Artykuł przeglądowy omawia wykorzystanie technik uczenia maszynowego w połączeniu z białkiem p53 w celu przewidywania i analizy aktywności nowotworowej. Białko p53, znane jako supresor tumora, odgrywa kluczową rolę w regulacji wzrostu komórek, naprawie DNA i apoptozie, co zapobiega tworzeniu się nowotworów. Wykorzystanie uczenia maszynowego wspomaganego białkiem p53 może przyczynić się do wczesnego wykrywania raka, co jest nadzieją na nowe perspektywy badawcze. W ramach recenzji przeprowadzono analizę różnorodnych technik uczenia maszynowego, typów danych oraz oceniono ich skuteczność w kontekście onkologicznym.

Badanie to ocenia stosunek między trzecim trzonowcem żuchwy a kanałem żuchwy za pomocą CBCT i techniki uczenia głębokiego, a także automatycznie segmentuje zatrzymane trzecie trzonowce żuchwy, kanał żuchwy, otwór brodowy i żuchwowy. W badaniu retrospektywnym analizowano dane CBCT od 300 pacjentów, stosując architekturę nnU-NetV2 do opracowania optymalnego modelu głębokiego uczenia. Model wykazał wysoką dokładność i skuteczność w identyfikowaniu struktur anatomicznych i przewidywaniu komplikacji chirurgicznych, oferując wartościowe wsparcie w diagnostyce i planowaniu chirurgicznym.

W artykule omówiono wykorzystanie sieci neuronowych do optymalizacji lipidów jonizowalnych, które są kluczowymi składnikami nanopartycułek lipidowych wykorzystywanych do nie wirusowego przekazywania mRNA. Autorzy stworzyli bazę danych z ponad 9000 pomiarów aktywności nanopartycułek lipidowych, którą wykorzystali do trenowania sieci neuronowej w celu przewidywania efektywności dostarczania kwasów nukleinowych. Otrzymali przewidywania dotyczące dostarczania RNA in vitro i in vivo oraz zidentyfikowali dwie struktury lipidów, FO-32 i FO-35, które skutecznie dostarczyły mRNA do mięśni myszy oraz śluzówki nosowej. FO-32 okazała się równie skuteczna jak najlepsze dotychczasowe metody dostarczania mRNA do płuc myszy, a obie struktury skutecznie dostarczały mRNA do płuc fretek. Praca ta pokazuje,…

W badaniu przeprowadzonym przez Hydrocephalus Clinical Research Network (HCRN) porównano wydajność predykcyjną oryginalnego modelu ETV Success Score (ETVSS) z nowymi modelami uczenia maszynowego oraz oceniono wpływ włączenia zmiennych obrazowych na poprawę predykcji. Wyniki wykazały, że modele uczenia maszynowego nie przewyższyły modelu regresji logistycznej, zarówno przed jak i po dodaniu zmiennych obrazowych, sugerując skuteczność klasycznych metod w tej przestrzeni klinicznej.

Artykuł omawia badanie nad potencjałem mikroRNA (miRNA) jako biomarkerów diagnostycznych dla wczesnego wykrywania zawału mięśnia sercowego (MI). Badanie wykorzystywało metody bioinformatyczne oraz uczenie maszynowe do identyfikacji panelu biomarkerów miRNA i stworzenia modeli diagnostycznych. Dysregulacja 99 miRNA została zidentyfikowana, a model złożony (hard voting ensemble) osiągnął dokładność 0.86 i AUC 0.83 w niezależnym zestawie testowym, co wskazuje na obiecujące możliwości wykorzystania miRNA jako biomarkerów w wczesnej diagnostyce MI.

Artykuł omawia rosnącą rolę sztucznej inteligencji (AI) w medycznym obrazowaniu, podkreślając wyzwania związane z jej wdrażaniem w codziennych praktykach klinicznych. AI poprawia efektywność generowania, przetwarzania i interpretacji obrazów medycznych, jednakże małe jest zastosowanie tych technologii w rutynowej praktyce klinicznej, co pokazuje luki pomiędzy badaniami nad AI a ich stosowaniem w medycynie. Artykuł przedstawia omówienie aktualnego stanu workflow w radiologii i identyfikuje przeszkody w implementacji AI w szpitalach. Dyskusje eksperckie i wieloletnie doświadczenia profesjonalistów wspierają opracowanie oraz zintegrowanie AI, które wspomagać ma konsorcjum MONAI, dostarczające narzędzia open-source do reproducyjnego uczenia głębokiego w praktyce radiologicznej.

Artykuł przedstawia badanie porównujące zdolności dwóch dużych modeli językowych (LLM) – GPT-4 i Gemini – do analizy szeregów raportów radiologicznych w kontekście wykrywania problemów onkologicznych wymagających dalszej uwagi klinicznej. W badaniu wzięło udział 205 pacjentów, każdy z dwoma kolejnymi raportami radiologicznymi. Skuteczność modeli oceniano na podstawie zgodności wykrywanych wyników i kategoryzacji obrazów nowotworowych. GPT-4 wykazał wyższą skuteczność w porównaniu do Gemini, uzyskując lepsze wyniki w dopasowywaniu odpowiednich wyników pomiędzy raportami oraz identyfikacji i precyzyjnym określeniu statusu nowotworów.

OpenAI po sukcesie ChatGPT wprowadziło nowy model AI o nazwie Sora, który potrafi generować krótkie filmy na podstawie tekstowych instrukcji. Innowacja ta wpisuje się w narastający trend rewolucji AI, szczególnie zauważalny w dziedzinach takich jak diagnoza obrazowa w medycynie. Nowy model może znaleźć też zastosowanie w chirurgii plastycznej, szczególnie w modelowaniu i symulacji wyglądu twarzy i konturów ciała. Artykuł oprócz opisu modelu Sora, przewiduje przyszłe zastosowania technologii generowania treści przez AI, w tym tekst-na-holografię czy tekst-na-materiały.

Artykuł przedstawia wyniki badania na temat identyfikacji białek lokalizujących się w kondensatach biomolekularnych, czyli organellach bezmembranowych, które koncentrują różne proteiny w komórkach. Opisany w nim algorytm uczenia maszynowego PICNIC (Proteins Involved in CoNdensates In Cells) umożliwia klasyfikację białek znajdujących się w kondensatach, niezależnie od ich roli w tworzeniu kondensatu. PICNIC, korzystając z analizy sekwencji aminokwasów i struktury białek, osiągnął ~82% dokładności w predykcyjnym identyfikowaniu składników kondensatów, co potwierdziły eksperymentalne testy na 24 białkach.

Artykuł przedstawia badanie, w którym zastosowano podejście machine learning do przewidywania preferencji wiązania receptorowego wirusów grypy A, oparte na sekwencjach aminokwasów hemaglutyniny. Użycie sieci neuronowej do przewidywania preferencji kwasu sialowego pokazało 94% dokładność na zestawie testowym. Badanie to potwierdza możliwości in silico w przewidywaniu preferencji wiązania receptorowego hemaglutyniny, co może pomóc w ocenie ryzyka przyszłych pandemii.