SABER: Фреймворк анализа семантически согласованной структуры мозга с помощью многомасштабных гиперграфов

Исследование индикаторов бесполезной реканализации имеет большое значение. В данной работе мы исследовали плазменные эндотелиальные микросомы (ЭМ) в качестве биомаркеров для лечения острого ишемического инсульта рекомбинантным тканевым активатором плазминогена (ртПА). В это проспективное исследование было включено 195 пациентов с острым ИИ, которым проводили ртПА, и измеряли уровни плазменных ЭМ с помощью анализа флуоресцентного отслеживания наночастиц на начальном этапе, через 24 часа и на 90-й день. Ранняя бесполезная реканализация оценивалась с помощью трансцеребрального допплера и Национальной шкалой инсульта Национальных институтов здоровья. Были проанализированы кривые ROC и соответствующие площади под кривыми (AUC) для ЭМ. Уровни плазменных ЭМ на начальном этапе и через 24 часа положительно коррелировали как с ранней, так и с поздней бесполезной реканализацией. В обеих группах (поздняя реканализация и бесполезная реканализация) уровни плазменных ЭМ значительно увеличились через 24 часа, но уменьшились на 90-й день. Для ранней бесполезной реканализации AUC для ЭМ на начальном этапе и через 24 часа составили 0,7 и 0,67 соответственно. Для поздней бесполезной реканализации AUC для уровней ЭМ на начальном этапе и через 24 часа составили 0,52 и 0,66 соответственно. В совокупности результаты подразумевают, что уровень плазменных ЭМ может служить заменяющим индикатором бесполезной реканализации (как ранней, так и поздней) после введения ртПА у пациентов с острым ИИ.

Острые вирусные респираторные инфекции (ОВРИ) являются одной из основных причин госпитализации и смертности во всем мире, однако рандомизированные клинические испытания в этой области сталкиваются с серьезными трудностями в выборе эффективных и клинически значимых первичных конечных точек. Смертность часто слишком редка, чтобы служить осуществимой первичной конечной точкой. Было предложено несколько альтернативных подходов, включая.ordinal шкалы, конечные точки «время до события», составные исходы на основе выздоровления и продольныеOrdinal модели. Однако их сравнительные операционные характеристики в условиях реалистичных курсов ОВРИ пока недостаточно изучены. Мы описываем симуляционное исследование для сравнения уровня I ошибки и мощности широко используемых и недавно предложенных конечных точек и стратегий анализа для двухгрупповых рандомизированных испытаний среди госпитализированных участников с ОВРИ. Данные будут генерироваться по нескольким механизмам, направленным на имитацию правдоподобных траекторий участников, включая латентный процесс Брауна, процесс первого порядка ординальной марки, латентный процесс повторных событий с ослаблением и повторную выборку индивидуальных данных участников из испытания ACTT-2. Смоделированные результаты будут использовать ординальные шкалы тяжести с 4-, 6- и 8 уровнями и будут отражать популяции умеренно и тяжело больных, сроки наблюдения в 28 или 60 дней, различные эффекты лечения и размеры выборки. Сравниваемые методы включают модели перехода ординальных состояний Маркова, модели пропорциональных шансов в фиксированную точку времени, анализы по шкале дней до выздоровления, модели Кокса для конечных точек «время до события», логистическую регрессию для бинарных конечных точек, обобщенные парные сравнения для иерархических составных исходов и t-тесты для дней жизни и выписки из больницы. Это исследование предоставит систематическое сравнение определений конечных точек и методов анализа для испытаний на ОВРИ при клинически обоснованных механизмах генерации данных. Результаты направлены на информирование выбора осуществимых, интерпретируемых и статистически эффективных стратегий первичного анализа для будущих клинических испытаний при вирусных респираторных заболеваниях.

Диагностика традиционной китайской медицины (ТКМ), особенно через осмотр языка, сталкивается с постоянными проблемами субъективности и воспроизводимости. Применение многомодального искусственного интеллекта для клинических задач ТКМ, таких как дифференциация синдромов и генерация рецептов, значительно затруднено семантическим разрывом между визуальными характеристиками языка и текстовым обоснованием, а также отсутствием масштабных, стандартизированных наборов данных. Для решения этих проблем мы представляем MMIR-TCM, новую структуру, которая эмулирует процесс диагностики экспертов ТКМ, интегрируя многомодальную языковую модель с сегментацией, дополненной памятью и генерацией, основанной на извлечении. Используя архитектуру, состоящую из трех этапов, MMIR-TCM интегрирует модуль Memory-SAM, не требующий обучения, для надежного извлечения языка, уточненную модель Qwen3-VL для генерации структурированной диагностики языка и компонент RAG на основе Qwen3 для генерации обоснованной клинической поддержки принятия решений. Структура была разработана и валидирована с использованием MedTCM, нового крупномасштабного многомодального набора данных, который мы представляем специально для углубленных исследований ТКМ. Для правильной оценки клинической точности нашей структуры, которую существующие метрики не могут отразить, мы также разработали TDEU, доменно-специфическую оценочную метрику, учитывающую семантическое понимание и диагностическую важность. Наши комплексные эксперименты демонстрируют, что MMIR-TCM значительно превосходит ведущие модели.

Мы представляем GeneBench-Pro, расширенную и улучшенную версию GeneBench, которая включает более сложные задачи в более широком диапазоне областей. GeneBench-Pro служит эталоном для ИИ-агентов, выполняющих реалистичный многоступенчатый научный анализ в геномике, количественной биологии и трансляционной биомедицине, и направлен на отражение сложности реальных проблем, с которыми сталкиваются вычислительные биологи, когда им поручено сделать вывод, от которого зависит дальнейшее научное или трансляционное решение. Эталон состоит из 129 оценок, нацеленных на величины непосредственной практической значимости в 10 основных областях и 21 конечной подсистеме, сосредоточенных на геномике. Подобно GeneBench, каждая задача предоставляет агенту краткий контекст, целевую оценочную величину и минимум дополнительных указаний; агент должен пройти через несколько зависимых точек принятия решений, т.е. значимые инференциальные развилки, где правдоподобный неверный выбор меняет дальнейший анализ, чтобы определить и выполнить правильный рабочий процесс анализа и прийти к правильному ответу. По сравнению с GeneBench, GeneBench-Pro добавляет 29 новых задач, исключает три и представляет значительно переработанные версии 54 из оставшихся 100 перекрывающихся задач. 82 из 129 задач были рассмотрены внешними экспертами в области, чьи выводы привели к изменениям в данных/модификациям и повторному проектированию тех задач, целевые величины которых были недостаточно идентифицированы. Десять задач, рассмотренных внешними экспертами, опубликованы, 50 закрытых задач были предоставлены для независимого моделирования и оценки третьими сторонами, а остальные оставлены в качестве внутреннего запаса. В оценках по полному набору из 129 задач, GPT-5.6 Sol достигает уровня прохождения 28.7% на максимальном уровне рассуждений, а GPT-5.6 Sol Pro достигает 31.5% в отдельно представленных запусках GPT Pro. GPT-5.5 достигает 12.0%, GPT-5.4 достигает 8.9%, а самый сильный базовый вариант без GPT, Claude Opus 4.8, достигает 16.0%. Как и в GeneBench, модели часто завершают значительные части рабочего процесса, но демонстрируют постоянный разрыв между восприятием и действием, идентифицируя локальные диагностические сигналы, но не успевая перенести последствия на соответствующее аналитическое решение. В результате модели часто выбирают неверные оцениватели или продолжают изначально правдоподобные, но неверные пути анализа. GeneBench-Pro, таким образом, измеряет развивающуюся способность к долгосрочному биологическому рассуждению, которая остается ненадежной.

Исследования внешней валидации имеют конечный размер выборки, что создает неопределенность относительно того, превышает ли чистая выгода (ЧВ) модели прогнозирования ЧВ базовых стратегий. Ожидаемая цена идеальной информации (ОПИ) quantifies последствия неопределенности. Текущие методы ОПИ фокусируются на одиночных исследованиях, игнорируя гетерогенность между центрами. Мы расширяем ОПИ и ожидаемую цену частичной идеальной информации (ОПЧИ), чтобы учесть гетерогенность между кластерами в многокцентровых исследованиях и метаанализах. Мы различаем глобальную и локальную оптимальную стратегию, а также наблюдаемые и ненаблюдаемые кластеры. Мы определяем ОПИглобальная, ОПИкластер_j, ОПИкластер и ОПЧИкластер,преобладание, реализованные в R-пакете MetaNB, и иллюстрируем их с помощью систематического обзора, проведенного в 36 центрах, по модели ADNEX для диагностики рака яичников. Предполагая одно глобальное решение по принятию ADNEX, нет необходимости в дополнительных данных для подтверждения, что ADNEX является превосходящим в целом (ОПИглобальная 0). Метаанализ заимствует информацию из наблюдаемых кластеров, что приводит к последовательному локальному превосходству ADNEX и ненулевому, но обычно более низкому ОПИкластер_j, чем при учете только локальных данных. Вероятность того, что базовые стратегии превосходят в ненаблюдаемых центрах, составляет 0.03. Устранение неопределенности в производительности и преобладании в каждом кластерном (ОПИкластер) дало бы 1134 чистых избегнутых ложноположительных результатов (ЛП) в год, предполагая 350000 опухолей ежегодно с 20% злокачественностей. Определение только локального преобладания с уверенностью (ОПЧИкластер, преобладание) дало бы 158 чистых избегнутых ЛП в год. Расширения ОПИ распутывают источники неопределенности и количественно оценивают необходимость дальнейшей валидации для определения глобальной или локально оптимальной стратегии. Учет неопределенности и гетерогенности в клинической полезности между кластерами имеет решающее значение для принятия решения о необходимости дополнительных валидационных исследований.

Фиброаденома груди (ФА) и опухоль Филлоидов (ОФ) — это фиброэпителиальные поражения груди с высоко перекрывающимися проявлениями на ультразвуковых изображениях, что делает доброкачественные и пограничные ОФ подверженными ошибочной классификации как ФА, осложняя предоперационное принятие решений. Существующие методы компьютерной помощи в диагностике обычно основываются на однородных изображениях и недостаточно используют дополнительные клинические и текстовые данные. Чтобы решить эту проблему, мы разработали набор данных FAPT-M, состоящий из 910 пациентов с строго проверенными ультразвуковыми изображениями, структурированными клиническими атрибутами и описаниями ультразвуковой диагностики. На основе этого набора данных мы предлагаем клинически ориентированную мультимодальную структуру, которая объединяет визуальное кодирование на основе DenseNet, текстовое кодирование, вдохновленное CLIP, и легковесное клиническое кодирование, а также вводит адаптивную модуляцию с учетом клинических данных, фузию между модальностями с помощью Transformers и обучение представления с двойным путем для улучшения согласования признаков и взаимодействия между модальностями. В рамках пятирубцовой перекрестной проверки на уровне пациентов предлагаемый метод достигает точности 77,64%, F1-оценки 73,38% и AUC 89,74%, что превосходит представительные эталонные методы на базе CNN, Transformers и визуально-языковых моделей. Исследования по абляции и оценки с учетом классов дополнительно подтверждают вклад фузии трех модальностей и ключевые архитектурные компоненты. В целом, эта работа предоставляет эффективный мультимодальный подход для детальной классификации ФА и ОФ и устанавливает высококачественный эталон для мультимодального анализа ультразвука молочной железы.