Artykuł przedstawia badanie dotyczące zastosowanie wielomodalnego podejścia głębokiego uczenia do przewidywania przeżywalności pacjentów z nieoperacyjnym rakiem płuca (NSCLC) przy wykorzystaniu radiomicznych danych z tomografii komputerowej (CT). Badacze zaimplementowali trójwymiarową sieć neuronową konwolucyjną (CNN) do ekstrakcji 256 cech radiomicznych, a następnie użyli modelu DeepSurv do analizy efektywności predykcji w porównaniu z tradycyjnym modelem Cox-PH. Wyniki z zestawów danych treningowych i testowych pokazały, że modele łączące cechy radiomiczne, głębokie cechy radiomiczne oraz dane kliniczne uzyskały najwyższe wskaźniki skuteczności (C-index) zarówno na etapie treningu, jak i testowania.

Artykuł przedstawia system głębokiego uczenia się opracowany do przewidywania biochemicznego nawrotu raka (BCR) u mężczyzn z rakiem prostaty przed przeprowadzeniem prostatektomii radykalnej. System wykorzystuje obrazy biopsji prostaty i jest trenowany przy użyciu sieci neuronowej Inception_v3 oraz metody uczenia wielu instancji. Badanie wykazało wysoką skuteczność systemu (AUC = 0.911) i potencjał do generowania korzystnych korzyści klinicznych, a także zwróciło uwagę na możliwości interpretacyjne modele sztucznej inteligencji w patologii.

Badanie przeprowadzone na próbie 14,606 ambulatoryjnych nagrań EKG oceniło wydajność algorytmu AI, DeepRhythmAI, w identyfikacji krytycznych arytmii, w porównaniu z pracą certyfikowanych techników EKG. Algorytm AI wykazał znacznie wyższą czułość (98,6%) w stosunku do techników (80,3%) oraz niższą liczbę wyników fałszywie negatywnych. Jednakże, AI generowało więcej fałszywie pozytywnych wyników niż technicy. Algorytm DeepRhythmAI może znacząco poprawić proces raportowania bezpośrednio do lekarzy, zmniejszając koszty oraz zwiększając dostępność i jakość opieki nad pacjentami wymagającymi monitorowania EKG.

Badanie oceniające wydajność chatbotów zasilanych SI, ChatGPT-4.0 i Gemini Advanced, w egzaminie specjalizacyjnym z dziedziny stomatologii (DUS) w Turcji, wykazało, że ChatGPT-4.0 osiągnął lepsze wyniki niż Gemini Advanced, przekraczając minimalny próg zdawalności na poziomie 45 punktów. Mimo to, oba chatboty uzyskały słabsze wyniki w porównaniu z najlepszymi zdającymi dany rok, zwłaszcza w sekcjach nauk podstawowych, klinicznych oraz ogólnej ocenie, wykazując również niższą efektywność w takich specjalizacjach klinicznych jak endodoncja i ortodoncja.

Artykuł przedstawia nową metodę SEGT-GO, wykorzystującą transformery grafowe i sztuczną inteligencję do przewidywania funkcji białek w wielogatunkowych sieciach interakcji białek (PPI). Technika ta opiera się na serializacji sąsiedztw wieloskocznych i ramach XAI opatrzonych teorią gier, co pozwala na lepsze przewidywanie funkcji białek, szczególnie w przekroju międzygatunkowym oraz przewidywaniu funkcji nieznanych białek. SEGT-GO wykazało lepsze wyniki niż istniejące metody, zwłaszcza w badaniach na małych zestawach danych.

Artykuł przedstawia wyniki badań nad systemem ReSyncAI, który integruje sztuczną inteligencję (AI) do strukturyzowania nieuporządkowanych danych medycznych dawców organów w badaniach okulistycznych. Przy użyciu przetwarzania języka naturalnego (NLP) system uzyskał 94,2% skuteczności w ekstrakcji kluczowych terminów medycznych i umożliwił automatyczne dopasowanie danych dawców do kryteriów projektów badawczych, szczególnie w przypadkach związanych ze zwyrodnieniem plamki związanym z wiekiem. ReSyncAI znacznie poprawia wydajność i dokładność w dobieraniu próbek do badań naukowych w optymalnych przedziałach czasu po śmierci dawcy.

Artykuł naukowy przedstawia wyniki badania przekrojowego dotyczącego związku między posiadaniem stałego źródła podstawowej opieki zdrowotnej (USPC) a korzystaniem z informacji o zdrowiu online (OHI) za pośrednictwem narzędzi takich jak ChatGPT. Badanie wykazało, że osoby mające dostęp do stałej opieki podstawowej rzadziej korzystają z ChatGPT i innych źródeł OHI, sugerując, że osobista relacja z dostawcą opieki podstawowej może zmniejszać potrzebę lub motywację do korzystania z informacji pochodzących z sztucznej inteligencji.

Artykuł dotyczy meta-analizy oceniającej dokładność diagnostyczną badań radiomicznych opartych na MRI, służących do przewidywania mutacji EGFR w przerzutach mózgowych pochodzących z raka płuc. Badanie przeanalizowało wyniki z 11 badań, wykazując wysoką skuteczność tej metody z AUC równym 0.90 dla zbiorów uczących i 0.91 dla zbiorów walidacyjnych. Ustalono również, że sekwencje T1C + T2WI, skanery 3.0 T, radiomika oparta na uczeniu maszynowym, ręczna segmentacja oraz oprogramowanie PyRadiomics zapewniają lepszą dokładność diagnostyczną.

Artykuł naukowy prezentuje model PIPENN-EMB, który używa osadzeń z modelu językowego ProtT5-XL do przewidywania interfejsów interakcji białkowych. Wyniki pokazują znaczną poprawę w stosunku do wcześniejszego modelu PIPENN, osiągając lepsze wyniki MCC i AUROC na zestawie testowym BIO_DL_TE. Model PIPENN-EMB, w odróżnieniu od innych metod opartych na sekwencji, dobrze generalizuje również do białek o niskiej homologii sekwencyjnej w danych treningowych. W badaniu prezentowane są również predykcje dla 25 białek rezystencyjnych z Mycobacterium tuberculosis.

Badanie miało na celu opracowanie modelu uczenia maszynowego z użyciem danych z tomografii komputerowej (CT) do przewidywania występowania zespołu odpowiedzi zapalnej uogólnionej (SIRS) po endoskopowym zabiegu usuwania kamieni nerkowych. W badaniu wzięło udział 833 pacjentów poddanych zabiegom RIRS lub PCNL. Użyto pięciu algorytmów uczenia maszynowego oraz dziesięciu zmiennych przedoperacyjnych i śródoperacyjnych, tworząc model predykcyjny dla SIRS z wykorzystaniem metody SHAP do analizy ważności cech. Najlepsze wyniki osiągnął model XGBoost, który charakteryzował się wysoką skutecznością i może być przydatny urologom w wczesnym rozpoznawaniu i interwencji w urosepsie pooperacyjnej.