Сначала были снимки
Медицина стала одной из первых областей, куда машинное обучение пришло всерьёз, и началось всё со зрения. Рентгеновский снимок, срез томографии, фотография глазного дна или родинки — это изображения, а распознавать изображения нейросети научились раньше, чем писать связный текст.
Самые зрелые применения здесь связаны со скринингом. Алгоритм просматривает тысячи снимков и помечает подозрительные, чтобы врач посмотрел их в первую очередь. В маммографии, поиске узелков в лёгких, диагностике диабетической ретинопатии такие системы уже прошли регуляторные проверки в разных странах. Для ретинопатии ещё в конце 2010-х в США появилась первая система, которой разрешили выносить заключение без обязательного участия врача, — по тем временам событие почти революционное.
Важно, что лучше всего работает связка, а не замена. Алгоритм не устаёт к концу смены и не пропускает мелочь из-за спешки. Врач видит контекст: историю болезни, жалобы, всё то, что не попало в кадр.
Отдельная тема — доверие. Врачу мало знать, что алгоритм считает снимок подозрительным, — важно понимать почему. Поэтому многие системы подсвечивают область, которая повлияла на решение, и это заметно упрощает совместную работу человека и машины.
Белки, молекулы и лаборатории
Вторая история успеха — фундаментальная биология. Задачу предсказания трёхмерной структуры белка по последовательности аминокислот около полувека считали одной из великих нерешённых проблем. Система AlphaFold от DeepMind научилась решать её с точностью, сопоставимой с экспериментальными методами, а в 2024 году её создатели стали лауреатами Нобелевской премии по химии.
Для пациента это не означает немедленного лекарства: от структуры белка до таблетки в аптеке — годы испытаний. Но для исследователей работа, которая раньше занимала месяцы в лаборатории, теперь начинается с готового предсказания. Похожие подходы применяют для поиска молекул-кандидатов в лекарства и для проектирования белков, которых нет в природе.
Самое скучное и самое полезное
Пока заголовки обсуждают ИИ-диагностов, тихая революция идёт в документообороте. Врачи во многих системах здравоохранения тратят на заполнение карт и отчётов огромную долю рабочего времени. Языковые модели, которые слушают приём и готовят черновик записи, возвращают это время пациенту.
- Расшифровка приёма. Модель составляет структурированную запись по разговору врача с пациентом, а врач её проверяет и подписывает.
- Выписки и письма. Черновики выписок, направлений и объяснений для пациента простым языком.
- Навигация по данным. Поиск нужного анализа в многолетней истории болезни за секунды, а не за полчаса листания.
Это не так эффектно, как «нейросеть поставила диагноз». Зато польза ощущается сразу, а риски намного понятнее. Ответственность при этом остаётся за врачом: он подписывает документ и отвечает за каждое слово в нём.
В медицине ИИ полезнее всего не там, где он заменяет врача, а там, где возвращает врачу время на то, чтобы быть врачом.
Где обещания разошлись с реальностью
История медицинского ИИ знает и громкие разочарования. В прошлом десятилетии было немало проектов, обещавших «цифрового онколога», и многие из них тихо свернули, когда выяснилось, что рекомендации системы плохо переносятся из клиники, где её обучали, в другие больницы.
Это общая проблема: модель, обученная на снимках с аппаратов одного производителя или на пациентах одного региона, может заметно хуже работать в другом месте. Иногда алгоритм и вовсе учится не тому — например, находит закономерность в служебных пометках на снимках, а не в самой патологии. Поэтому серьёзная проверка на независимых данных — не бюрократия, а необходимость.
Есть и другая сторона той же проблемы — перекосы в данных. Если в обучающей выборке мало пациентов определённого возраста, пола или с определённым цветом кожи, алгоритм может работать для них хуже, и по средним показателям это не всегда заметно. Дерматологические модели, обученные преимущественно на снимках светлой кожи, давно стали хрестоматийным примером в профессиональной литературе.
Что дальше
Языковые модели добавили новую грань: пациенты уже приходят к врачу с распечатанной «консультацией» чат-бота. Иногда это помогает задать правильные вопросы, иногда создаёт ложную уверенность или лишнюю тревогу. Врачам приходится учиться работать и с этим.
Не стоит забывать и о самих данных пациентов. Медицинская информация — одна из самых чувствительных, и любая система, которая её обрабатывает, должна соответствовать строгим требованиям к хранению и доступу. Это замедляет внедрение, но здесь медлительность, пожалуй, оправданна.
Реалистичный прогноз звучит скромнее рекламных: ИИ не заменит врачей, но врачи, умеющие с ним работать, со временем станут нормой. А главный вопрос будет не технологическим, а организационным: кто отвечает за ошибку, как проверять системы после внедрения и как сделать так, чтобы выгода дошла до пациента, а не только до отчёта.
Комментарии 5