Peer Review Publication / Подготовка Научной Статьи

[denisbanchenko]

📑 PEER REVIEW PUBLICATION PREPARATION / ПОДГОТОВКА НАУЧНОЙ СТАТЬИ

Status / Статус: 🟡 In Production / В Производстве
Expected Publication / Ожидаемая Публикация: 1-2 months (April-May 2026) / 1-2 месяца (апрель-май 2026)
Journal / Журнал: ASRP.science
Lead / Руководитель: Ivan Savelyev / Иван Савельев

📅 PUBLICATION TIMELINE / СРОКИ ПУБЛИКАЦИИ

gantt
    title Publication Timeline / Сроки Публикации
    dateFormat  YYYY-MM-DD
    
    section Preparation / Подготовка
    Manuscript Draft / Черновик рукописи      :active,  des1, 2026-03-01, 30d
    Internal Review / Внутренний обзор       :         des2, after des1, 14d
    External Peer Review / Внешнее рецензирование  :         des3, after des2, 30d
    
    section Publication / Публикация
    Final Edits / Финальные правки           :         des4, after des3, 7d
    Publication / Публикация           :         des5, after des4, 7d

Loading

❓ FAQ: LLM ANALYSIS METHODOLOGY / ЧАВО: МЕТОДОЛОГИЯ LLM АНАЛИЗА

Q1: Are LLM prompts available in the repository? / В1: Доступны ли промпты LLM в репозитории?

A: Yes, all prompts are stored in scripts/llm_analysis/prompts.py

О: Да, все промпты хранятся в scripts/llm_analysis/prompts.py

Location / Расположение:

• Blinded prompts, Unblinded prompts, Comparative prompts / Ослеплённые промпты, раскрытые промпты, сравнительные промпты
• Batch prompts, Multi-tube prompts / Пакетные промпты, мультипробирочные промпты

Scripts / Скрипты:

• run_comparative.py, run_multi_tube.py, run_batch.py
• providers.py, imaging.py

---

Q2: Why use general-purpose LLMs instead of specialized medical models? / В2: Почему используются LLM общего назначения, а не специализированные медицинские модели?

A: We tested BOTH approaches. Here are the results:

О: Мы протестировали ОБА подхода. Вот результаты:

Model / Модель	Type / Тип	Accuracy / Точность	Conclusion / Вывод
Gemini 2.5 Flash	General LLM / Общая LLM	57.9% (p=0.027)	✅ Statistically significant / Статистически значимо
DINOv2 Linear Probe	CV Model / CV модель	47.4% (p=0.15)	🟡 Suggestive / Предположительно
BiomedCLIP	Specialized Medical / Спец. медицинская	36.8%	❌ Chance level / Уровень случайности
MedSigLIP	Specialized Medical / Спец. медицинская	N/A	❌ Out-of-distribution / Вне распределения
SigLIP2 Zero-Shot	General CV / Общая CV	26-37%	❌ Chance level / Уровень случайности

Key Findings / Ключевые Находки:

1. ✅ Specialized medical models performed at chance level / Специализированные медицинские модели показали уровень случайности
2. ✅ General-purpose LLMs found signal (57.9%, statistically significant) / LLM общего назначения обнаружили сигнал (57.9%, статистически значимо)
3. ✅ Blinding protocol prevents hallucination (Perplexity reversal: 53% → 0%) / Протокол ослепления предотвращает галлюцинации (разворот Perplexity: 53% → 0%)
4. ✅ Results reproduced across different architectures (LLM + CV) / Результаты воспроизведены на разных архитектурах (LLM + CV)

---

Q3: How do you control for LLM hallucination? / В3: Как вы контролируете галлюцинации LLM?

A: Multi-layer protocol:

О: Многоуровневый протокол:

1. Blinding Protocol / Протокол Ослепления

   • Models see "Sample A / B / C" only / Модели видят только "Образец A / B / C"
   • Don't know which channel is which / Не знают, какой канал какой
   • Perplexity reversal proves blinding works (53% → 0%) / Разворот Perplexity доказывает работоспособность ослепления (53% → 0%)

2. Triple Run Validation / Тройная Проверка

   • Each analysis run 3 times on same data / Каждый анализ запускается 3 раза на одних и тех же данных
   • Checks reproducibility / Проверяет воспроизводимость
   • Identifies hallucinations / Выявляет галлюцинации

3. Dual-Track Analysis / Двухтрековый Анализ

   • Track 1: LLM analysis (Gemini, GPT, Perplexity) / Трек 1: Анализ LLM (Gemini, GPT, Perplexity)
   • Track 2: CV/ML models (DINOv2, SigLIP2) - mathematically deterministic / Трек 2: CV/ML модели (DINOv2, SigLIP2) - математически детерминированные
   • Compare results between tracks / Сравнение результатов между треками

---

Q4: Why not fine-tune models on plasma images? / В4: Почему бы не дообучить модели на изображениях плазмы?

A: Planned for next phase. Current limitations:

О: Запланировано на следующую фазу. Текущие ограничения:

1. Dataset Size / Размер Датасета

   • Current: 5 patients (19 triplets) / Текущий: 5 пациентов (19 триплетов)
   • Fine-tuning would overfit on this size / Дообучение переобучится на этом размере
   • Need larger dataset first / Сначала нужен больший датасет

2. No Existing Plasma Models / Не Существует Моделей для Плазмы

   • No public models trained on plasma tube photography / Нет публичных моделей, обученных на фотографиях пробирок с плазмой
   • Closest domains: clinical pathology, biomedical literature / Ближайшие домены: клиническая патология, биомедицинская литература
   • Both tested (BiomedCLIP, MedSigLIP) - no advantage / Оба протестированы (BiomedCLIP, MedSigLIP) - без преимущества

3. Next Steps / Следующие Шаги

   • Expand donor base to 30 participants (Issue Expand Donor Base / Расширение Базы Доноров до 30 Участников #4) / Расширить базу доноров до 30 участников (Issue Expand Donor Base / Расширение Базы Доноров до 30 Участников #4)
   • Then fine-tune DINOv2 or similar / Затем дообучить DINOv2 или аналогичную
   • Full fine-tuning makes sense with sufficient data / Полное дообучение имеет смысл при достаточных данных

---

Q5: What is the evidence that effect exists? / В5: Какие есть доказательства существования эффекта?

A: Despite all limitations, multiple models found signal:

О: Несмотря на все ограничения, несколько моделей обнаружили сигнал:

Model / Модель	Accuracy / Точность	P-value / P-значение	Status / Статус
Gemini 2.5 Flash	57.9%	p = 0.027	✅ Statistically significant / Статистически значимо
DINOv2 Linear Probe	47.4%	p = 0.15	🟡 Suggestive / Предположительно
GPT-5 Batch	46.7%	-	🟡 Consistent / Согласованно
Perplexity Batch	53.3%	-	🟡 Consistent / Согласованно

Conclusion / Вывод:

• If no effect existed, all models would show ~33% (chance level) / Если бы эффекта не было, все модели показали бы ~33% (уровень случайности)
• Instead, multiple architectures show 46-58% accuracy / Вместо этого несколько архитектур показывают точность 46-58%
• This is not proof of effect, but reproducible signal across different models / Это не доказательство эффекта, но воспроизводимый сигнал на разных моделях

📞 CONTACT INFORMATION / КОНТАКТНАЯ ИНФОРМАЦИЯ

Contact / Контакт	Email / Электронная почта	Role / Роль
👨‍💼 BANCHENKO DENIS YURIEVICH / БАНЧЕНКО ДЕНИС ЮРЬЕВИЧ	denisbanchenko@asrp.tech	CEO ASRP / Program Director / Директор Программы
👩‍⚕️ OVSYANNIKOVA VALERIA ALEXANDROVNA / ОВСЯННИКОВА ВАЛЕРИЯ АЛЕКСАНДРОВНА	valeriaovseannicova@asrp.tech	CBE (Chief Biomedical Engineer) / Director of Biomedical Research Department / Руководитель Департамента Биомедицинских Исследований
👨‍💻 KAPUSTIN MYKHAILO MYKHALOVICH / КАПУСТИН МИХАЙЛО МИХАЙЛОВИЧ	mykhailokapustin@asrp.tech	CTO (Chief Technology Officer) / Director of IT & AI Department / Директор Департамента Информационных Технологий и ИИ
🔬 ZMIENKO KYRYL / ЗМИЕНКО КИРИЛЛ	kyrylzmiienko@asrp.tech	Chief AI Engineer / Главный ИИ Инженер
📚 SAVELYEV IVAN / САВЕЛЬЕВ ИВАН	ivansavelev@asrp.science	Science Director / Editor-in-Chief ASRP.science / Директор по Науке и Главный Редактор

Last Updated / Последнее обновление: 25 March 2026 / 25 марта 2026
Journal / Журнал: ASRP.science
Expected Publication / Ожидаемая Публикация: April-May 2026 / апрель-май 2026