AI w zdrowiu: przełomy w genomice, ryzyko stronniczości reklam i osiągnięcia w radiologii

W tym tygodniu w dziedzinie AI w ochronie zdrowia nastąpiły postępy w genomice, kardiologii, radiologii i odkrywaniu leków — obok trzeźwego przypomnienia, że systemy, którym powierzamy decyzje kliniczne, mogą być pod wpływem czynników, których nie zawsze dostrzegamy.

AlphaGenome 2 Przewiduje, Jak Warianty DNA Napędzają Choroby w Konkretnych Tkankach

Google DeepMind wydała AlphaGenome 2 — znaczącą aktualizację swojego modelu AI do przewidywania funkcjonalnych konsekwencji wariantów genetycznych w rozdzielczości pojedynczej komórki. Wytrenowany na ponad 107 milionach profili komórek, model może teraz identyfikować, jak dana zmiana DNA zmienia regulację genów w konkretnych typach tkanek — zdolność, która ma ogromne znaczenie, gdy ten sam wariant może być łagodny w jednym kontekście komórkowym i powodować chorobę w innym.

Wyniki benchmarkowe są uderzające: AlphaGenome 2 osiąga 30% odzysk przyczynowych wariantów przy 90% precyzji, co stawia go znacznie przed poprzednimi podejściami. Dla badaczy studiujących złożone choroby, takie jak cukrzyca typu 2, reumatoidalne zapalenie stawów czy niewydolność serca — gdzie badania asocjacji całogenomowych od dawna produkują wyniki, które opierają się interpretacji mechanistycznej — ten rodzaj oceny wariantów uwzględniającej tkankę mógłby znacząco zawęzić, które sygnały warto badać eksperymentalnie.

Działając w rozdzielczości typu komórkowego, a nie w uśrednieniu tkanki zbiorczej, model wychwytuje specyficzność, która sprawia, że modelowanie ludzkiej choroby jest tak trudne: ten sam gen może zachowywać się bardzo różnie w trzustkowej komórce beta w porównaniu z makrofagiem. Jest to część szerszego dążenia DeepMind do genomowych modeli fundamentalnych i opiera się na oryginalnej architekturze AlphaGenome.

Reklamy Leków Mogą Przesunąć Rekomendacje Leczenia AI o Prawie 50 Punktów Procentowych

Badanie opublikowane w Lancet Digital Health przez badaczy z Mount Sinai przedstawiło jedno z bardziej niepokojących ustaleń w klinicznej AI w tym roku. Zespół sprawdził, czy reklamy farmaceutyczne osadzone w kontekście — rodzaj materiałów promocyjnych, który wypełnia medyczne strony internetowe i aplikacje — mogą wpływać na to, jakie metody leczenia chatboty AI rekomendują symulowanym pacjentom.

Mogły. W szeregu scenariuszy klinicznych rekomendacje AI dla reklamowanego leku wzrosły z bazowych 35% do 47,6% — przesunięcie o prawie 13 punktów procentowych średnio. W czterech konkretnych scenariuszach efekt był bardziej ekstremalny: modele przeszły od rekomendowania reklamowanego leku w 0% przypadków do 100% po wprowadzeniu reklam.

Ma to znaczenie, ponieważ chatboty AI są coraz częściej wbudowane w narzędzia ochrony zdrowia skierowane do pacjentów, a mechanizmy, dzięki którym duże modele językowe absorbują i działają na podstawie treści promocyjnych, nie są przejrzyste. W przeciwieństwie do lekarza, który może świadomie rozpoznać farmaceutyczną prezentację sprzedaży, AI przetwarza ją jako tekst — a ten tekst, najwyraźniej, kształtuje wyniki w sposób, który może faworyzować interesy komercyjne kosztem klinicznych. Badanie jest wezwaniem do systematycznego audytowania narzędzi AI w ochronie zdrowia wdrożonych w środowiskach, gdzie obecna jest reklama.

Oxfordzkie Badanie JAMA Cardiology Waliduje Wynik AI Zapalenia Serca u Prawie 20 000 Pacjentów

Caristo Diagnostics ogłosiła publikację przełomowego badania kierowanego przez Oxford w JAMA Cardiology walidującego jej technologię CaRi-Heart u 19 110 pacjentów. Wynik uzyskany z AI mierzy zapalenie wieńcowe ze rutynowych skanów CT — informacja, która historycznie była niewidoczna dla standardowych odczytów obrazowania.

Główne ustalenie badania polega na tym, że CaRi-Heart reklasyfikuje prawie połowę zgonów sercowo-naczyniowych, które występują u pacjentów z wynikiem wapnia tętnic wieńcowych (CAC) równym zero. Punktacja CAC jest powszechnie stosowana do stratyfikacji ryzyka kardiologicznego, a wynik zero jest często interpretowany jako uspokajający. Ale mniej więcej połowa zawałów serca występuje u osób bez znaczącego zwapnienia — tak zwany paradoks „zero-CAC". Narzędzie AI, które może sygnalizować zapalenie wieńcowe u tych pacjentów, zanim rozwinie się zwapnienie, rozwiązałoby prawdziwy kliniczny martwy punkt.

Walidacja w kohorcie prawie 20 000 pacjentów nadaje ustaleniu statystyczną wagę, której mniejsze badania wykonalności nie mogły zapewnić. CaRi-Heart dołącza do rosnącej listy biomarkerów uzyskanych z AI, wykazujących addytywną wartość prognostyczną wykraczającą poza ustalone metryki ryzyka.

AI Wizualne Modele Językowe Poprawiają Wykrywanie Radiologiczne o 57% na RSNA 2026

Mosaic Clinical Technologies zaprezentowała dane na RSNA 2026 pokazujące, że jej wizualne modele językowe (VLMs) AI osiągnęły średnią poprawę 40–43% w wskaźnikach wykrywania w 50 stanach klinicznych. Dla guzków płucnych na zdjęciu rentgenowskim klatki piersiowej — wyjątkowo trudne i ważne zadanie wykrywania — poprawa osiągnęła 57,5%.

Firma podała również, że raporty radiologiczne opracowane przez AI były porównywalne pod względem dokładności z raportami napisanymi przez radiologów — ustalenie, które przyciągnie zarówno krytyczną analizę, jak i uwagę systemów opieki zdrowotnej borykających się z niedoborami radiologów. VLMs różnią się od wcześniejszego AI radiologicznego tym, że generują wyniki w języku naturalnym obok wykrywania, zamiast produkować tylko ramki ograniczające lub oceny prawdopodobieństwa. Ta możliwość czyni je bardziej bezpośrednio użytecznymi jako narzędzia do tworzenia szkiców raportów.

RSNA 2026 zaobserwowało szerszy temat AI przechodzącego od wspomagania wykrywania do zintegrowanych narzędzi przepływu pracy, z wieloma dostawcami demonstrującymi systemy obsługujące pełny łuk od pobrania obrazu do generowania szkicu raportu. Dane Mosaic stanowią jedno z bardziej szczegółowych ilościowych twierdzeń przedstawionych na konferencji.

Platforma 4RISE Sino Biological Łączy Projektowanie Cząsteczek AI z Walidacją w Mokrym Laboratorium

Sino Biological uruchomiła 4RISE — zintegrowaną platformę zaprojektowaną w celu zamknięcia luki między cząsteczkami zaprojektowanymi obliczeniowo a eksperymentalną walidacją w mokrym laboratorium. Platforma obsługuje przeciwciała, enzymy i innych kandydatów na białka generowane przez narzędzia projektowania AI, zapewniając testy i infrastrukturę testowania biologicznego niezbędną do potwierdzenia, czy obliczeniowo obiecująca cząsteczka rzeczywiście zachowuje się zgodnie z przewidywaniami w systemach biologicznych.

Uruchomienie rozwiązuje trwałe wąskie gardło w odkrywaniu leków napędzanym przez AI: narzędzia AI stały się coraz zdolniejsze do proponowania nowych struktur molekularnych, ale infrastruktura eksperymentalna do szybkiej walidacji tych propozycji pozostawała w tyle. 4RISE ma na celu służenie firmom biotechnologicznym i laboratoriom akademickim prowadzącym programy odkrywania na pierwszym miejscu AI, które potrzebują mostu od wyników in silico do danych biologicznych bez budowania pełnych wewnętrznych możliwości mokrego laboratorium. Platforma obejmuje przepływy pracy walidacji przeciwciał i enzymów i jest zaprojektowana do integracji z górnymi rurociągami projektowania AI, pozycjonując Sino Biological jako dostawcę infrastruktury dla ekosystemu odkrywania leków opartego na AI.