофізики функцій білків. А шведські вчені з Гетеборзького університету працюють над створенням мікроскопічних механізмів, використовуючи оптичні метаповерхні для локального керування ними. Такі машини можуть бути виготовлені стандартними методами літографії та безшовно інтегровані в кристал, досягаючи розмірів до десятків мікрометрів і забезпечуючи точність переміщень на субмікрометровому рівні.

Журнал Science Robotics також регулярно публікує досягнення роботизованих інструментів, керованих нейронними мережами. Так, у сфері хірургії вражають результати впровадження нейронних моделей Foundation, здатних розпізнавати великі обсяги зображень (захоплення та обробка високоякісних відеопослідовностей у режимі реального часу) та виконувати функцію безпрецедентно точного наведення для автономного проведення хірургічних операцій і процедур, таких як введення голок.

Проведення автономних операцій вже дає хороші результати. Ще у 2022 році дослідник Аксель Крігер разом із групою колег розпочав навчання моделей розпізнавати анатомію за зображеннями PGB-D (“червоний-зелений-синій-глибина”). У липні 2025 року натренована ними модель, керуючи роботом, виконала складну 17-етапну процедуру видалення жовчного міхура у свині вісім разів, кілька разів самостійно коригуючи свої дії та реагуючи на голосові команди, демонструючи здатність адаптуватися навіть у непередбачених ситуаціях.

З огляду на розвиток швидкісного інтернету, подібні операції можна буде контролювати на відстані. Китайські науковці разом з американськими колегами створили джерела сигналів для повноканального бездротового зв’язку, що працюють на основі широкосмугових перебудовуваних оптоелектронних генераторів у рекордно широкому діапазоні частот від 0,5 ГГц до 115 ГГц з високою стабільністю частоти та стійкою когерентністю (стійкістю до завад). Фактично шосте покоління (6G) бездротового зв’язку забезпечить подальше збільшення швидкості передавання даних і зменшення затримки, сприяючи появі ресурсоємних сервісів, таких як розширена реальність (XR) та віддалена хірургія. Разом із новим оптичним волокном, що передає світло повітрям у порожнистих скляних трубках, а не склом, передавання даних може суттєво прискоритися.

Крім цих досягнень, маємо низку інших, не менш важливих.

Пристрій для глибокого проникнення в мозок, який дозволяє людині без кінцівок грати в комп’ютерні ігри, є одним із багатьох інтерфейсів «мозок-комп’ютер», які тестуються на людях у Китаї, повідомляє журнал Nature. Система BCI, розроблена медичною технологічною компанією StairMed у Шанхаї, Китай, подібна до імплантатів, які тестує на людях компанія Neuralink, що належить Ілону Маску та базується у Фрімонті, Каліфорнія. Пристрій StairMed має менше зондових елементів, ніж пристрій Neuralink, але водночас є менш інвазивним.

За даними Bloomberg та Фонду сфокусованого ультразвуку, наразі у сфері створення ультразвукових технологій для сканування та впливу на активність мозку працює щонайменше 20 компаній. Одним із неінвазивних методів ультразвукового впливу із застосуванням нейромереж є розробка компанії Sunmai — Транскраніальний сфокусований ультразвук (tFUS), шолом, що діє низькоінтенсивним ультразвуком на певні ділянки мозку для діагностичної візуалізації та модуляції активності. Деякі науковці розглядають FUS як альтернативу хірургічному втручанню. Дані, отримані вченими під час експериментів у попередні роки, використовуються для навчання та тестування моделей. Наприклад, у публікації від 23 вересня 2023 року в Journal of Neurosurgery група науковців під керівництвом нейрохірурга Хао Тана та невролога Анжеліки К. Полк описує збір даних із кори головного мозку оперованих пацієнтів за допомогою електрокортикографічних сіток — сіток з електродами, які реєструють сигнали мозку під час краніотомії (розтину черепа). Таким чином було отримано дані від 82 пацієнтів.

Багатообіцяючі заяви у сфері неінвазивного сканування мозкової діяльності робить стартап Alterego. Розробники стверджують, що сенсори Silent Sense дозволять Alterego зрозуміти, що людина хоче сказати, не промовляючи ні слова. Будемо сподіватися, що так воно і буде.

У сфері технологій інтерфейсу "мозок-комп’ютер" просувається і світовий виробник носимих пристроїв компанія Samsung Electronics. Носимі пристрої компанії незабаром дозволять на ранній стадії виявляти та контролювати систолічну дисфункцію лівого шлуночка – серйозне серцево-судинне захворювання, яке є причиною приблизно 50% усіх випадків серцевої недостатності. Також, спільно з розробником нейромережевих медичних платформ MEDICALAI Samsung Electronics розробила вушні пристрої Ear-EEG — відносно нову форму електроенцефалограми, у якій використовуються електроди, розташовані навколо вух або всередині вушного каналу.

Група мікробіологів і техніків-електронників з Массачусетського університету (США) представила пристрій, здатний імітувати функції нейронів мозку. Пристрій відповідає біологічним нейронам за ключовими параметрами, такими як амплітуда сигналу, енергія імпульсу, часові характеристики та частотна характеристика. Штучний нейрон може підключатися до біологічної клітини для обробки клітинних сигналів у режимі реального часу та інтерпретації її станів. Ці результати розширюють можливості створення біоемуйованої електроніки для покращення біоелектронного інтерфейсу та нейроморфної інтеграції.

Вчені Сіднейського університету з’ясували, що анальгетичні (знеболювальні) реакції мозку мають просторову локалізацію. Це означає, що наш мозок здатний опосередковувати вибірковий контроль болю в окремих ділянках тіла.

Стартап від Sunmai заявляє конкуренцію таким відомим малоінвазивним проєктам, як SYNCHRON, PRECISION, PARADROMICS та іншим, зокрема заявленому OpenAI-проєкту Merge Labs.

У напрямку досліджень мозку рухається й проєкт PIRAMIDAL, який підтримує стартап-платформа Y Combinator. У співпраці з Клівлендською клінікою проєкт навчає нейромережу на даних ЕЕГ, зібраних у десятків тисяч пацієнтів. Нейромережа навчається виявляти аномалії в реальному часі.

Доцент кафедри нейрохірургії Стенфордського університету Френсіс Уіллетт разом із колегами використовують інтерфейси "мозок-комп’ютер", щоб допомогти людям, чий параліч позбавляє їх можливості говорити. Вчені використовують мікроскопічні масиви мікроелектродів (кожен менший за горошину), хірургічно імплантовані в поверхню мозку, для реєстрації патернів нейронної активності безпосередньо в мозку. Ці сигнали потім передаються по кабелю в комп’ютерний алгоритм, який перетворює їх на дії, такі як мова або рух курсора.

Важливими у галузі впливу на мозок є клінічні дослідження кафедри психіатрії та поведінкових наук Університету Міннесоти (США). Особливо цікавий унікальний досвід професора Заїда Нахаса у сфері функціональної нейровізуалізації та стимуляції мозку різними методами - транскраніальна магнітна стимуляція (ТМС), стимуляція блукаючого нерва (VNS), епідуральна префронтальна стимуляція кори (EpCS), глибока стимуляція мозку (DBS), електросудомна терапія (ЕСТ) та фокальна електросудомна терапія (FEAST).

Розробка механізмів передачі відчуттів від людини до машини і назад ведеться вченими Китайської академії наук в області систем сприйняття, що імітують функції біологічних нервових систем. Дослідники виявили , що обмеження іонів всередині шаруватих мембран оксиду графену може бути використане для створення мемристивного пристрою (що запам’ятовує кількість струму, який через нього проходить), здатного одночасно виконувати синаптичні функції та хімічне сенсорне сприйняття. Розробивши методику уповільнення транспорту іонів і виклику їх мемристивної поведінки, вчені створили нанофлюїдний пристрій, який підключається до алгоритмів резервуарних обчислень (спеціально навченої нейромережі) і здатний класифікувати солодкий, солоний, гіркий і кислий смаки.

Також порівняння роботи нейромереж у діагностиці глаукоми анонсувала 17 червня 2025 року на ресурсі COCHRANE LIBRARY група вчених під керівництвом наукового співробітника Лондонської очної лікарні Каляна Вемулапаллі, докладно описавши створений протокол майбутніх досліджень.

Проблема глаукоми турбує людство. Близько 10% із 70 мільйонів людей з глаукомою сліпі на обидва ока, що робить її провідною причиною незворотної сліпоти у світі. Глаукома поділяється на дві великі категорії: відкритокутову та закритокутову. Як відкритокутова, так і закритокутова глаукома можуть виникати без відомої основної причини - як первинна глаукома. Вторинна глаукома може бути наслідком травми, прийому ліків, запалення, пухлини та інших станів (наприклад, пігментної дисперсії або псевдоексфоліації). Нам залишається побажати цим ученим удачі.

Доктор Шафі Балал з командою вчених з очної лікарні Moorfields (у Лондоні) представили на 43-му конгресі Європейського товариства катарактальних та рефракційних хірургів (ESCRS) діагностичну методику виявлення кератоконусу, який зустрічається у 1 з 350 осіб. Дослідники використали нейромережу для аналізу 36 673 зображень ОКТ 6684 різних пацієнтів, а також інших даних пацієнтів. Алгоритм нейромережі міг точно передбачити, чи погіршиться стан пацієнта, чи залишиться стабільним, використовуючи зображення та дані лише з першого візиту. Використовуючи нейромережу, дослідники змогли віднести дві третини пацієнтів до групи низького ризику, яким лікування не було необхідне, а іншу третину — до групи високого ризику, яким потрібне термінове проведення крос-лінкінгової терапії.

Журнал Springer Nature опублікував результати дослідження, проведеного з використанням нейромережі на основі 336 зображень, що містили 206 переломів, встановлених за спільною думкою двох рентгенологів у 48 пацієнтів (середній вік — 12 років), хворих на недосконалий остеогенез (генетичне захворювання, що характеризується ламкістю кісток і підвищеним ризиком переломів) у дитячій лікарні Грейт-Ормонд-стріт у Лондоні. Загалом рентгенологи продемонстрували кращі результати в діагностиці переломів, ніж ті, хто користувався лише штучним інтелектом: точність в одному дослідженні склала 83,4% [95% ДІ: 75,2%, 89,8%] проти 74,8% [95% ДІ: 65,4%, 82,7%] відповідно. Однак рентгенологи, які додатково використовували штучний інтелект, показали значне покращення результатів порівняно з тими, хто працював самостійно: середня точність за одне дослідження зросла на 7,3% до 90,7% [95% ДІ: 83,5%, 95,4%].

Журнал Nature India повідомляє, що інструмент машинного навчання може точно визначати ферменти, здатні розщеплювати певний забруднювач після аналізу мільйонів бактеріальних ферментів. Нейромережа «XenoBug» може визначати ферменти, які потенційно здатні розщеплювати пестициди, пластик, побічні продукти переробки нафти та фармацевтичні відходи. Її розробники з Індійського інституту природничо-наукової освіти й досліджень у Бхопалі стверджують, що вона також розкриває взаємодію мікробів і забруднювачів у різних середовищах та відстежує шляхи деградації.

Не потребуючу значних обчислювальних потужностей для діагностування хвороб рослин нейромережу створили науковці з Індії на основі технології гібридного глибокого навчання та технологій Grad-CAM і Grad-CAM++ (карт низької роздільності локалізації за даними класу для виділення важливих ділянок зображення без втрати фокусу).

Австралійські біоінженери Александр Дж. Коул, Крістофер Е. Денес та інші розробили методику PROTein Evolution Using Selection (PROTEUS) – платформу, що використовує химерні вірусоподібні везикули для проведення тривалих кампаній спрямованої еволюції у ссавців без втрати цілісності системи. Ця платформа є стабільною та здатна генерувати достатню різноманітність для спрямованої еволюції в системах ссавців. Фактично, вони успішно протестували біоінженерну систему, здатну прискорювати спрямовану еволюцію білків безпосередньо всередині клітин ссавців, що дозволяє науковцям створювати й відбирати нові версії білків, які краще функціонують або мають потрібні властивості — не виходячи за межі живої клітини. Раніше це здійснювалося в пробірках і бактеріях, що суттєво знижувало контроль над результатами.

Сіетлський Інститут системної біології (ISB) 26 червня 2025 року повідомив про запуск генеративної моделі нейромережі TARPON, розробленої директором інституту Джимом Гітом та дослідником Деніелом Ченом. Навчена на понад мільйоні послідовностей людських Т-клітинних рецепторів (TCR), TARPON розкриває фундаментальні «набори правил», які керують розвитком і функціонуванням імунної системи, особливо на ранніх етапах розвитку плода в тимусі, де імунні клітини вперше вчаться розрізняти «своє» від «чужого». TARPON аналізує гіперваріабельну область Т-клітинних рецепторів — унікальні білкові послідовності, які дозволяють Т-клітинам розпізнавати чужорідні клітини — і відображає їх у 42-вимірному просторі. На основі цього модель може генерувати абсолютно нові, реалістичні Т-клітинні рецептори, демонструючи, як імунна система може реагувати на віруси, ракові клітини та навіть нові патогени.

Медичне страхування в США.

У сфері медичного страхування у 2025 році використання нейромереж не є чимось новим. Особливо в США. Опитування, проведене у 16 штатах США, показало, що 84% медичних страхових компаній наразі використовують штучний інтелект і машинне навчання тією чи іншою мірою. Ці інструменти застосовуються в різних категоріях страхових продуктів, зокрема в індивідуальному й груповому медичному страхуванні, а також у програмах студентського медичного страхування.

Однією з проблем такого страхування у США є вимога до лікарів отримати схвалення на оплату від страхової компанії перед проведенням медичної процедури, яка покривається страховкою. Авторка статті під назвою «Біль попередніх дозволів: наслідки відсунення людського життя на другий план заради стримування витрат» Аджита Ханель пише, що існує велика кількість випадків, коли лікування не відбувається або відбувається із затримкою через необхідність отримання такого підтвердження.

Уряд намагається регулювати цю сферу. Наприклад, у штаті Колорадо (США) у 2023 році було видано нормативний акт, спрямований на запобігання дискримінації під час ухвалення страхувальниками рішень щодо оплати медичних процедур. Інші штати також ухвалили низку резолюцій і законів, які регулюють використання алгоритмів штучного інтелекту.

Федеральний закон про MEDICARE, що діє в США, та федеральна програма Medicare Advantage, які забезпечують медичне страхування для осіб віком від 65 років і старше, а також для людей з інвалідністю, містять принцип пріоритетного права — верховенства федерального закону над законами штатів. Це визначає майже одинакову практику рішень системи органів правосуддя в позовах клієнтів стархових компаній.

Хоча страхові компанії стверджують, що використовують нейромережеві алгоритми для покращеного прогнозування ризиків і визначення необхідності лікування, самі алгоритми вони не оприлюднюють. Це викликає сумніви в деяких журналістів, які вважають, що страхові компанії застосовують алгоритми як інструмент відмови у виплатах з метою скорочення витрат. Так, автори статті "Штучний інтелект відмовляє: як плани Medicare Advantage використовують алгоритми, щоб позбавити потребуючих літніх людей можливості отримувати допомогу" 2023 року Кейсі Росс і Боб Герман стверджують, що під виглядом наукової строгості страховики застосовують нерегульовані предиктивні алгоритми, аби точно визначити момент, коли можна обґрунтовано припинити оплату лікування літнього пацієнта.

Професорка права та наукова співробітниця Інституту національного та глобального права охорони здоров’я імені О’Ніла Дженніфер Д. Оліва у своїй статті на сторінках SSRN (Social Science Research Network) пише, що на відміну від клінічних алгоритмів, які використовуються медичними закладами та постачальниками медичних послуг для діагностики та лікування пацієнтів, алгоритми страхового покриття не регулюються і, відповідно, не проходять оцінку безпеки та ефективності Управлінням з контролю за продуктами і ліками США (FDA) перед виходом на ринок.

Віддалена медична допомога.

Віртуальні онлайн-сервіси медичної допомоги також поспішають перейти на роботу з нейромережами.

Американські сервіси віртуальної цілодобової медичної допомоги CEDARS-SINAI CONNECT та K HEALTH запустили застосунки віртуального догляду на основі нейромережі. Вони стверджують, що це підвищило ефективність надання медичної допомоги онлайн.

Також працюють на основі нейромережевих моделей і такі медичні ресурси, як HACKENSACK MERIDIAN HEALTH (у співпраці з K Health), TELADOC HEALTH, EMED HEALTHCAREUK (колишня Babylon Health), CURAI HEALTH, YOUR.MD (HEALTHILY), DOXY.ME зі своїм сервісом відеодзвінків DOXIMITY DIALER та інші.

Науковці пропонують створення медичних нейромережевих агентів, подібних до лікарів для медичних консультацій, на основі об’єднання діалогового компонента, компонента пам’яті та компонента обробки, який генерує звіти зібраної інформації. Для навчання агента та оцінки результатів вони використали датасет реальних медичних діалогів та експертну оцінку лікаря.

Як бачимо, нейромережі в медицині зробили один великий і впевнений крок назустріч майбутньому зі штучним інтелектом. Ми можемо побажати їм якомога менше перешкод на цьому довгому й складному шляху. А вам, друзі, хочу побажати здоров’я та довголіття.

Спокійно й усвідомлено бережіть себе.

Завітайте та пройдіть SAID-Test, щоб натренуватись відрізняти фейкові генерації.

said-корреспондент🌐