Зачем ИИ нужен в медицине
С каждым годом объемы медицинской информации — от изображений (компьютерная томография, магнитно-резонансная томография, маммография) до историй болезни и геномных данных — растут столь стремительно, что даже лучшие врачи не успевают обрабатывать их своевременно. Именно здесь на помощь приходит искусственный интеллект (ИИ). По данным Американской медицинской ассоциации, на конец 2024-го около двух третей (66%) врачей уже использовали решения на основе ИИ (в 2023-м этот показатель составлял 38%).
Еще одна важная причина — дефицит квалифицированных специалистов. По данным Всемирной организации здравоохранения, к 2030 году в мире может не хватать до 10 млн медработников. В регионах, где нет постоянного доступа к узким специалистам, ИИ помогает закрыть этот разрыв: алгоритм анализирует исследования на месте, а врач подключается только в сложных случаях. Такой подход ускоряет диагностику, сокращает очереди и делает медицинскую помощь доступнее.
ИИ также помогает радикально оптимизировать рабочее время. Исследование с участием рентгенологов показало, что использование ИИ для создания черновиков отчетов сокращает среднее время подготовки отчета с 573 до 435 секунд — снижение почти на 25% без потери клинической точности. В Швеции комбинированный подход радиолога и ИИ в маммографии позволил выявлять на 20% больше случаев рака по сравнению с двумя радиологами, работающими без ИИ, а нагрузка на врачей при этом снизилась на 44%.
Тем не менее широкая доступность не отменяет ограничений. Один из рисков — постепенная утрата врачами собственных навыков из-за избыточной зависимости от алгоритмов. Например, польское исследование показало, что при колоноскопии специалисты, привыкшие к помощи ИИ, без него справлялись хуже: показатель Adenoma Detection Rate (доля пациентов, у которых выявлена хотя бы одна аденома — доброкачественное предраковое образование) снижался с 28,4 до 22,4%. Это означает, что без поддержки алгоритма врачи чаще пропускали опасные образования. Более того, систематический обзор 83 публикаций за 2018–2024 годы выявил среднюю точность генеративных ИИ-моделей в диагностике на уровне всего 52,1% — сопоставимо с результатами врачей без опыта, но примерно на 15,8% хуже, чем у экспертов.
ИИ уже стал мощным инструментом в практике медицины: он помогает врачам анализировать данные быстрее и точнее, снижает нагрузку и расширяет возможности диагностики даже там, где специалистов не хватает. Но он все еще требует грамотного внедрения, постоянной валидации результатов и регулярных доработок.
Ошибки и успехи ИИ в диагностике
История внедрения искусственного интеллекта в медицину выглядит неоднородно: наряду с впечатляющими успехами, когда алгоритмы спасают жизни или значительно повышают качество диагностики, есть и примеры громких провалов, демонстрирующих, что технология требует осторожности и строгой валидации.
К числу удачных примеров чаще всего относят системы, которые применяются в радиологии и офтальмологии. В 2020 году исследование Google и DeepMind, опубликованное в Nature, показало, что алгоритм для скрининга рака молочной железы снизил количество ложноположительных результатов на 5,7% и ложноотрицательных — на 9,4% в американской выборке, а в британской — на 1,2 и 2,7% соответственно.
В офтальмологии фундаментальной моделью, способной обучаться на неразмеченных данных и адаптироваться под разные задачи, стала RETFound. Созданная в рамках self-supervised learning — метода, при котором ИИ «учится сам», находя закономерности в данных без участия человека, — на 1,6 млн снимков глазного дна, она демонстрирует высокую точность в диагностике серьезных заболеваний глаза, а также позволяет прогнозировать системные заболевания, такие как сердечная недостаточность и инфаркт. Более того, реальное исследование показало, что модель RETFound — усиленная для работы с реальными низкокачественными изображениями — повышает чувствительность и специфичность более чем на 15% по сравнению с коммерческими моделями и демонстрирует более высокую клиническую эффективность.
В России заметно применение ИИ в стоматологии. Платформа Diagnocat, анализирующая рентген‑ и КТ‑снимки челюсти, а также платформа Webiomed, интегрированная в проекты Минздрава, уже внедрены в клиническую практику и помогают автоматизировать рутинные этапы диагностики. В России одним из крупнейших проектов стало внедрение ИИ в московское здравоохранение. С 2021 года нейросети проанализировали более 1,5 млн медицинских исследований, включая КТ легких, маммографию и ЭКГ, а к 2025 году — уже свыше 14 млн, охватывая 40 клинических направлений. По данным Департамента здравоохранения Москвы, алгоритмы помогают ускорять обработку снимков и сокращать нагрузку на врачей.
Однако список провалов тоже внушителен. Один из самых известных — проект IBM Watson for Oncology. Презентованный как революция в онкологической диагностике, он в итоге оказался не готов к клиническим реалиям: внутренние тесты показали, что в некоторых случаях система предлагала потенциально опасные схемы лечения, а рекомендации часто расходились с локальными протоколами. В результате многие клиники отказались от его использования.
Другой показательный случай — Epic Sepsis Model, алгоритм для выявления сепсиса, который внедряли в сотнях американских госпиталей. Модель пропускала два из трех реальных случаев заболевания и часто сигнализировала о сепсисе там, где его не было, перегружая врачей ложными тревогами.
Ошибки ИИ нередко связаны с качеством и репрезентативностью данных. Алгоритм, обученный на снимках пациентов одного региона или одной возрастной группы, может показывать хорошие результаты «дома» и проваливаться на другой выборке. Переобучение (когда модель слишком подстраивается под обучающие данные и хуже работает на новых), «смещение» данных (ошибка из-за того, что обучающая выборка не отражает реальное разнообразие случаев), а также так называемый эффект черного ящика, когда врачи не понимают, на основе чего модель принимает решение, — все это создает риск неконтролируемых ошибок.
Тем не менее даже провальные кейсы важны: необходимость многоступенчатой валидации результатов, прозрачности алгоритмов, регулярного обновления моделей и сохранения роли человека в принятии финального решения. Практика показывает, что успех ИИ в диагностике чаще всего связан с правильно определенной задачей, качественным датасетом и грамотной интеграцией в клинический процесс, тогда как неудачи возникают там, где технология внедряется без достаточной проверки и адаптации к реальным условиям.
Будущее ИИ в медицине: к чему это приведет
Будущее ИИ в медицинской диагностике выглядит не как фантастика, а скорее как неизбежная эволюция здравоохранения. Согласно оценкам консалтинговой компании McKinsey, по состоянию на конец 2024 года 85% руководителей медицинских учреждений уже исследуют или внедряют генеративный ИИ в рабочие процессы — что свидетельствует о массовом переходе от пилотов к полномасштабной реализации технологий.
Рост рынка впечатляет: в 2021 году сектор здравоохранения с ИИ оценивался в $11 млрд, к 2030-му ожидается рост до более чем $187 млрд — почти в 17 раз. Особенно чувствителен потенциал в области медтеха: McKinsey прогнозирует, что компании могут получить от использования генеративного ИИ от $14 до $55 млрд в год благодаря инновационным продуктам и сервисам.
Согласно отчетам Всемирного экономического форума (WEF), ИИ способен существенно сократить дефицит 11 млн специалистов в здравоохранении, который ожидается к 2030 году, и отсутствие доступа к основным медицинским услугам у почти 4,5 млрд людей. При этом Reuters предупреждает: пусть ИИ и способен выводить нестандартные решения, но он может усугубить социальное неравенство. В исследовании из Nature Medicine выяснилось, что ИИ на одинаковые клинические данные выносил различные рекомендации в зависимости от социального статуса пациентов, отдавая предпочтение диагностике обеспеченных пациентов и игнорируя нужды малообеспеченных групп.
Изменения в здравоохранении идут гораздо медленнее, чем многие ожидали. Даже при впечатляющих результатах ИИ в разных сферах медицины — от маммографии до колоноскопии — о полноценной замене врачей речи пока не идет. Сегодня ИИ в большей степени помогает с оформлением документации, освобождает врачам время для работы с пациентами и постепенно становится частью их повседневной практики.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.