Медицинскому ИИ мало выдавать правдоподобный ответ: важно, как он выдерживает смену условий, проверку в лаборатории и попытку отличить причину от совпадения. Три работы показывают разные способы такой проверки. Все они опубликованы как препринты, пока без научного рецензирования; ни одна не доказывает пользу нового лечения для пациентов. Данных о голосах и оценках читателей в материалах нет, поэтому порядок ниже — редакционный, а не рейтинг популярности.

PHYSIO WORLD: медицинские знания против ошибок прогноза

Авторы работы от 8 октября добавили в модель 70 фармакологических правил для 28 лекарств. Правила ограничивают направления предсказываемого воздействия препаратов: система должна учитывать известные связи, а не только закономерности в медицинских записях.

На выборках из трёх баз интенсивной терапии ошибка при изменении условий оказалась на 8–12% ниже, чем у сильнейшего внешнего метода сравнения. При этом качество в исходных условиях не ухудшилось. Когда направления действия в правилах переворачивали, результат становился хуже — это поддерживает объяснение, что помогают именно медицинские знания.

Почему это важно: в наблюдательных данных тяжёлым пациентам могут назначать большие дозы, и простая статистическая связь способна запутать модель. Работа предлагает способ уменьшить эту проблему. Однако улучшение прогноза ещё не делает систему клинически подтверждённым инструментом назначения лечения.

ANDROMEDA 1: четыре кандидата на инъекционный состав длительного действия

Corbion и Intrepid Labs описали в препринте от 6 октября поиск состава с помощью библиотеки рассасывающихся полимеров и ИИ, подбирающего сразу несколько свойств. Примерно за 15 недель команда изготовила и измерила 181 состав с содержанием пептидного препарата 6–12%.

Исследователи выбрали четыре кандидата, удовлетворяющих заданным требованиям вязкости и введения через иглу. В лаборатории они показали разные профили высвобождения препарата за 30 дней. Здесь важна связь вычислительного поиска с реальным изготовлением и измерениями, а не только с оценкой на компьютере.

Следующий рубеж — испытания в живом организме. Лабораторное высвобождение за месяц не означает, что препарат уже безопасен, эффективен или будет так же действовать у пациента.

DrugTargetWorld: исследовательские агенты путают причины болезни со связями

Препринт от 7 октября предлагает искусственные биобанки по 54 тысячам участников. Причинные связи в них известны проверяющим, но скрыты от ИИ-агента. Это позволяет проверять, находит ли система действительно значимую мишень для лекарства или выбирает белок, который лишь сопутствует болезни.

Девять агентов прошли 540 исследовательских эпизодов. Лучшие средние комплексные оценки составили 39,98 и 35,38 из 100; надёжно отсеивать вводящие в заблуждение непричинные белки не смог никто. Эти числа относятся к оценке в данной среде, а не к доле успешных лекарств или точности лечения.

Сильная сторона работы — возможность оценить весь исследовательский процесс по известной причинной структуре, а не по убедительности итогового текста. Но искусственная среда сама по себе не доказывает ни реальные лекарственные открытия, ни клиническую эффективность агентов.

Общий вывод скромный: знания о механизмах, физические эксперименты и проверяемые причинные связи дают более содержательную оценку медицинского ИИ, чем красивое объяснение результата.