Статья: НОВЫЙ КОЛИЧЕСТВЕННЫЙ МЕТОД ОЦЕНКИ УЛЬТРАСТРУКТУРЫ МИТОХОНДРИЙ КАРДИОМИОЦИТОВ УШКА ПРАВОГО ПРЕДСЕРДИЯ (2026)

Цель исследования — разработка оптимального метода прогнозирования результатов велоэргометрической (ВЭМ) пробы на основе параметров, регистрируемых во время теста с шестиминутной ходьбой (ТШХ), с использованием методов машинного обучения.

Материалы и методы. В исследовании участвовали 56 пациентов, перенесших острый инфаркт миокарда и проходивших второй этап кардиореабилитации. Выполнено комплексное обследование, включающее сбор анамнеза, физикальное обследование, антропометрическую оценку, а также симптом-лимитированную ВЭМ-пробу и ТШХ. Во время ТШХ регистрировали пройденную дистанцию, частоту сердечных сокращений, артериальное давление, сатурацию кислорода, воспринимаемое напряжение по шкале Борга, количество пройденных шагов и электрокардиографические данные. Для построения моделей машинного обучения использовали алгоритмы случайного леса, градиентного бустинга, метода k-ближайших соседей и множественной линейной регрессии. Производительность моделей оценивали на основе коэффициента детерминации, средней абсолютной ошибки, среднеквадратичной ошибки и корня из среднеквадратичной ошибки. Для интерпретации результатов применяли SHAPанализ.

Результаты. Модель градиентного бустинга обеспечивает наилучшее качество прогноза с высоким коэффициентом детерминации (R2 около 0,99) и низкими значениями ошибок для обеих целевых метрик: пройденной дистанции в ТШХ и метаболического эквивалента, достигнутого при ВЭМ-пробе. Анализ значимости признаков выявил, что частота сердечных сокращений, возраст и индекс массы тела оказывают наибольшее влияние на прогнозирование дистанции ТШХ, в то время как для прогнозирования метаболического эквивалента наиболее значимыми являются пройденное расстояние, количество пройденных шагов и индекс массы тела.

Заключение. Разработанная модель машинного обучения на основе градиентного бустинга продемонстрировала высокую эффективность в прогнозировании результатов ВЭМ-пробы на основе данных ТШХ. Предложенный метод может служить ценным вспомогательным инструментом для планирования программ кардиореабилитации, особенно в случаях, когда проведение ВЭМ-пробы затруднено или невозможно. Использование SHAP-анализа способствовало пониманию вклада каждого признака в прогноз, повышая доверие к результатам модели.

Цель исследования — гистологически обосновать диагностический потенциал новых биомаркеров системного воспаления (MLR, SIRI, CAR, dNLR, ALB/dNLR) в оценке выраженности ревматоидного артрита (РА), сформированного у теплокровных животных с генетически обусловленной резистентностью к гипоксии.

Материалы и методы. Модель аутоиммунного РА (опытные группы) формировали подкожным введением полного адъюванта Фрейнда в правую заднюю конечность самцам 8-месячных крыс линий, имеющих высокую (ВУ/SmY) и низкую (НУ/SmY) резистентность к гипоксии. Крысам контрольных групп вводили растворители. Через 35 дней у всех крыс из сердца отбирали кровь. Для расчета новых биомаркеров воспаления — CAR, ALB/dNLR, SIRI, dNLR, NC/LС, MLR — использовали следующие лабораторные показатели: ALB (альбумин), СРБ (C-реактивный белок), MC (моноциты), LC (лимфоциты) и NC (нейтрофилы). Эффективность оценки тяжести заболевания с помощью биомаркеров определяли по результатам гистологического исследования плантарных срезов заплюсневых и плюснефаланговых суставов контрольных и опытных крыс.

Результаты. Генетически обусловленная резистентность к гипоксии является важным фактором в манифестации патогенетических механизмов РА. В случае низкой устойчивости организма к гипоксии наблюдается развитие более тяжелых форм патологии соединительной ткани, чем при высокой устойчивости: НУ/ВУ — 164 балла/113 баллов, p≤0,05. Тяжесть патоморфологических изменений при РА (с учетом устойчивости организма к гипоксии), выявленную гистологически (степень дегенерации хряща НУ/ВУ — 29 баллов/18 баллов, p≤0,01; общее воспаление сустава НУ/ВУ — 37 баллов/26 баллов, p≤0,01; остеолизис НУ/ ВУ — 6 баллов/0 баллов, p≤0,01), наиболее эффективно отображали следующие интегральные индексы воспаления: CAR (НУ/ ВУ — 11,55·10–6 ед./12,73·10–6 ед.), ALB/dNLR (НУ/ВУ — 86,93 ед./78,51 ед.) и SIRI (НУ/ВУ — 0,14 ед./0,19 ед.).

Заключение. Выраженность патоморфологических признаков РА зависит от генетически обусловленной резистентности к гипоксии. Для эффективного прогнозирования заболевания, риска осложнений и результативности назначенного лечения целесообразно использовать новые биомаркеры системного воспаления CAR, ALB/dNLR и SIRI.

Цель исследования — оценить возможность использования радиоиммуноконъюгатов (РИК) наноантител против PD-L1 и HER2/neu для диагностики и терапии злокачественных опухолей.

Материалы и методы. Наноантитела к биомаркерам человека PD-L1 и HER2/neu конъюгировали с радионуклидами 68Ga и 177Lu с использованием хелатирующего агента DOTA. Биораспределение РИК исследовали в экспериментальных моделях на мышах F1(DBA/2xBALB/c), которым прививали генно-модифицированные клетки мышиной карциномы CT26, экспрессирующие PD-L1 или HER2/neu человека. РИК, содержащие изотоп 68Ga и предназначенные для выявления опухолей, вводили животным внутривенно в дозе 1,0–1,2 МБк. Накопление радиоактивности в специфических опухолях, несущих биомаркеры человека, оценивали методом прямой дозиметрии через 0,5, 1,5 и 4 ч в сравнении с контрольными опухолями. Для терапии использовали РИК, содержащие 177Lu, которые вводили в дозе 0,8–1,6 МБк и исследовали аналогично в течение 96 ч после введения.

Результаты. После введения мышам РИК, содержащих 68Ga, наибольшую разницу между специфическими и контрольными опухолями наблюдали на сроке 1,5 ч. В это же время отмечалось многократное превышение радиоактивности специфической опухоли над радиоактивностью крови и мышечной ткани, что должно обеспечивать высокую контрастность визуализации. После введения мышам РИК, содержащих 177Lu, радиоактивность в специфических опухолях сохранялась в течение 48 ч, что создавало длительное воздействие радиоизотопа на опухоль. При введении всех РИК происходила быстрая элиминация радиоактивности из крови через мочу, что было связано с использованием наноантител, имеющих молекулярную массу 13 кДа и не содержащих участков взаимодействия с Fc-рецепторами. Отмечено значительное накопление и длительное сохранение радиоактивности в почках. В работе была выявлена зависимость биораспределения радиоактивности от использованного изотопа: нормализованная по времени радиоактивность ряда органов и тканей, включая опухоли, после введения РИК, содержащих 68Ga, была выше, чем после введения РИК той же специфичности, но содержащих радиоизотопы 177Lu.

Заключение. Результаты исследования указывают на функциональную пригодность пар РИК наноантител с радиоизотопами 68Ga и 177Lu для тераностики злокачественных опухолей, экспрессирующих биомаркеры PD-L1 и HER2/neu.

Цель исследования — изучить возможность использования технологий искусственного интеллекта для определения возраста детей по рентгеновским снимкам зубов.

Материалы и методы. Проведено ретроспективное исследование, в ходе которого проанализированы ортопантомограммы 322 детей (173 — женского и 149 — мужского пола) в возрасте 4–16 лет. На каждом снимке были аннотированы 14 постоянных зубов нижней челюсти. Обучение нейросетей производили с разбиением данных на тренировочную и тестовую выборку в соотношении 80:20; применяли кросс-валидацию с числом разбиений, равным 5. Оценка возраста решалась как задача регрессии. Процесс обучения и валидации нейросети реализован на языке Python с использованием библиотеки PyTorch. Точность прогнозирования возраста оценивали по коэффициенту детерминации (R2), среднеквадратичной ошибке (MSE) и средней абсолютной ошибке (MAE).

Результаты. Исследование показало, что разработанная модель машинного обучения обладает высокой точностью в оценке возраста детей. Значение средней абсолютной ошибки на кроссвалидацию составило 0,92 года, что существенно меньше ошибки при традиционно используемых ручных методах.

Цель исследования — оценка эффективности архитектуры нейронной сети KANU-Net 2D, основанной на архитектуре UNet, в задаче сегментации двухмерных МРТ-изображений головного мозга из набора данных BraTS при ограниченном количестве обучающих примеров.

Материалы и методы. В рамках работы были проведены эксперименты с подвыборками объемом 50, 100 и 150 изображений. Описаны этапы предобработки данных, включая нормализацию, гамма-коррекцию, обрезку и аугментацию. В качестве функции потерь использовали комбинацию Dice loss и BCE loss. Оптимизацию сети проводили с помощью AdamW. Производительность работы сети оценивали с использованием метрик Accuracy и коэффициента Dice для каждого региона и его среднего значения.

Результаты. Экспериментально продемонстрировано, что KANU-Net 2D достигает конкурентоспособной производительности, сравнимой с современными SOTA-моделями сверточных нейронных сетей, при обучении на малых выборках. В частности, средний коэффициент Dice составил 0,851 при использовании 100 обучающих примеров.

Заключение. Проведенные исследования показали, что сеть KANU-Net 2D превосходит модель для сегментации MedDANet как по среднему значению, так и по отдельным классам. Эффективность модели для различных зон опухоли обусловливает возможность адаптации подхода на основе KAN (сети Колмогорова–Арнольда) к различным характеристикам изображений в задаче медицинской сегментации. Полученные результаты подчеркивают несомненную перспективность применения KAN для сегментации медицинских изображений на малых выборках и могут служить фундаментом для проведения дальнейших исследований в этой области.