2026. augusztus 4., kedd · Kutatás

Mesterséges intelligencia tár fel rejtett kockázatokat alvásfelvételekben

A Nature Communications folyóiratban megjelent tanulmány szerint kutatók egy alapmodellt (foundation model) fejlesztettek, amelyet több mint 10 000, elektronikus egészségügyi adatokkal összekapcsolt klinikai alvásfelvételen tanítottak be. A modell öt, egymástól jelentősen eltérő kockázati csoportot különített el a betegek körében a halálozás, valamint a szív-érrendszeri és neurológiai betegségek kockázata alapján. A legmagasabb kockázatú csoportban a halálozási kockázat több mint kétszerese volt a legalacsonyabbnak, míg a hagyományosan használt apnoe-hipopnoe index súlyossági kategóriái csak korlátozott előrejelző értékkel bírtak. A szerzők szerint a modell egy független adatbázisban, a Sleep Heart Health Study-ban is elkülönítette a magas és alacsony kockázatú betegeket, alacsonyabb felbontású adatok mellett is.

Miért fontos?

A tanulmány szerint a hagyományos AHI-mutató sok klinikailag releváns kockázati információt elrejt, amit egy betanított AI-modell fel tud tárni.

Források

Nature Tudományos

Említve a tudásbázisban

fogalom Alapmodell (foundation model)

Kapcsolódó témák

Napi összefoglalók AI kutatás #alvásmedicina#foundation model

Napi összefoglaló

Ez a hír a 2026. augusztus 4., kedd napi AI összefoglaló része.

Kapcsolódó hírek

VirTues: mesterséges intelligencia modell térbeli fehérjetérképek elemzésére

A Nature-ben publikált, lektorált kutatás bemutatja a VirTues nevű alapmodellt, amely térbeli proteomikai adatokat – szövetekben mért fehérjemintázatokat – képes egységesen elemezni, függetlenül a használt markerpanelektől és protokolloktól. A szerzők állítása szerint egyetlen előtanított háttérből kiindulva a modell fehérjéket, sejteket, sejtes környezeteket és teljes szöveteket jellemez, sejttípusokat azonosít, és betegeket csoportosít, akár korábban nem látott adatkészleteken is. Hármas negatív emlőrákos mintákon a VirTues által azonosított biomarkerek a cikk szerint pontosabban jelezték előre az anti-PD-L1 kemoimmunterápiára adott választ és a betegségmentes túlélést, mint a jelenlegi klinikai besorolási módszerek vagy más, ugyanazon adatokból származó biomarkerek.

Paper2Agent: tudományos cikkekből önálló AI-ügynökök a Nature-ben

A Nature ma megjelent cikke szerint James Zou, a Stanford Egyetem informatikusa és társszerzői egy Paper2Agent nevű eszközt mutattak be, amely bármely tudományos publikációt „virtuális levelező szerzővé” alakít. Az eszköz beolvassa a cikk szövegét, kódját és adatait, ezeket egy úgynevezett MCP-szerverre tölti, majd AI-ügynökök csapata autonóm módon eszközöket épít, amelyekkel a cikk módszerei új adatokra is alkalmazhatók. A kutatók a rendszert az AlphaGenome DNS-elemző modellt bemutató cikken tesztelték: az ügynök létrehozása körülbelül 45 percet és 14 dollár számítási költséget igényelt, és a genetikai kérdésekre közel tökéletes pontossággal válaszolt, felülmúlva más, ugyanahhoz a cikkhez hozzáférő biomedikai AI-ügynököket, köztük a Biomni nevű, akadémiai fejlesztésű rendszert is. A cikk szerzői szerint a technológia lehetővé teheti, hogy a tudományos cikkek dinamikus, más tudományterületek ügynökeivel is együttműködni képes tudásforrásokká váljanak.

A Google DeepMind AGI-intézetet indít az emberi szintű AI kérdéseinek vizsgálatára

A Google DeepMind bejelentette a DeepMind Institute (DMI) létrehozását, amely a mesterséges általános intelligencia (AGI) körüli kérdéseket – biztonság, irányítás, kiberkockázatok, kontrollvesztés – vizsgálja interdiszciplináris keretben. A cég állítása szerint az intézet nem csak technológusokat, hanem a bölcsészet-, társadalom- és politikatudomány szakértőit is bevonja, Shane Legg, James Manyika és Demis Hassabis vezetésével. Az AGI fogalmára nincs egységes definíció: a DeepMind az emberi agy minden kognitív képességével rendelkező rendszerként írja le, és Hassabis szerint ez néhány éven belül elérhető, míg Legg egy előzményrendszert 2028-ra vár. Ezzel szemben az OpenAI vezérigazgatója, Sam Altman a cég állítása szerint akár még ez év végére is elképzelhetőnek tartja az AGI megjelenését, jelezve, hogy a nagy AI-cégek időbecslései jelentősen eltérnek egymástól.

Rider: mélytanulásos eszköz rejtett RNS-vírusok felfedezésére

A Nature Communications folyóiratban megjelent, lektorált kutatás bemutatja a Ridert, egy kétlépéses keretrendszert RNS-vírusok azonosítására metatranszkriptomikai adatokból. Az első lépésben egy kompakt, előre betanított fehérje-nyelvi modell keresi a rendkívül divergens vírusjeleket, majd egy átfedő csúszóablakos szerkezet-előrejelzési eljárás azonosítja az RdRp (RNS-függő RNS-polimeráz) katalitikus magdoméneket, amelyeket egy kurátorolt, nem redundáns doménadatbázissal vetnek össze. A kutatók több mint 10 000, változatos ökoszisztémákból származó metatranszkriptomon tesztelték a rendszert: a Rider a korábban katalogizált RNS-vírusok több mint 99 százalékát visszanyerte, érzékenysége összemérhető a LucaProt módszerével, ugyanakkor a szerzők szerint ezernyi mélyen divergens szekvenciát és kládot is azonosított, amelyeket a meglévő eszközök nem érzékeltek. Egy gyulladásos bélbetegségben (IBD) szenvedő betegek kohorszán végzett teszt megerősítette, hogy a módszer a szokásos vírusok mellett divergens vonalakat is kimutat.