ИИ и сложнейшие проблемы мира ─ Медицина и разработка лекарств
Наука и научные знания, продвигаемые ИИ, по дисциплинам
RSS-лента · 17 материалов
Интерпретируемая иерархическая модель глубокого обучения для выявления рака лёгких и толстой кишки
Оригинальное название: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Классификация рака лёгких и толстой кишки по гистопатологическим изображениям затруднена, поскольку классы выглядят похоже, а морфология тканей варьируется, а традиционные модели глубокого обучения обеспечивают мало прозрачности. Авторы разбивают задачу с пятью классами на этапы от грубого к точному: сначала норма против рака, затем специализированный классификатор для категорий нормальной ткани или подтипов рака, причём для каждого этапа выбирается наилучшая архитектура. Модель достигла точности 98.50% на LC25000 и 82.01% на независимом наборе данных LungHist700, а методы Grad-CAM, Grad-CAM++, LIME и Occlusion Sensitivity использовались для выделения областей изображения, на которых основаны её предсказания.
Прогнозирование гепатоцеллюлярной карциномы на основе искусственного интеллекта у лиц без инфекции HBV или HCV в эпоху MASLD
Оригинальное название: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Действующие рекомендации по наблюдению за раком печени (ГЦК) в основном ориентированы на людей с циррозом или вирусным гепатитом. Исследователи создали модель ИИ для прогнозирования риска ГЦК у людей без вирусного гепатита, используя данные примерно 7,96 млн взрослых жителей Южной Кореи, прошедших медицинский скрининг. Из двенадцати сравниваемых моделей лучше всего показала себя MHA_DNN, сохранив стабильную точность в независимой валидационной когорте. Наиболее значимыми предикторами оказались индекс жировой болезни печени и триглицериды, что говорит в пользу персонализированного наблюдения на основе метаболических показателей.
Мультизадачная система глубокого обучения для автоматического прогнозирования состояния здоровья по снимкам глазного дна с использованием гибридного внимания и объяснимого ИИ
Оригинальное название: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Существующие модели глубокого обучения для снимков глазного дна решают только одну задачу, обладают ограниченной интерпретируемостью и плохо справляются с различиями между наборами данных. Авторы предлагают мультизадачную сеть, которая за один прямой проход по одному снимку классифицирует тяжесть диабетической ретинопатии, глаукому, стадию ВМД и сердечно-сосудистый риск, а также формирует объяснения с помощью Grad-CAM. Она достигла точности 94.7% и AUC 0.978 на четырёх наборах данных, статистически превзойдя все однозадачные модели, а в zero-shot оценке на других наборах данных показала AUC не ниже 0.951.
Интегрированная система автоматов и машинного обучения для интеллектуальной диагностики психического здоровья
Оригинальное название: An automata-machine learning integrated framework for intelligent mental health diagnostics
Депрессия среди студентов часто остаётся незамеченной, пока не становится серьёзной, поэтому необходим её ранний прогноз. Авторы объединили поведенческое моделирование на основе конечных автоматов с машинным обучением, генерируя признаки из эмоциональных состояний студентов и объединяя избыточные признаки. При использовании ансамбля из случайного леса и KStar точность выросла с 82,02% у базового случайного леса до 96,88% при использовании признаков на основе автоматов. Авторы утверждают, что такой подход сохраняет интерпретируемость и прослеживаемость признаков.
Многоэтапная система валидации для надёжного крупномасштабного извлечения клинической информации с помощью больших языковых моделей
Оригинальное название: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
Валидация больших языковых моделей для извлечения клинической информации обычно требует дорогостоящей ручной разметки. Авторы предложили многоэтапную платформу, сочетающую фильтрацию на основе правил, семантическое обоснование, оценку с помощью LLM-судьи, экспертную проверку и анализ предиктивной валидности. При применении к диагнозам расстройств, связанных с употреблением психоактивных веществ, в 919 783 клинических заметках она отсеяла 14,59% положительных извлечений LLM как необоснованные или неправдоподобные. Основная LLM достигла F1-меры 0,80 относительно оценок судьи, а извлечённые ею диагнозы лучше предсказывали последующее обращение за специализированной помощью, чем базовые модели на структурированных данных.
ИИ выявляет ишемическую болезнь сердца по фотографиям лица и языка в небольшом тесте
Оригинальное название: AI detects coronary heart disease from face and tongue photos in small test
В новом исследовании из Китая систему ИИ обучили на фотографиях лица и языка для выявления ишемической болезни сердца (ИБС). В небольшом тесте система правильно определила всех пациентов с ИБС.
Выявление случайных (adventitious) дыхательных шумов в лёгких у детей с респираторными заболеваниями в Бангладеш с помощью искусственного интеллекта и цифровой аускультации
Оригинальное название: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Руководства по комплексному ведению болезней детского возраста обладают высокой чувствительностью, но низкой специфичностью в отношении пневмонии. Медицинские работники в Бангладеш записывали звуки лёгких у детей младше пяти лет с подозрением на пневмонию с помощью цифрового стетоскопа, а алгоритм ИИ сравнивали с экспертной группой педиатров. ИИ выявлял патологические звуки с чувствительностью 61,8% и специфичностью 60,7% в целом и 63,5% и 66,8% в случаях пневмонии по критериям IMCI. Авторы оценивают это как умеренный результат, требующий улучшения в классификации неинтерпретируемых записей.
Автономная маркировка хирургических границ резекции с помощью фундаментальной модели
Оригинальное название: Autonomous labeling of surgical resection margins using a foundation model
Оценка хирургических границ резекции в патологии затруднена ошибками ручной маркировки чернилами, искажением тканей и повреждением при коагуляции. Авторы разработали сеть виртуальной маркировки, которая использует замороженную фундаментальную модель и небольшой классификатор для определения границы резекции на изображениях целых срезов без физических чернил. На 20 срезах из невиданных ранее тканевых блоков она достигла точности около 73,3% на уровне областей и построила наложения, качественно совпадавшие с разметкой экспертов. Результаты носят характер доказательства концепции и требуют проверки на более крупных клинических когортах.
Клиническое фенотипирование бурого жира человека с применением искусственного интеллекта
Оригинальное название: Artificial intelligence-enabled clinical phenotyping of human brown fat
Методов для количественной оценки активности бурой жировой ткани (БЖТ) у людей в больших масштабах не хватало. Используя данные 101 243 пациентов крупного онкологического центра, авторы полуавтоматически оценили активность БЖТ примерно у 8 700 пациентов с помощью машинного обучения. Более высокая активность БЖТ, особенно в подмышечном депо, была связана с меньшей вероятностью кардиометаболических заболеваний и более здоровым распределением белой жировой ткани.
Универсальная фундаментальная модель для мультимодального восстановления и улучшения медицинских изображений
Оригинальное название: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound — это фундаментальная модель, которая восстанавливает и улучшает медицинские изображения, ухудшенные шумом, артефактами движения, низким контрастом или низкодозовой съёмкой, для семи модальностей, включая КТ, МРТ, ПЭТ, эндоскопию, УЗИ, глазное дно и рентген. Обученная на 3,76 млн парных изображений, она превзошла 38 специализированных и универсальных базовых моделей по метрикам качества изображения, оценке врачей и тестам на устойчивость. Улучшенные изображения также повысили результаты в 44 задачах выявления заболеваний, прогнозировании стадии опухоли и стратификации риска выживаемости при немелкоклеточном раке лёгкого.
Скрытые сигналы во сне могут предсказывать будущее здоровье
Оригинальное название: Hidden signals in sleep can predict future health
Инструменты ИИ могут извлекать из одной ночи сна физиологические закономерности, которые упускают обычные показатели сна, и эти закономерности связаны с заболеваниями и смертностью. Две недавние статьи, в Nature Communications и Nature Medicine, указывают на то, что данные о сне содержат гораздо больше информации о здоровье, чем врачи и исследователи извлекают сейчас. Растёт и число свидетельств того, что изменения сна могут появляться до постановки диагноза.
Анализ транспорта частиц, создаваемого ресничками, с помощью машинного обучения позволяет отличить первичную цилиарную дискинезию от нормальных ресничек
Оригинальное название: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
Первичная цилиарная дискинезия (ПЦД) — генетическое заболевание, при котором реснички двигаются нарушенно, а диагностика остаётся сложной. Авторы разработали CiliaTracks — фреймворк машинного обучения, который анализирует транспорт частиц на культивируемых клетках дыхательных путей, снятый с помощью высокоскоростной микроскопии. Классические модели машинного обучения и свёрточная нейронная сеть классифицировали записи 14 пациентов с ПЦД и 10 здоровых доноров с точностью 95–97%.
Сегментация опухолей головного мозга с помощью выравнивания гистограммы, оптимизированного методом роя частиц, и U-Net на основе VGG19
Оригинальное название: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
Сегментация опухолей головного мозга на МРТ — медленный процесс, подверженный ошибкам и субъективности оператора, а модели глубокого обучения часто недостаточно интерпретируемы. Авторы предлагают SPOHE-VGGNet, сочетающую модифицированную U-Net с VGG-19 и выравнивание гистограммы, оптимизированное методом роя частиц, для повышения контраста МРТ. Модель достигла коэффициентов Dice 0,9522 (менингиома), 0,9428 (глиома) и 0,9518 (опухоль гипофиза) на наборе данных Figshare и 0,9463 для сегментации опухоли целиком на BraTS 2021, хотя авторы подчёркивают, что перед клиническим применением всё ещё необходима внешняя, объёмная и ориентированная на врачей валидация.
Раскрытие потенциала планетарных геопространственных фундаментальных моделей Earth AI для глобального общественного здравоохранения
Оригинальное название: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Решения в сфере общественного здравоохранения часто замедляются из-за задержек в отчётности, разрозненности данных и их нехватки. Модель Google Population Dynamics Foundation Model (PDFM) сжимает данные о поисковых трендах, мобильности людей, плотности застройки и факторах окружающей среды с сохранением конфиденциальности в эмбеддинги местоположений. Эти эмбеддинги можно встраивать в существующие эпидемиологические модели без дообучения под конкретную задачу; было представлено пять тематических исследований с партнёрами.
Конвейер на основе глубокого обучения для дифференциации гипертрофической кардиомиопатии и амилоидоза сердца с использованием двумерной многопроекционной эхокардиографии
Оригинальное название: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
Гипертрофическая кардиомиопатия (ГКМП) и кардиальный амилоидоз (КА) похожи друг на друга при эхокардиографии, из-за чего их трудно различить. В исследовании разработан фреймворк глубокого обучения, который классифицирует 2D-эхокардиографические изображения по пяти клинически значимым проекциям, извлекает признаки из каждой проекции и объединяет их. При пятикратной перекрёстной проверке на 212 пациентах с ГКМП, 119 с КА и 200 контрольных пациентах он показал точность 0,83, чувствительность 0,81, специфичность 0,89 и микро-F1 0,82, а авторы называют его надёжным диагностическим инструментом.
Новая формула помогает РНК-вакцинам выдерживать высокие температуры
Оригинальное название: New formulation helps RNA vaccines withstand high temperatures
РНК-вакцины обычно требуют хранения при сверхнизких температурах, поэтому исследователи из MIT с помощью ИИ-алгоритма скорректировали состав липидных наночастиц, доставляющих мРНК-вакцины. Алгоритм предсказал оптимальные составы, сократив число необходимых экспериментов и ускорив разработку. Полученные вакцины сохраняли стабильность до года при комнатной температуре или два месяца при температуре почти 100°F, а у мышей вакцина против Covid-19 вызвала иммунный ответ такой же силы, как РНК-вакцина, похожая на вакцину Moderna.
Оценка риска суицида по тексту
Оригинальное название: Estimating suicide risk from text
Выявление людей с высоким риском суицида — приоритет для консультантов во время кризисов психического здоровья. Исследователи из Института Макговерна при MIT разработали инструмент обработки языка, который ищет в тексте слова и фразы, связанные с 49 факторами суицидального риска, чтобы оценить риск конкретного человека. В текстовых беседах с кризисными консультантами инструмент точно предсказывал риск суицида, а после дальнейшей валидации он мог бы помогать в оценке риска в клинических условиях и службах кризисной поддержки.