Исследователи из Worcester Polytechnic Institute разработали модель машинного обучения, которая анализирует МРТ-сканы в 95 областях мозга для выявления болезни Альцгеймера с почти 93% точностью, определив потерю объёма гиппокампа как ключевой ранний биомаркер.
Microsoft запустила Copilot Health — специализированного ИИ-компаньона для здоровья, который интегрирует данные носимых устройств более чем с 50 устройств и записи более чем из 50 000 больниц США через HealthEx, тем самым ориентируя ИИ компании на создание медицинского суперразума для повседневных пациентов.
Журнал Nature опубликовал прорывную систему DeepRare на базе ИИ, которая использует клинические данные и генетическую информацию для диагностики редких заболеваний, положив конец многолетним диагностическим одиссеям пациентов.
Цифровой стетоскоп с ИИ от Eko Health показал чувствительность 92,3% при выявлении умеренных и тяжёлых заболеваний клапанов сердца, почти вдвое превосходя 46,2% точность традиционного аускультативного обследования в клинических испытаниях.
Исследование Mount Sinai показывает, что ИИ-LLM принимают медицинскую дезинформацию за правду в 32–46% случаев, особенно когда она представлена как совет эксперта.
Исследование Оксфордского университета показывает, что ИИ-чатботы дают противоречивые медицинские рекомендации, из-за чего пользователям трудно определить надежную информацию о здоровье.
Исследователи из Гарварда опубликовали в Nature Neuroscience базовую модель BrainIAC, предсказывающую деменцию, инсульт и рак по 48 900 МРТ-сканам.
Юта заключила партнёрство с медтех-стартапом Doctronic, чтобы запустить систему ИИ, которая будет автономно продлевать примерно 200 распространённых лекарств после проведения клинических оценок. Эта инициатива вызывает ключевые вопросы относительно полномочий надзора FDA, поскольку Doctronic утверждает, что её «ИИ-врач» не требует регуляторного одобрения.
Этот инструмент глубинного обучения обеспечивает беспрецедентную 3D-визуализацию волосковых клеток улитки, продвигая исследования по лечению потери слуха.
Исследователи MIT демонстрируют, что наиболее эффективные модели машинного обучения могут стать наихудшими при применении к новым средам данных, раскрывая скрытые риски от ложных корреляций в медицинском ИИ и других критически важных областях.
