sejournal.io

Вот перефразированная новость на русском языке:

В TikTok набирают миллионы просмотров фальшивые аккаунты, созданные искусственным интеллектом и выдающие себя за врачей. Они распространяют ложные медицинские советы, пишет The Guardian со ссылкой на исследование агентства Hallam.

Отмечается, что работа не является академической. Специалисты изучили 1198 видео, отобрав 50 самых популярных роликов по запросам «health tips», «doctor advice», «nutrition tips» и «mental health tips».

Исследователи вручную проверяли видео на признаки использования ИИ: неестественный голос, визуальные дефекты, повторяющиеся сценарии, стиль субтитров и синтезированную музыку. Однако такой метод не гарантирует полную точность определения происхождения роликов.

Выяснилось, что 40% популярных видео о здоровье в TikTok содержат признаки обработки или генерации ИИ. По запросу «health tips» доля такого контента достигает 84%.

Среди этих роликов The Guardian обнаружила опровергнутые наукой утверждения о причинах рака. Например, в видео утверждалось, что болезнь могут вызывать разогрев еды в пластиковой посуде, использование дезодорантов и сон рядом с телефоном. Эти заявления опровергли в Cancer Research UK, назвав их необоснованными.

В других роликах рекламировали смесь Coca-Cola с луком как обезболивающее, а также средство от старения Hyalethinap Plus Pro Max. Журналисты не нашли доказательств существования этого продукта.

Замглавы Британской медицинской ассоциации Эмма Рансвик заявила, что такие аккаунты продвигают медицинские мифы и «чудо-средства». Она призвала платформы вроде TikTok активнее бороться с опасными фейковыми советами.

Медицинский директор NHS Фрэнки Свордс отметила, что врачи всё чаще встречают пациентов, напуганных ложной информацией, созданной ради просмотров. Глава Королевского колледжа врачей общей практики Виктория Цортзиу Браун предупредила о реальном риске для здоровья.

Исследователь дезинформации из UCL Алекс Руани назвала происходящее «промышленной эксплуатацией доверия».

Представитель TikTok оспорил выводы Hallam. Он заявил, что платформа удаляет вредную дезинформацию, включая контент, созданный ИИ, и сотрудничает с ВОЗ и NHS. Компания уже удалила примеры видео, переданные журналистами.

Правила TikTok требуют маркировать реалистичный ИИ-контент с изображениями, аудио или видео. Платформа также запрещает вредную дезинформацию и контент, вводящий в заблуждение путём имитации других людей.

В феврале Science Feedback уже описывал сеть аккаунтов с ИИ-врачами, которые распространяли сомнительные советы и использовали образы реальных специалистов без маркировки. После жалобы платформа удалила эти аккаунты.

The Guardian также выразила обеспокоенность переходом TikTok к более активному использованию ИИ-модерации. В 2025 году стало известно о сокращениях в командах, отвечающих за безопасность пользователей, в том числе в Великобритании. Бывшие модераторы сообщали, что автоматические системы пока не всегда корректно оценивают спорный контент.

Напомним, в ноябре 2025 года TikTok анонсировал инструмент для ограничения ИИ-контента в ленте и планировал внедрить «невидимые водяные знаки», которые сложно удалить при повторной загрузке.

Вот перефразированный вариант новости на русском языке:

Пока одни спорят о возможном апокалипсисе из-за ИИ, а другие предупреждают об угрозах криптовалют, технологии блокчейна и искусственного интеллекта уже находят реальное применение в медицине и науке. ForkLog собрал подборку самых интересных проектов, которые доказывают, что эти инструменты могут решать практические задачи далеко за пределами финансов.

Приватная передача данных для спасения жизней

В реанимации врачам жизненно необходимо прогнозировать риски смерти пациентов, чтобы вовремя начать агрессивное лечение. Для этого используются ИИ-модели, но они часто обучаются на данных лишь одной больницы. При переносе в другое учреждение точность таких моделей падает из-за различий в демографии и методах работы. Объединение данных из множества клиник могло бы решить эту проблему, но законы (например, HIPAA и GDPR) строго запрещают передачу «сырых» медицинских записей.

Технология федеративного обучения (FL) позволяет обойти этот запрет: больницы обмениваются не данными пациентов, а лишь обновлениями нейросети. Однако в существующих FL-системах были проблемы: отсутствие гарантии согласия пациентов, невозможность проверить целостность данных и уязвимость для атак. Платформа BlockFedMed решает все эти вопросы с помощью блокчейна.

Система построена на Hyperledger Fabric и использует специальную нейросеть (LSTM). Вместо того чтобы полагаться на честность больниц, BlockFedMed создает криптографически проверяемый след. Три смарт-контракта управляют согласием, целостностью и мотивацией участников. Агрегатор устойчив к атакам и принимает только проверенные обновления.

Тестирование на базах данных MIMIC-IV (52 000 случаев) и eICU (200 000 записей из 208 больниц) показало впечатляющие результаты. Точность прогнозирования смертности (AUROC) достигла 0,841 — это на 7,4 пункта выше, чем у локальных моделей, и всего на 3,1 пункта ниже теоретического максимума, который недостижим из-за законов. При этом скорость обработки согласий пациентов выросла на 71%.

Проект пока демонстрационный, но он открывает путь к тому, чтобы сотни клиник по всему миру могли совместно обучать мощные ИИ-модели, не нарушая закон.

Верифицируемый ИИ в фармакогенетике

ИИ уже неплохо предсказывает, какой препарат подойдет конкретному человеку на основе его генома. Но как проверить, что прогноз был сделан честно, а не подогнан постфактум? В медицине, где цена ошибки — жизнь, это недопустимо.

Ученые из Университета Южной Дании предложили модель, которая объединяет ИИ-прогнозирование с блокчейн-верификацией. Система вычисляет прогноз, создает криптографические хеши (отпечатки) входных данных и самой модели, а затем навсегда сохраняет их в блокчейне через смарт-контракт.

Любой участник процесса — врач, регулятор или пациент — может независимо убедиться, что прогноз получен из известной модели и верных данных, не раскрывая при этом сами геномные данные. Эксперименты показали, что модель Random Forest Regressor достигла точности 0,979 (при максимуме 1) в предсказании чувствительности к лекарствам, а проверка целостности подтвердила прозрачность до 70%. Это шаг к тому, чтобы ИИ в медицине стал не только точным, но и юридически доверенным инструментом.

Углеродные рынки на блокчейне

Экосистемы «голубого» углерода (мангровые леса, морские травы) поглощают CO₂ в 5-10 раз эффективнее лесов Амазонки. Однако они почти не участвуют в углеродных рынках из-за непрозрачности, высоких затрат на мониторинг и рисков мошенничества.

Исследователи из Китая представили архитектуру, которая делает мониторинг непрерывным. IoT-датчики круглосуточно передают данные об окружающей среде, а блокчейн на Hyperledger Fabric гарантирует их неизменность. Единый стандарт (CDIS) делает данные читаемыми из любых источников. Управление осуществляется через ДАО, где предприятия и регуляторы сообща устанавливают правила. Чем качественнее данные, тем больше влияния у участника.

Архитектура также позволяет выходить на публичные блокчейны (например, Ethereum) через токенизацию, создавая «углеродные RWA» и открывая возможности для кредитования.

Проектирование фотонных кристаллов

Фотонные кристаллы — это материалы, управляющие светом на нанометровом уровне. Они нужны для оптических компьютеров и квантовых устройств, но спроектировать их вручную практически невозможно.

В Университете Цинхуа разработали механизм AIGP на основе диффузионных моделей. Он работает как генеративная нейросеть: вы задаете параметры (например, «пропускать свет с длиной волны 1550 нм»), и ИИ сам создает структуру кристалла. Симуляции подтвердили высокую точность метода.

Блокчейн здесь решает задачу приватности. Лаборатории могут обмениваться обновлениями моделей, не раскрывая свои секретные разработки. Каждое обновление верифицируется и фиксируется в распределенном реестре. Это исследование — шаг к созданию ИИ-чипов нового поколения, которые будут быстрее и энергоэффективнее современных.

Федеративная зарядка электромобилей

Массовый переход на электромобили создает три проблемы: пиковые нагрузки на сеть, риск утечки данных о владельцах и недоверие к централизованным системам.

Проект PETAL-Grid предлагает решение на основе федеративного ИИ и блокчейна. Система работает в пять этапов: сбор локальных данных, прогнозирование спроса на периферийных устройствах, федеративное обучение (обмен обобщенными прогнозами, а не личными данными), адаптивная координация нагрузки и блокчейн-валидация транзакций.

Блокчейн обеспечивает прозрачность и неизменность всех операций, а смарт-контракты автоматизируют расчеты. Моделирование показало, что PETAL-Grid снижает пиковую нагрузку на 18%, повышает эффективность использования энергии на 17%, а безопасность транзакций достигает 98-99%. Система решает все три проблемы сразу: разгружает сети, защищает приватность и гарантирует честность.

***

Новые технологии всегда привлекают спекулянтов. Информационный шум часто скрывает их реальную пользу. Важно помнить: не все разработки обязательно должны приносить деньги — некоторые просто призваны работать на благо людей.

Вот перефразированный текст новости на русском языке:

Два подразделения британской Национальной службы здравоохранения (NHS) планируют внедрить анализ крови на основе искусственного интеллекта под названием PinPoint для женщин с подозрением на рак матки. В ходе исследования с участием 3313 пациенток алгоритм машинного обучения продемонстрировал 99% точность в выявлении и исключении гинекологических онкологических заболеваний, сообщает The Guardian.

Ежегодно в Англии около 90 тысяч пациенток направляют на обследование из-за обильных кровотечений после менопаузы. Примерно у 10 тысяч из них диагностируют рак матки (эндометрия). От этой болезни ежегодно умирают 2700 женщин.

Стандартная диагностика включает трансвагинальное УЗИ для измерения толщины эндометрия. Если подозрения сохраняются, назначают биопсию и гистероскопию. Многие пациентки считают эти процедуры болезненными.

При этом у 20% направленных онкология не подтверждается. По оценкам разработчиков, новый тест позволит исключить заболевание уже на этапе первичного обращения. Это избавит около 18 тысяч женщин в год от ненужных инвазивных вмешательств.

Принцип работы теста

Алгоритм PinPoint анализирует 30 биомаркеров в образце крови. На основе этих данных модель определяет степень риска: низкий, повышенный или высокий.

Технология создана компанией PinPoint Data Science из Лидса, которая специализируется на статистическом анализе медицинских данных.

Внедрение теста началось после испытаний с участием 16 481 пациента. Врачи общей практики из 170 клиник в Йоркшире направили их на проверку девяти видов рака. Анализ сдали все участники, включая 3313 женщин с кровотечениями и подозрением на рак матки.

> «Точность в 99% — выдающийся результат по любым клиническим стандартам. Но не менее важно то, что тест надежно исключает рак у женщин с низким риском», — отметил главный медицинский директор PinPoint Data Science Шон Даффи.

Mid Yorkshire NHS Teaching Trust планирует использовать тест для диагностики шести видов гинекологического рака и рака верхних отделов желудочно-кишечного тракта. Leeds Teaching Hospitals NHS Trust внедрит его для выявления гинекологических онкозаболеваний.

Мнение врачей

Терапевт Джасинта Уолш из Западного Йоркшира отметила, что сейчас для исключения рака требуется до шести визитов к врачу. По ее словам, PinPoint ускорит диагностику и освободит время для других пациентов.

Консультант-гинеколог Трейси Джексон из Leeds Trust заявила, что большинство направленных женщин оказываются здоровы. Новая технология позволит более эффективно проводить сортировку.

> «Женщины, у которых действительно есть онкология, быстрее попадут к врачу, получат диагноз и начнут лечение. Именно на этом и должен быть наш фокус», — подчеркнула она.

В Cancer Research UK назвали результаты теста PinPoint «многообещающими». Однако представительница организации Саманта Харрисон подчеркнула необходимость дополнительных исследований для оценки пользы для пациентов и системы здравоохранения.

Напомним, в апреле группа исследователей сообщила, что обучила ИИ выявлять рак поджелудочной железы задолго до появления симптомов.

Вот перефразированная новость на русском языке:

Стартап в сфере искусственного интеллекта Anthropic представил научную платформу Claude Science и объявил о намерении самостоятельно создавать лекарства для терапии трудноизлечимых болезней. Об этом сообщает The Verge.

Презентация новой платформы прошла на мероприятии The Briefing: AI for Science. Заявлено, что решение объединяет разрозненные инструменты и массивы данных, а также способно строить графики и визуализации.

В Anthropic отметили, что продукт уже используется заказчиками из биотехнологической и фармацевтической сфер.

Как пишет The Verge, свои медицинские разработки уже предлагают OpenAI, Amazon и Google. Однако Anthropic стала первой компанией, которая заявила о намерении не просто предоставлять программное обеспечение, но и самостоятельно заниматься разработкой препаратов.

На уточняющие вопросы журналистов о конкретных направлениях исследований и типах заболеваний в компании отвечать не стали.

По информации издания, в последний год Anthropic активно нанимала биологов и обустраивала собственные лаборатории. Профессор Кембриджского университета и сооснователь CardiaTec Намшик Хан рассказал, что компания обращалась к его коллегам из академической среды с предложениями о работе.

По его словам, проект также переманил часть специалистов из AstraZeneca, Novo Nordisk, GSK и других крупных научных организаций.

ИИ в медицине

Опрошенные The Verge эксперты подтвердили, что искусственный интеллект уже применяется на разных этапах разработки лекарств, однако он не заменяет эксперименты и человеческий труд.

Хан перечислил типичные сценарии использования: поиск и оптимизация химических соединений, углубленные исследования, анализ данных, клинические испытания и производство.

Профессор Университетского колледжа Лондона Мэттью Тодд добавил, что «разработка лекарств с помощью ИИ» — слишком общая формулировка. На практике такие системы скорее ускоряют исследования и помогают предварительно проверять гипотезы.

Ученые считают, что до появления одобренных для людей «ИИ-лекарств» еще далеко. Эксперты указали на сложность получения разрешений от регулирующих органов и нехватку качественных общедоступных экспериментальных данных.

Профессор Оксфордского университета Фрэнк фон Делфт заявил, что, несмотря на помощь ИИ, потенциальные лекарства по-прежнему необходимо проверять на эффективность, токсичность, а также на пригодность к хранению и доставке. Самыми дорогостоящими остаются клинические исследования, подчеркнул он.

Напомним, в июле исследовательский институт AIRI представил инструмент GENATATOR на основе нейросети для картирования генов по последовательности ДНК.

Вот перефразированный текст новости на русском языке:

Искусственный интеллект в медицине: ускорение разработки лекарств, точная диагностика и новые риски

Несмотря на ажиотаж, слухи и тревожные прогнозы, эксперты сходятся во мнении, что искусственный интеллект (ИИ) действительно изменит мир. Однако кто выиграет от этих перемен и какую цену придется за них заплатить, пока остается неясным.

История учит, что технологические прорывы почти всегда сопровождаются кризисами, заставляя общество искать новый баланс. Но есть область, где польза прогресса десятилетиями кажется почти неоспоримой, — это медицина.

Материал ForkLog рассказывает, как ИИ уже сегодня ускоряет создание новых лекарств, оптимизирует лабораторные процессы, повышает точность диагностики и меняет подходы к лечению.

Разработка лекарств

Большинство препаратов действуют, взаимодействуя с белками-рецепторами — молекулярными структурами, регулирующими работу клеток. Системы ИИ способны анализировать структуру этих белков и предсказывать, какие соединения будут наиболее эффективными и вызовут минимум побочных эффектов. Благодаря этому задачи, на которые раньше уходили годы, теперь решаются за месяцы.

По оценкам Всемирной организации здравоохранения (ВОЗ), в ближайшие годы большинство новых лекарств будет разрабатываться с использованием ИИ.

AlphaFold и Isomorphic Labs

В 2024 году Нобелевскую премию по химии получили Дэвид Бейкер, Демис Хассабис и Джон Джампер за разработку методов предсказания структуры белков, включая систему AlphaFold, основанную на машинном обучении. AlphaFold заняла первое место в конкурсе CASP в 2018 году, а ее обновленная версия победила в 2020-м.

В 2021 году Google DeepMind открыла код AlphaFold2 и базу предсказанных белковых структур. Примерно тогда же Хассабис основал Isomorphic Labs — дочернюю компанию Alphabet, развивающую ИИ для создания лекарств. В 2024 году Isomorphic Labs заключила партнерства с Eli Lilly и Novartis на сумму до $1,7 млрд и $1,2 млрд соответственно, а в 2026 году — с Johnson & Johnson.

В феврале 2026 года компания представила универсальную среду разработки лекарств Drug Design Engine (IsoDDE) на базе технологий AlphaFold. Сейчас Isomorphic Labs работает над решениями в онкологии и иммунологии, но проекты пока находятся на стадии доклинических исследований. Первые испытания на людях планируются в ближайшие годы.

Exscientia и Recursion Pharmaceuticals

Exscientia, основанная в 2012 году, стала одной из первых компаний, системно применивших машинное обучение для разработки лекарств. В 2020 году препарат DSP-1181 для лечения ОКР стал первым созданным с помощью ИИ продуктом, вышедшим на клинические испытания. К 2023 году у компании было 8 молекул-кандидатов, разработанных значительно быстрее среднего по отрасли.

В 2024 году Recursion Pharmaceuticals выкупила Exscientia за $688 млн. Часть программ закрыли, но несколько препаратов дошли до второй стадии клинических испытаний. Слияние позволило объединить ИИ-системы Exscientia с автоматизированной лабораторией Recursion. Компания также построила суперкомпьютер BioHive-2 на базе NVIDIA H100.

К 2025 году Recursion сосредоточилась на четырех онкологических программах и двух, связанных с редкими заболеваниями. Несколько препаратов находятся на переходном этапе между первой и второй фазами испытаний, включая REC-4881 для лечения врожденного аденоматозного полипоза, REC-617 для рака яичников и REC-1245 для лимфомы. Препарат REC-3565 для хронического лимфолейкоза проходит первую фазу.

Insilico Medicine

Insilico Medicine, основанная в 2014 году, использует ИИ на всех этапах разработки: система PandaOmics ищет биологические цели, Chemistry42 генерирует подходящие соединения, а InClinico оптимизирует прогнозирование клинических испытаний.

Одно из ранних достижений — препарат Rentosertib (ISM001-055) для лечения фиброза, на разработку которого ушло 18 месяцев. К 2025 году он проходит вторую фазу клинических испытаний. В 2024 году разработанный ИИ препарат ISM3312 для COVID-19 прошел первую фазу, а ISM3091 для терапии рака допущен к тестам на пациентах.

Диагностика и исследования

Около 90% медицинской информации представлено изображениями (рентген, томограммы). Методы машинного обучения, особенно сверточные нейросети, хорошо распознают сложные визуальные паттерны, позволяя выявлять опухоли и аномалии с высокой точностью.

В 2024 году исследователи из Гарварда представили модель Chief, выявляющую несколько форм рака с точностью 94%. В 2025 году FDA присвоило статус «прорывного устройства» модели Damo Panda от Alibaba, способной распознавать рак поджелудочной железы до появления симптомов. В 2026 году система REDMOD от Mayo Clinic обошла специалистов в диагностике рака поджелудочной железы на ранних стадиях, находя изменения в среднем за 475 дней до постановки диагноза.

Инициативы Google

Google предлагает открытые модели MedGemma для анализа медицинских данных. В 2019 году компания представила модель для выявления рака легких, показавшую результаты на уровне радиологов. В 2020 году система для анализа маммограмм также продемонстрировала точность профильного специалиста. В 2024 году Google Cloud и Bayer запустили платформу для скрининга рентгенограмм.

Роботы-рентгенологи NVIDIA и GE HealthCare

NVIDIA и GE HealthCare разрабатывают ИИ-систему для автономного получения изображений (рентген и УЗИ), которая должна снизить нагрузку на специалистов и стандартизировать диагностику. GE HealthCare также планирует использовать платформу NVIDIA Isaac for Healthcare для создания хирургических роботов.

Диагностическая платформа PathAI

Компания PathAI разработала платформу AISight Dx для первичной диагностики, поддерживающую сторонние алгоритмы. В 2022 году решение получило одобрение FDA и европейский сертификат качества. В 2025 году PathAI объявила о партнерстве с онкологическим центром Мофитт, а в 2026 году — с университетом Цюриха. В мае 2026 года швейцарская Roche объявила о покупке PathAI за более чем $750 млн.

Проблемы и ограничения

Применение ИИ в медицине обостряет системные проблемы. ИИ-ассистенты подвержены галлюцинациям. Например, модель Med-Gemini от Google «выдумала» несуществующую область мозга — базилярные ядра. Исследователи из Стэнфорда обнаружили, что ИИ-модели могут «диагностировать» заболевания по снимкам, не имея к ним доступа.

Согласно исследованию, 7,1% ответов GPT-4 на вопросы пациентов были некорректны и могли причинить вред, а в одном случае ошибка угрожала жизни. Инструменты для автоматического составления документации ошибались в 70% клинических заметок.

Кроме того, ИИ страдает от непрозрачности логики, нехватки репрезентативных данных, что ведет к предубеждениям, а также от проблем с приватностью и когнитивной зависимостью пользователей.

ВОЗ относит применение ИИ в медицине к области высокого риска. В рамках европейского AI Act с августа 2026 года такие системы должны соответствовать строгим требованиям по управлению рисками и контролю.

Стартап Cortical Labs начал строительство двух дата-центров, в которых вычисления будут выполняться с помощью живых клеток человеческого мозга. Об этом сообщает Bloomberg.

Технология использует нейроны, выращенные в лаборатории из стволовых клеток. Их помещают на специальные кремниевые чипы, которые стимулируют ткань электрическими импульсами и считывают её ответ. Специальное программное обеспечение интерпретирует эту нейронную активность как результат вычислений, создавая гибридную систему, где живая биологическая ткань выступает в роли процессора.

Главным преимуществом такого подхода разработчики называют чрезвычайно низкое энергопотребление. По словам основателя стартапа Хон Венг Чонга, каждый вычислительный модуль CL1 потребляет меньше энергии, чем карманный калькулятор.

Первый такой дата-центр уже создан в Мельбурне, а второй строится в Сингапуре совместно с партнёром DayOne Data Centers. В Мельбурне разместят 120 модулей CL1, а в Сингапуре планируют установить до 1000 единиц. Хотя эта технология пока не может заменить традиционные серверы, она предлагает альтернативный путь для решения проблемы растущего дефицита вычислительных мощностей и высокого энергопотребления в эпоху бума искусственного интеллекта.

Системы Cortical Labs продолжают развиваться. Ранее компания обучила нейроны играть в Pong, а в феврале этого года биологическая система смогла взаимодействовать с классической видеоигрой Doom.

Это не единственный пример биокомпьютинга. В августе 2024 года швейцарская компания FinalSpark создала компьютерную архитектуру из органоидов мозга и начала сдавать её мощности в аренду. Китайские учёные также разработали робота с искусственным мозгом, выращенным в лаборатории.