Помимо распространённых прогностических моделей, построенных на традиционных клинических факторах риска [1–2], некоторые внешние черты лица также оказались связаны с повышенной вероятностью развития ИБС, что открывает новые возможности для скрининга данной патологии [3]. Например, такие признаки, как облысение, седина, морщины на лице, складка мочки уха, ксантелазмы и дуга роговицы были ассоциированы с более высоким риском ИБС и ухудшением состояния сердечно-сосудистой системы[4–6]. Ряд исследований также продемонстрировал, что подобные особенности внешности могут быть полезны для выявления ИБС и даже повышать точность традиционных моделей прогноза. Недавно подобное исследования были проведены в китае и показали впечатлющие результаты. [7] Наша цель: Разработка алгоритма для выявления риска ишемической болезни сердца на основании анализа фото лица пациента.
Особенности: клиническое тестирование, открытые публикации, масштабируемая архитектура.

Эффективный постоперационный контроль состояния пациентов — важнейший этап современного медицинского наблюдения. Своевременное выявление осложнений или негативной динамики позволяет быстро скорректировать лечение, предупредить тяжёлые последствия и снизить риск повторной госпитализации. Однако традиционный подход с регулярными телефонными обзвонами требует значительных временных ресурсов от врачей и среднего медицинского персонала, особенно при большом количестве пациентов. Внедрение интеллектуального ассистента, способного самостоятельно обзванивать пациентов после операции, собирать ключевые параметры самочувствия и оперативно советовать обратиться за медицинской помощью при выявлении тревожных признаков, существенно облегчает работу врача. [1-2] Такой ИИ-ассистент может работать по чёткому протоколу, не забывает задать важные вопросы и способен выявить даже неочевидные риски с учётом истории болезни. Это позволяет врачу сосредоточиться на более сложных и критических случаях, повысить качество и персонализацию постоперационного контроля, а также экономит значительное количество времени, снижая нагрузку на медицинский персонал. [3]

Изучение свойств материи и генерация материи с заданными свойствами это база для многих областей индустрии. Нейронные сети сравнительно недавно начали активно применяться в области материаловедения и это одно из самых горячих научных направлений [1]. Большие языковые модели показали впечатляющие способности в решении большого числа задач, но всё ещё есть проблемы в их использовании в естественно-научном направлении. [2] В нашем проекте мы планируем - адаптировать и изучить поведение LLMs, для задач генерации структур на атомарном уровне для решения физико-химических задач. Одна из больших проблем в области генеративных моделей - это ограниченное количество данных, особенно экспериментальных [3]. Помимо проблемы недостатка данных, выбор метода представления материалов не однозначен и зависит от выбанного подхода. Выбирая представление в одном виде, теряется часть информации об объекте, мы адаптируем и распространим методы текстового представления на низкоразмерные кристаллические структуры, а для молекулярных структур мы предлагаем использовать мультимодальный подход представления атомарных структур для улучшения качества генерации. Конечной целью нашей работы является разработка алгоритмов определения состава и геометрического строения кристаллов и молекул с учетом их практически важных макроскопических физических свойств. Работы в этом направлении ведутся [4-6] и было предложено много различных методов генерации, однако у многих есть существенные ограничения. В случае кристаллов стоит уделить особое внимание оптическим свойствам и низкоразмерным структурам, таким как двумерные материалы. Они в данный момент не полностью изучены, а их число с каждым годом только растет. Двумерные материалы [7] являются очень перспективными с точки зрения приложений, из-за своих уникальных свойств и размеров, кроме этого низкоразмерные материалы на основе двумерных относительно легко сконструировать экспериментально.

Коронарная болезнь сердца (КБС) остаётся одной из ведущих причин смертности и заболеваемости во всём мире, в том числе в России, где на неё приходится более половины всех случаев сердечно-сосудистых заболеваний. Несмотря на успехи медицины, эффективная диагностика и лечение КБС остаются приоритетной задачей для здравоохранения. Современные методы визуализации, такие как коронарография, обеспечивают врачу огромный объём информации для принятия клинических решений, однако растущий поток данных требует значительных ресурсов для обработки и интерпретации. Кроме того, человеческий фактор может влиять на точность анализа, что приводит к дополнительным рискам и затратам. Создание автоматизированных инструментов, способных быстро и точно анализировать результаты коронарографии и рассчитывать ключевые параметры кровотока в реальном времени, способно повысить качество диагностики и снизить нагрузку на врачей и систему здравоохранения. Реализация такого подхода становится возможной благодаря современным технологиям машинного обучения и искусственного интеллекта, которые уже зарекомендовали себя в обработке медицинских изображений. [1] В проекте предполагается разработка многоэтапной платформы для всесторонней оценки состояния коронарных сосудов, включая сегментацию артерий [2], построение трёхмерных моделей [3-5], моделирование гемодинамики и автоматический расчёт риска ишемических событий на основе полученных данных. Такой комплексный подход позволит не только повысить точность диагностики КБС, но и оптимизировать затраты на лечение, что делает его весьма актуальным и практически реализуемым направлением для медицины будущего.