TRACE, проверяемые агенты для КТ и более аккуратный AI для медицинского кодирования — в новой подборке заметных работ на стыке науки и ИИ. Ниже четыре сюжета, где важен не просто рост качества на тестах, а движение к более надёжным и полезным научным инструментам.

TRACE усиливает поиск новых материалов за счёт памяти о правках, а не только о результате

TRACE предлагает смотреть не только на то, какой кандидат оказался удачным или неудачным, а на то, какая именно правка изменила его свойства и в какую сторону. Это делает поиск более осмысленным в задачах, где каждая дорогая проверка должна приносить повторно используемый опыт. Авторы пишут, что по сравнению с базовым подходом LLEMA средняя результативность выросла с 18,13% до 25,96%. Для материаловедения это важный сигнал: память и правильное распределение заслуги между шагами уже дают измеримый выигрыш в научном поиске.

Источник: arXiv

Модульный агент для КТ заменяет догадку проверяемым пространственным рассуждением

Эта работа разбивает ответ на вопросы по компьютерной томографии на несколько этапов: разбор запроса, поиск нужной анатомии и геометрическую проверку итогового вывода. Такой подход особенно важен для медицины, где красивая демонстрация ещё не означает надёжность, а ошибки в пространственном понимании могут быть критичными. Вместо непрозрачного ответа модель получает проверяемую цепочку действий, которую проще аудировать и исправлять. Это хороший пример того, как безопасный медицинский AI может развиваться через модульные схемы, а не только через рост размера мультимодальных моделей.

Источник: arXiv

KREL делает медицинское кодирование более правилозависимым и менее склонным к выдумкам

KREL решает задачу автоматического кодирования диагнозов, опираясь не только на рассуждение модели, но и на внешние правила кодирования. Это важно сразу по нескольким причинам: клинические записи длинные, набор возможных кодов огромный, а сами требования сложны и плохо прощают импровизацию. Авторы сообщают о стабильном превосходстве над сильными базовыми системами. Практическая ценность тут очень высокая: медицинское кодирование напрямую связано с реальной операционной нагрузкой клиник и страховых процессов, поэтому более точный и дисциплинированный AI здесь особенно важен.

Источник: arXiv

Harmony улучшает гибкий докинг, учитывая вращения молекул ближе к реальной химии

Harmony по-новому работает с торсионными углами, то есть с тем, как молекулы и белковые карманы реально поворачиваются и подстраиваются друг под друга. Это техническая деталь, но именно она часто определяет, насколько правдоподобно выглядит итоговая поза связывания. На PDBBind и PoseBusters авторы показывают более высокую точность поз, лучшее восстановление атомов кармана и более физически корректные комплексы по сравнению с недавними конкурентами. Для вычислительной химии это шаг к более реалистичному скринингу, где AI меньше рисует условные картинки и лучше отражает поведение молекул.

Источник: arXiv