Методы, основанные на доказательствах, для решения проблемы когнитивных нарушений, связанных с раком и его лечением: обзор.

Мультимодальные подходы в области искусственного интеллекта (ИИ), интегрирующие разнородные источники данных, представляют собой новую границу в оценке фиброза печени. Тем не менее, использование мультимодального ИИ для стадирования фиброза печени было лишь предварительно исследовано, и существующие данные ограничены значительными методологическими пробелами. Этот обзор aims был направлен на полное картирование текущих данных о мультимодальных ИИ моделях, которые интегрируют медицинскую визуализацию с другими категориями данных для прогнозирования стадии фиброза печени. Следуя методологии Института Джоанны Бриггс и рекомендациям PRISMA-ScR, мы провели поиск в MEDLINE, Web of Science, CENTRAL и IEEE Xplore 12 августа 2025 года. В исследования были включены работы, разрабатывающие модели ИИ или машинного обучения для прогнозирования фиброза печени и интегрирующие как минимум одну визуализационную модальность с разнородными категориями данных (например, клинические параметры или сывороточные биомаркеры). Три рецензента независимо отобрали записи, и извлеченные данные были независимо проверены двумя дополнительными рецензентами. Из 2849 записей 21 исследование соответствовало критериям допуска, что дало 34 различных мультимодальных ИИ модели. Исследования были географически сосредоточены в Китае (81%) и в основном фокусировались на заболеваниях печени, связанных с гепатитом B. Наиболее распространенным подходом были радиомика на основе КТ, комбинированная с сывороточными биомаркерами, в то время как архитектуры глубокого обучения применялись реже. В 107 оценках AUC медиана AUC составила 0.890 (межквартильный диапазон 0.850-0.925). AUC внешней валидации (12 оценок из 6 исследований) варьировалась от 0.808 до 0.990; 3 оценки внутреннего тестирования из одного исследования оказались ниже 0.70. Тем не менее, внешний контроль был представлен только у 20.6% моделей, при этом отчетность о калибровке и анализ кривой принятия решений были описаны в 23.1% и 24.1% оценок соответственно. Этот обзор выявил начинающуюся область с об encouraging диагностической производительностью, но с существенными пробелами во внешней валидации, отчетности о калибровке и оценке клинической полезности. Будущие исследования должны приоритизировать методологически строгую валидацию и оценивать влияние на клинические решения.

Метапознание является критически важной составляющей интеллекта, описывающей способность контролировать и регулировать собственные когнитивные процессы. Тем не менее, большие языковые модели (LLMs) демонстрируют системные недостатки в ключевых метапознавательных функциях: они создают неправильные (галлюцинирующие) ответы с высокой уверенностью, не осознают границы своих знаний и неправильно представляют свою внутреннюю неопределенность, что подрывает доверие и надежность. Учитывая, что мониторинг производительности задач и адаптация поведения в соответствии с этим являются центральными для метапознания, мы предполагаем, что модели, способные точно оценивать свою собственную производительность, лучше подготовлены для ее улучшения. Мы реализуем эту идею через два новых механизма: обучение с подкреплением с метапознавательной обратной связью (RLMF) – парадигму, позволяющую улучшать ранжирование завершений во время оптимизации предпочтений на основе качества самосуждений модели о производительности, и выбор метапознавательных данных, который использует аналогичные самосуждения для выявления ценных обучающих примеров, превосходя наивное активное обучение. Мы применяем эти инновации к проблеме надежной калибровки (FC), которая сама по себе является принципиально метапознавательной задачей: цель заключается в согласовании выраженной и внутренней неопределенности, что сложно даже для передовых LLM. Мы принимаем декомпозированный подход в два этапа: сначала используем эти методы для калибровки надежности самооценок моделей, а затем отображаем на естественную, адаптируемую по контексту языковую неопределенность через целевое редактирование выходных данных. Обширные эксперименты показывают, что RLMF достигает обобщаемой, современной надежной калибровки на различных задачах при сохранении точности. Более того, RLMF превосходит стандартное обучение с подкреплением на 63%, при этом улучшая способность моделей оценивать и выражать собственные пределы возможностей. Это ставит RLMF в качестве многообещающей парадигмы для повышения метапознавательных способностей LLM с целью улучшения возможностей моделирования и соответствия, а также предполагает, что метапознавательная производительность является эффективным сигналом обучения с подкреплением для преодоления ограничений ранее используемых методов внутренней обратной связи.

Мы анализируем влияние оптимизации начальной популяции генетического программирования (ГП) для символьной регрессии (СР) на точность и сложность решений. Мы сравниваем три хорошо известные методы случайной инициализации, а также инициализацию с небольшими оптимизированными решениями из исчерпывающей символьной регрессии (ИСР), используя реализацию ГП/СР, основанную на многокритериальном эволюционном алгоритме NSGA-II. Мы сравниваем конечные парето-фронты, найденные с помощью каждого метода инициализации, на двенадцати синтетических задачах различной сложности и одной реальной выборке. Мы не обнаружили значительных различий в точности или сложности моделей среди методов инициализации. Начальное преимущество инициализации с использованием ИСР исчезает всего через несколько поколений. Наши результаты показывают, что при сходной диверсификации в начальной популяции влияние метода инициализации в символьной регрессии на основе ГП на конечный парето-фронт представляет собой незначительный фактор.

Болезнь Альцгеймера (БА) — это дегенеративное неврологическое заболевание, характеризующееся потерей памяти, ухудшением когнитивных функций и уменьшением объема мозговой ткани. Обнаружить его на ранней стадии сложно из-за вариаций в прогрессировании заболевания и ограниченных возможностей методов нейровизуализации с единственной модальностью. Диагностика болезни Альцгеймера на основе магнитно-резонансной томографии (МРТ) предоставляет дополнительные структурные и функциональные данные, однако существующие методы глубокого обучения часто сталкиваются с проблемами несбалансированности данных, высокой вычислительной сложности и ограниченной обобщаемостью. Для устранения этих пробелов разработана структура извлечения признаков из МРТ на основе EfficientNet для классификации стадий болезни Альцгеймера. EfficientNet, оснащенный комбинированным масштабированием, слоями с разделением по глубине и компонентами сжатием и возбуждением, позволяет точно охарактеризовать корковые структуры и вариации во всем мозге, сохраняя при этом вычислительную эффективность. Извлеченные признаки классифицируются с помощью сети свёрточной многомасштабной внимательной сети на основе сжатия (C-MSACCN), которая объединяет механизмы внимания и стратегии сжатия для повышения точности и снижения сложности модели. Более того, улучшенный оптимизатор соседей клеток (ICNO) тонко настраивает гиперпараметры, находя баланс между исследованием и эксплуатацией для оптимального сходимости и устойчивости. С точностью 99,9%, точностью, полнотой и F1-мерой на наборах данных модель превосходит предыдущие работы. Валидация подтверждает согласованность, а методы визуализации выделяют области, связанные с заболеванием, для предоставления клинической информации.

Достижение ненавязчивого высокочастотного мониторинга ишемического инсульта (ИИ) остается важной клинической задачей для своевременного вмешательства и точной вторичной профилактики. Установление точных корреляций между системными микроскопическими молекулярными отпечатками пациентов и локализованными макроскопическими патологическими событиями в органах является необходимым для преодоления ограничений одномодального выявления и повышения эффективности клинической оценки риска. Однако, учитывая сложность гетерогенных данных, эффективная интеграция кросс-мерных данных «молекулярной визуализации» остается критическим узким местом на пути к достижению этой цели. В данном исследовании мы представляем метод, подтверждающий возможность различия между пациентами с подтвержденным ИИ и здоровыми контрольными группами (ЗК), который использует методы машинного обучения (МЛ) в сочетании с поверхностно-усиленной рамановской спектроскопией (SERS) мочи (одномерные данные) и ультразвуковым изображением ствола сонной артерии (CBI) (двухмерные данные). В экспериментальной когорте из 101 участника данный подход проанализировал 10 100 спектров SERS и 481 изображение CBI, достигнув 92% точности классификации и площади под кривой (AUC) 0,95. Более того, с помощью комбинации спектров SERS и технологии жидкостной хроматографии-масс-спектрометрии данное исследование предварительно исследовало различия в мочевых биомаркерах между группами ЗК/ИИ. Предложенная в этом исследовании стратегия многомерного слияния данных эффективно преодолевает информационный разрыв между традиционным молекулярным выявлением и клиническими фенотипами, систематически соотнеся микрофлюидные биомаркеры с макроорганными изображениями. Этот подход предоставляет ранее не исследованный, ненавязчивый и высокоточный инструмент для стратификации риска и клинического принятия решений при классификации групп ЗК/ИИ.

Надежная система производства продуктов питания является краеугольным камнем обеспечения продовольственной безопасности. Интегрируя концептуальные значения устойчивости производства продуктов питания, данное исследование создает многомерную оценочную индексную систему, охватывающую устойчивость, восстановление и адаптивные способности. Используя панельные данные из Синьцзяна за период с 2010 по 2022 годы, исследование применяет интегрированную методологию, включая метод энтропийного веса, модифицированную гравитационную модель, анализ социальных сетей (SNA) и модель XGBoost-SHAP, для систематического анализа уровней устойчивости, характеристик структурной сети и основных механизмов, определяющих производство продуктов питания в регионе. Результаты показывают, что: с 2010 по 2022 годы уровень устойчивости производства продуктов питания в Синьцзяне демонстрировал непрерывный рост, характерный пространственной гетерогенностью с относительно узким разрывом. В течение исследуемого периода сетевое взаимодействие устойчивости производства продуктов питания в Синьцзяне становилось все более плотным; однако его характеризовало низкое сетевое плотность при топологии высокой кластеризации и коротком среднем пути. Наблюдались асимметричные особенности между регионами ввода и вывода, сопоставленные с уменьшением числа переноса между блоками. Площадь пашни на душу населения (X5), доступность транспортной инфраструктуры (X15), прогресс в сельскохозяйственных технологиях (X12) и среднегодовая температура (X1) заняли четыре первых места среди фактор влияния, при этом взаимодействие между площадью пашни на душу населения (X5) и доступностью транспортной инфраструктуры (X15) было наиболее значительным. Эти исследовательские выводы могут предоставить ценные ссылки для обеспечения продовольственной безопасности на уровне государства.