Актуальность и цель: Spina Bifida (SB) — это врожденный порок развития позвоночника, требующий своевременной диагностики. Цифровизация здравоохранения и стремительное развитие технологий искусственного интеллекта (ИИ) способствуют внедрению ИИ в различные области медицины, включая диагностику SB. Целью данного исследования является анализ потенциала применения ИИ для выявления признаков SB у плода, детей и взрослых, оценка существующих подходов, а также определение ключевых областей для дальнейших исследований и разработок.

Методы: в представленную обзорную работу включены оригинальные и обзорные публикации, материалы конференций с описанием применения алгоритмов ИИ к любым видам данных на любом из этапов исследования SB у плода, детей и взрослых. Поиск доступной литературы был произведен в базах данных: PubMed, Google Scholar и РИНЦ (eLibrary.ru).

Результаты: было отобрано 17 публикаций о применении ИИ в диагностике SB, удовлетворяющих критериям поиска. Выделены следующие виды данных, которые анализируются с использованием алгоритмов ИИ: данные медицинской визуализации (магнитно-резонансной томографии, ультразвукового исследования, рентгенографии, видеоуродинамики), данные лабораторной диагностики, генетическая информация.

Обсуждение: алгоритмы ИИ показали высокую эффективность в выявлении SB и ее осложнений на различных этапах диагностического процесса. Была продемонстрирована перспектива использования компьютерного зрения для выявления SB на изображениях различной модальности, алгоритмов машинного обучения в лабораторной диагностике и в генетических исследованиях.

Актуальность. Активное внедрение искусственного интеллекта (ИИ) в сферу здравоохранения существенно повышает эффективность ранней диагностики различных заболеваний. Среди перспективных направлений внедрения ИИ выделяются методы диагностики, основанные на анализе голоса, дистанционном мониторинге кровообращения методом фотоплетизмографии, отслеживании особенностей движения глаз, а также использование умных устройств для непрерывного мониторинга здоровья. Важнейшей задачей является разработка интегрированных систем комплексного медицинского скрининга.

Цель. Оценка литературных данных и анализ результатов применения искусственного интеллекта для раннего выявления заболеваний.

Материал и методы. Проведен поиск в базах данных PubMed (Medline), Google Scholar, eLibrary, Web of Science, Scopus, CyberLeninka работ на английском и русском языках, в которых осуществлялся скрининг заболеваний, по ключевым терминам «screening», «diagnostics», «artificial intelligence», «machine learning», «disease», «скрининг», «диагностика», «искусственный интеллект», «заболевание», «машинное обучение», «глубокое обучение». Включение исследований (2015–2025 гг.) основано на независимой оценке тремя исследователями, которые пришли к единому мнению.

Результаты. Для данного обзора в процессе отбора соответствующих исследований включена 31 работа, отвечающая критериям поиска, из 1141 публикаций.

Заключение. Скрининг и диагностика заболеваний с применением ИИ предоставляет существенную информацию о состоянии пациента, снижая риск человеческого фактора и пропуска ранних признаков заболевания.

Актуальность. Внедрение цифровых технологий в систему здравоохранения оказывает глубокое и многовекторное влияние на самую ценную и уязвимую ее составляющую – человеческие ресурсы. Цифровая трансформация меняет ландшафт профессиональной деятельности, инициируя появление принципиально новых специальностей и требований к компетенциям и навыкам медицинских работников.

Цель исследования: систематизировать актуальные данные о влиянии цифровизации на потребность в медицинских кадрах, на изменение профессионального ландшафта и на требования к компетенциям медицинских работников.

Материалы и методы. Систематически проанализированы зарубежные публикации, извлеченные из баз данных Scopus, PubMed, Google Scholar с использованием поискового образа: «digital technologies» OR «artificial intelligence» or «telemedicine» and «workforce» and «healthcare». Включались все типы исследований, оценивающих влияние цифровых технологий (искусственный интеллект, телемедицина, роботизация, интернет медицинских вещей и анализ больших данных) на уровень нагрузки на медперсонал.

Результаты. В обзор вошла 61 зарубежная публикация, позволяющая отметить, что по состоянию на конец 2025 г. цифровые технологии не предлагают глобальной системе здравоохранения решения проблемы кадрового дефицита, но предоставляют комплекс инструментов, позволяющих ей функционировать более эффективно, устойчиво и качественно даже в условиях объективного глобального дефицита человеческих ресурсов. Поэтому цифровизация в большинстве публикаций, вошедших в обзор, рассматривается в качестве ключевого инструмента смягчения последствий глобального кадрового дефицита.

Заключение. Выполненный обзор обозначил перспективу глубинной трансформации ландшафта медицинских профессий. Роли врачей и медсестер эволюционируют в сторону управления данными, их критической интерпретации и усиленного взаимодействия с пациентом. Возникает устойчивый спрос на принципиально новые гибридные профессии на стыке медицины, информационных технологий и наук о данных (биоинформатики, разработчики медицинского программного обеспечения, специалисты по кибербезопасности). Для реализации потенциала цифровизации необходимы преодоление нормативных барьеров и значительная трансформация системы медицинского образования.

Ранняя диагностика злокачественных новообразований кожи остается актуальной задачей современной медицины. Большинство клинических подходов, нацеленных на скрининг пигментной и беспигментной базальноклеточной карциномы, можно отнести к малоэффективным. Технологии компьютерного зрения и машинного обучения открывают новые возможности для создания эффективных методов выявления подозрительных новообразований кожи. Однако большинство алгоритмов, разработанных в этой области, имеют ограниченную доказательную базу из-за отсутствия внешней проспективной валидации.

Целью данного исследования являлось проведение внешней валидации алгоритма искусственного интеллекта для оценки вероятности злокачественности пигментных и беспигментных новообразований кожи по фотоснимкам. Целевой аудиторией приложения являются пациенты. Также приложение может быть использовано врачами-клиницистами, например, врачами-дерматологами, в ходе первичного приема. В исследовании приняли участие 132 пациента с жалобами на наличие локального новообразования кожи. Результаты гистологических и цитологических исследований использовались в качестве референс-теста, а тестируемое приложение «ПроРодинки» в качестве индекс-теста. Алгоритм продемонстрировал высокую чувствительность 86% в диагностике базальноклеточной карциномы, однако специфичность составила 41%.

Для повышения специфичности алгоритма целесообразно повторное обучение с применением методов сэмплирования, оптимизации гиперпараметров и уменьшения размерности данных. Также целесообразно внедрение функционала автоматической оценки качества входящих изображений для исключения снимков неудовлетворительного качества.

Данное исследование подчеркивает важность валидации разработанных алгоритмов, направленных на классификацию новообразований с предложением рекомендаций по дальнейшим действиям. Такой подход открывает перспективы для дальнейшего совершенствования диагностических систем на основе нейронных сетей.

Цель исследования состояла в повышении точности семантического поиска медицинской информации на русском языке путем тонкой настройки языковой модели RuBERT на специализированном датасете RuMedDaNet с применением метода обучения Matryoshka Representation Learning для создания компактных и эффективных векторных представлений текста.

Материалы и методы. В исследовании использовался датасет RuMedDaNet, содержащий русскоязычные медицинские тексты. Для оптимизации производительности поиска применялись различные техники обучения эмбеддингов (векторных представлений текста), включая подход «матрёшка», позволяющий уменьшить размерность векторных представлений без существенной потери качества.

Результаты. Эксперименты показали значительное улучшение ключевых метрик поиска (NDCG, MRR) по сравнению с базовой моделью RuBERT. Обученная в исследовании языковая модель загружена на платформу Hugging Face, где теперь она доступна для открытого использования заинтересованными специалистами.

Заключение. Предложенный метод тонкой настройки RuBERT эффективен для задач поиска в медицинских RAG (Retrieval Augmented Generation)-системах. В статье обсуждаются текущие ограничения предлагаемого подхода и направления дальнейших исследований.

Цель работы — оценить эффективность автоматизированного программного обеспечения MosMedReg для субтракционного анализа МРТ головного мозга в динамике у пациентов с рассеянным склерозом в условиях рутинной амбулаторной практики. В исследование включены 30 пар МРТ, выполненных на аппаратах 1,5 Тл разных производителей, с использованием последовательностей T2, FLAIR и T1 с контрастированием и вариативной толщиной срезов. Для обработки применялись алгоритмы регистрации и субтракции на базе библиотеки SimpleElastix. Изображения анализировались экспертом вручную и с помощью программного обеспечения, результаты оценивались по клинической и технической шкалам.

Программное обеспечение обеспечило успешную регистрацию и субтракцию во всех случаях, включая серии с различиями в толщине срезов и проекциях. Среднее количество выявленных новых очагов при использовании MosMedReg не отличалось от экспертной оценки (p = 0,25), однако в ряде случаев субтракция позволила выявить клинически значимые изменения, не отмеченные при стандартном анализе. Отмечались и ложноположительные находки, связанные с техническими артефактами при несоответствии параметров сканирования.

Результаты подтверждают воспроизводимость и практическую применимость субтракционного анализа с помощью MosMedReg для повышения объективности и стандартизации диагностики в амбулаторной практике.

Цель: Оценка эффективности технологий искусственного интеллекта (ИИ) в интерпретации маммографических изображений на примере сравнительного анализа заключений врачей-рентгенологов первичного звена и специалистов референс-центра КГБУЗ «КККОД им. А.И. Крыжановского» (КККОД).

Материалы и методы: проведен ретроспективный анализ 1012 маммографических исследований, выполненных в марте-мае 2025 г., направляемых в референс-центр КККОД согласно установленному порядку. Оценивались заключения врачей-рентгенологов референс-центра и первичного звена, а также результаты двух сервисов ИИ по шкале BI-RADS. Статистическая обработка выполнена программой StatTech 4.0.6, рассчитывался показатель дискордантности для клинических случаев, влияющих на дальнейшую тактику ведения пациентов.

Результаты: в Красноярском крае внедрение в практику врачей-рентгенологов второго ИИ-сервиса при проведении маммографического исследования привело к увеличению диагностически сложных категорий BI-RADS 3,4, что повысило нагрузку на референс-центр КККОД на 29,5%. При этом процент дискордантности не претерпел изменений (27,5%) в сравнении с 2024 годом, когда на территории края использовался один сервис ИИ. По результатам ретроспективного анализа отмечены различия в работе двух сервисов ИИ при интерпретации маммографических исследований.

Заключение: использование многофункциональных цифровых платформ на основе ИИ повышает качество профилактики и диагностики заболеваний, снижая вероятность врачебных ошибок. Однако одновременное применение нескольких сервисов увеличивает нагрузку на специалистов ввиду необходимости анализа множества вариантов интерпретаций.