26 августа 2026 года журнал Nature Computational Science опубликовал работу группы под руководством Канга Чжана, представившую фреймворк PULSE (Patient Unified Longitudinal Signal Engine / Единый механизм продольных сигналов пациента).
Это продольный подход с самообучением (обучением без учителя), который явно кодирует персонализированные данные о прошлых состояниях пациента для реконструкции полных медицинских профилей на основе последующих неполных измерений.
В отличие от традиционных моделей, ориентированных на статические или независимые типы данных, PULSE учитывает биологическую взаимосвязь и временную ковариацию показателей. Он использует исторические парные данные для улучшения согласованности и генерации информации на текущем визите, что особенно важно для фрагментированных (мозаичных) продольных измерений в реальной клинической практике.
Применение модели к данным Биобанка Великобритании (UK Biobank) показало, что PULSE точно генерирует метаболомные и протеомные профили на основе рутинных анализов крови. По сравнению с эталонными данными (251 биомаркер), сгенерированные профили превзошли все базовые эталонные модели, а алгоритмы, обученные на этих синтетических данных, достигли показателя AUC (площади под ROC-кривой) 0,72–0,83 для шести распространенных заболеваний. Эта точность сопоставима с использованием реальных протеомных данных.
Методология PULSE опирается на базовый принцип, согласно которому различные клинические модальности представляют собой биологически связанные, временно коварирующие показатели эволюционирующего физиологического состояния индивида. Это позволяет модели эффективно работать с неполными наблюдениями, которые типичны для реальной медицины, где пациенты проходят не все тесты одновременно.
В ландшафте искусственного интеллекта в биологии и медицине PULSE выделяется среди других подходов, таких как AlphaFold или модели для анализа данных единичных клеток (single-cell). Он фокусируется именно на временной динамике и мультимодальной интеграции электронных медицинских карт (ЭМК), изображений сетчатки глаза и лабораторных маркеров, что отличает его от статических фундаментальных моделей ИИ.
Это достижение открывает возможности для более точного предсказания заболеваний и персонализированного лечения на основе рутинных данных, снижая необходимость в дорогостоящих специализированных тестах. Однако остается вопрос о способности модели к обобщению (генерализации) на другие популяции и типы данных, не представленные в Биобанке Великобритании.
Независимая верификация на новых когортах и сравнение с альтернативными методами самообучения покажут, насколько устойчивы преимущества PULSE в реальных клинических сценариях.
Разработка таких фреймворков подчеркивает, что ключ к прогрессу в области медицинского искусственного интеллекта лежит в грамотном учете временной динамики и неполноты данных, а не только в простом увеличении размеров моделей.
