В этой подборке заметен общий сдвиг: ИИ всё чаще используют не как отдельный предсказатель, а как часть проверяемого научного контура. Одни работы ускоряют тяжёлое моделирование, другие строят более аккуратные представления пациентов, снимков и таблиц, третьи прямо показывают, где наивная языковая модель не справляется без ограничений и экспертной проверки.

Квантово-точное моделирование ферментов с помощью машинно обученного потенциала

Самая сильная работа выпуска показывает, что машинно обученные межатомные потенциалы могут моделировать целые ферменты в явном растворителе почти с точностью квантово-механического расчёта. Авторы дошли до систем примерно на 54 тысячи атомов и суммарной микросекунды моделирования, воспроизвели экспериментальные барьеры в хоризматмутазе, разобрали промежуточные состояния фермента, расщепляющего ПЭТ, и различили механизмы в нуклеозиддифосфаткиназе.

Главный результат — ускорение примерно в тысячу раз по сравнению с типичными смешанными квантово-механическими и молекулярно-механическими расчётами без настройки под каждый отдельный объект. Если подход подтвердится на независимых задачах, он может заметно сократить путь от гипотезы о механизме фермента до проверяемого проекта катализатора.

Рентгенологическая «мировая модель» для клинического рассуждения

MedDream учит общий скрытый рентгенологический слой на 2,65 миллиона контролируемых пар «снимок — текст» и использует его не только для диагноза, но и для построения клинически полезных доказательств. В восьми клинических наборах и двух группах читателей система обошла диагностические и генеративные сравнения; при помощи MedDream согласие ординаторов с консенсусом рентгенологов выросло с 56,3% до 63,0%, а синтетические доказательства подняли внешний результат на наборе VinDr-CXR с 76,4% до 81,4% по площади под кривой для нескольких классов.

Это важно, потому что работа уходит от простого классификатора снимков к модели, которая может одновременно рассуждать о находке и создавать проверяемую опору для врача. Для клинического внедрения ключевым станет вопрос утечек, качества синтетических примеров и независимой проверки на других больницах.

Вейвлет-кодированные нейронные операторы для собственных мод метаматериалов

Авторы совмещают операторы Фурье с вейвлет-кодированием, чтобы предсказывать несколько собственных мод упругих волн в произвольных геометриях метаматериалов. Это трудная задача для обычного операторного обучения: одному входу может соответствовать не один простой ответ, а целый набор возможных мод.

Получившийся суррогат делает детерминированный выбор мод для непрерывных и бинарных геометрий и ускоряет расчёт примерно на три порядка по сравнению с конечно-элементным анализом на потребительском процессоре. Для проектирования метаматериалов это означает более короткие итерации: можно быстрее проверять геометрию, прежде чем запускать тяжёлое моделирование.

REFINE уточняет медицинские понятия под траекторию конкретного пациента

REFINE строит временной медицинский граф пациента, выбирает бюджет расширения контекста вокруг каждого клинического кода с помощью обучения с подкреплением, затем использует графовую нейросеть и мягкие подсказки к замороженной большой языковой модели. Цель — получить представление медицинского понятия, которое зависит не только от самого кода, но и от истории пациента вокруг него.

На двух версиях открытого больничного набора метод дал устойчивые улучшения для разных моделей предсказания по электронным медицинским записям. Практический смысл простой: один и тот же диагноз или процедура могут иметь разное значение в зависимости от соседних событий, а медицинскому ИИ нужна именно такая персонализация, а не плоский словарь кодов.

Медицинская зрительно-языковая модель на данных от врачебного сообщества

Авторы собрали ThoughtMed-1M — крупный набор длинных вопросов и ответов по медицинским изображениям из деидентифицированных публикаций и экспертных комментариев в профессиональной среде врачей, с проверкой при участии клиницистов. Обученная на нём модель FOLTMed достигла 85,4% средней точности по 42 медицинским зрительно-языковым проверкам и улучшила показатели фактической корректности и смыслового сходства на 3–5% относительно прежних систем.

Интерес здесь не только в цифрах, но и в источнике знаний. Врачебные обсуждения могут дать богатые рассуждения вокруг изображения, но такой материал требует особенно строгой деидентификации, фильтрации и независимой клинической проверки.

Проверка повторных обращений в отделение неотложной помощи: где языковой модели нужна рамка

Исследование разбирает, можно ли с помощью ИИ шире отслеживать повторные обращения в отделение неотложной помощи за 1–14 дней и не завалить экспертов лишней проверкой. GPT-4 сам по себе слабо согласовывался с клиницистами и пометил 94% пар диагнозов как требующие дальнейшего разбора. Зато алгоритм на графе знаний, заполненном при поддержке языковой модели, дал 83–100% положительной прогностической ценности для случаев, где хотя бы один клиницист считал дополнительную оценку оправданной.

Вывод полезен для всей медицинской автоматизации: свободное суждение модели слишком шумное, а ограниченный рабочий процесс с графом знаний может стать реальным фильтром для контроля качества.

TabBench-Bio даёт живой тест для биомедицинских таблиц с тысячами признаков

TabBench-Bio собирает 43 биомедицинских табличных набора для режима, типичного в биологии и медицине: признаков тысячи, а размеченных образцов десятки или сотни. Под единым протоколом перекрёстной проверки авторы сравнили классические модели, нейросети и табличные базовые модели в 28 сочетаниях числа признаков и образцов; в контрольной точке с 10 тысячами признаков и 100 образцами лидирует RealTabPFN v2.5.

Ценность работы в воспроизводимости: доступны предсказания по разбиениям и интерактивная таблица результатов. Для области, где заявления о превосходстве моделей часто трудно сопоставить, такой живой тест может быть важнее одной красивой цифры в статье.