ИИ в медицине: как нейросети помогают врачам ставить диагнозы

Прежде чем нейросеть сможет искать признаки болезни, её нужно обучить. Один из распространённых способов — показать ей множество примеров с уже известными результатами. Например, это могут быть тысячи снимков, на которых врачи отметили признаки заболевания. Сравнивая такие примеры, нейросеть учится находить закономерности, которые затем может распознавать на новых снимках.

Многие современные медицинские нейросети используют глубокое обучение. Представь, что ученик рассматривает множество снимков и постепенно учится замечать всё более сложные особенности: сначала простые детали, затем их сочетания. Похожим образом работает многослойная нейросеть: информация проходит через несколько слоёв, и каждый из них помогает выделять всё более сложные признаки.

Для анализа изображений часто используют свёрточные нейронные сети, или CNN. Они устроены так, чтобы постепенно находить на изображении важные детали — от простых линий и контуров до более сложных форм и участков. CNN работают с рентгеновскими снимками, КТ, МРТ, маммограммами и цифровыми изображениями тканей. Но ИИ может работать с электрокардиограммами, лабораторными исследованиями, электронными медицинскими картами и омиксными данными — информацией о генах, белках и других особенностях организма.

Чтобы нейросеть хорошо справлялась со своей задачей, ей недостаточно просто показать много примеров. Важно, какими будут эти примеры. Представим, что модель училась только на снимках, сделанных на аппаратах одного типа. В другой больнице оборудование и сами изображения могут отличаться — и нейросети будет сложнее применить то, чему она научилась. Особенно сложно собрать достаточно данных о редких заболеваниях: подходящих случаев мало.

Сегодня ИИ в диагностике применяют в разных областях медицины — от онкологии и кардиологии до исследования тканей и клеток. В одних случаях нейросети ищут подозрительные изменения на снимках, в других — анализируют сигналы организма или помогают врачу быстрее разобраться в большом объёме данных. Рассмотрим несколько примеров.

ИИ в онкологии

Для онкологии особенно важно обнаружить болезнь как можно раньше: при многих видах рака раннее выявление даёт больше возможностей для эффективного лечения. Поэтому одна из главных задач нейросетей в этой области — помогать находить признаки опухолей на медицинских изображениях. ИИ анализирует снимок, выделяет подозрительные участки и помогает врачу обратить на них внимание.

Такой подход используют для разных видов изображений. Например, нейросети анализируют увеличенные снимки кожи и ищут на них признаки меланомы — одного из видов рака кожи. В крупном метаанализе модели показали высокую способность различать изображения с меланомой и без неё, а их результаты были сопоставимы с результатами опытных дерматологов.

Похожим образом ИИ применяют при анализе КТ лёгких и маммограмм — рентгеновских снимков молочных желёз. Некоторые системы не только выделяют подозрительные участки, но и помогают определить, какие исследования врачу стоит проверить в первую очередь.

Кардиология, патология и персонализированная медицина

Представим, что врач изучает электрокардиограмму — график, который показывает электрическую активность сердца. На нём нужно заметить изменения ритма и другие отклонения. ИИ может проанализировать такую запись и выделить признаки, которые могут указывать, например, на аритмию. Окончательную оценку при этом даёт врач.

В цифровой патологии ИИ помогает исследовать клетки и ткани. Для этого образец ткани фотографируют под микроскопом и получают цифровое изображение. Нейросеть анализирует его и может выделить участки, где клетки выглядят необычно, например имеют признаки опухолевых изменений. Затем эти участки изучает врач-патолог.

Похожий подход используют и в нейропатологии, где исследуют изменения в тканях нервной системы. Машинное обучение применяют в том числе при изучении нейродегенеративных заболеваний — болезней, при которых постепенно повреждаются и погибают нервные клетки.

Но найти заболевание — не единственная задача. В некоторых областях ИИ используют, чтобы оценить, как пациент может отреагировать на лечение. Такие прогнозы могут помочь врачу при выборе терапии. Это одно из направлений персонализированной медицины: лечение подбирают с учётом особенностей конкретного пациента.

В России системы с ИИ уже используют в государственных медицинских организациях. Например, они помогают анализировать медицинские изображения в рамках московских и федеральных проектов.

Один из них — Московский эксперимент по компьютерному зрению. За первый год его работы 39 ИИ-сервисов проанализировали 1 468 872 исследования. Опыт эксперимента показал, что медицинский ИИ важно тщательно проверять. Чтобы зарегистрировать такую систему как медицинское изделие в России, нужно подтвердить её качество, эффективность и безопасность. Для этого в предусмотренных случаях проводят технические и клинические испытания.

ИИ-сервисы внедряют и в регионах. К декабрю 2025 года, по данным Минздрава России, в федеральном проекте участвовали 74 региона и более 2 тысяч медицинских учреждений. Всего с помощью ИИ обработали более 9 миллионов исследований.

Для медицинского ИИ существуют свои правила. С 23 мая 2026 года программы с ИИ, зарегистрированные как медицинские изделия, могут передавать определённые сведения о своей работе в систему Росздравнадзора. Если такая автоматическая передача предусмотрена в самой программе, производитель должен обеспечить её работу по установленным требованиям.

Даже если нейросеть хорошо показала себя во время испытаний, в реальных условиях её точность может измениться. Дело в том, что данные, с которыми она столкнётся на практике, могут отличаться от обучающих. Например, снимки могут быть сделаны на другом оборудовании, а среди пациентов могут оказаться люди, чьи данные были недостаточно представлены при обучении модели.

Насколько сильно изменится точность ИИ, заранее сказать нельзя. Поэтому медицинские модели проверяют не только на знакомых им данных, но и на новых, полученных в других условиях. Так можно понять, насколько хорошо система справляется с задачей за пределами обучающей выборки.

Есть и другая сложность: не всегда понятно, почему нейросеть пришла именно к такому выводу. Например, система может указать на высокую вероятность заболевания, но врачу важно знать, что именно в данных повлияло на её ответ.

Разобраться в этом помогают специальные методы, например LIME и SHAP. Они показывают, какие признаки были наиболее важны для конкретного ответа нейросети. Но полностью объяснить ход её работы такие методы не могут — они дают лишь приблизительное представление о том, на чём основывался результат.

ИИ может подсказать врачу, на что обратить внимание, оценить вероятность заболевания или помочь при выборе лечения.

Такой принцип записан в российском Кодексе этики применения ИИ в сфере охраны здоровья: уполномоченный человек должен иметь возможность проверить вывод ИИ, согласиться с ним, изменить или отклонить его. При этом Кодекс содержит этические рекомендации, а не законы, обязательные для каждого медицинского решения.

В работе медицинского ИИ участвуют разные стороны: разработчики и производители создают и проверяют системы, медицинские организации внедряют их, а специалисты используют в работе. У каждого участника свои задачи и своя ответственность, а кто именно отвечает в конкретной ситуации, зависит от обстоятельств и действующих правил.

При этом ИИ остаётся инструментом, который помогает врачу: например, анализирует данные и выделяет важные признаки. Полученный результат специалист оценивает вместе с другой информацией о пациенте.

В некоторых задачах ИИ уже показывает результаты, сопоставимые с работой специалистов. Например, нейросеть может быстро обработать большое количество снимков и выделить те, на которых есть подозрительные изменения.

Но работа врача гораздо шире одной такой задачи. Чтобы поставить диагноз, он учитывает жалобы пациента, историю болезни, результаты осмотра, анализов и исследований. Кроме того, врач может задать дополнительные вопросы или назначить новое обследование, если информации недостаточно. ИИ работает только с теми данными, которые ему передали, поэтому часть важного контекста может оставаться за пределами его анализа.

Одно из направлений развития — мультимодальные модели, которые умеют работать сразу с несколькими видами медицинских данных. Например, одна модель может учитывать медицинское изображение, записи о состоянии пациента и омиксные данные. Получается более полная картина: во многих задачах сочетание нескольких источников информации помогает лучше оценивать состояние пациента и прогнозировать развитие заболевания, чем анализ только одного типа данных.

Ещё одно важное направление — разработка лекарств. Чтобы создать новый препарат, учёным сначала нужно понять, на что именно он должен воздействовать в организме, а затем найти подходящее вещество. ИИ помогает быстрее искать такие «мишени» и отбирать молекулы, из которых в будущем может получиться лекарство. Алгоритмы также могут прогнозировать свойства этих молекул и то, как они будут взаимодействовать с другими веществами.

Развитие медицинского ИИ расширяет возможности для работы на стыке медицины и технологий. Специалисты здесь работают с медицинскими данными, создают и проверяют алгоритмы, занимаются клинической информатикой и правилами применения цифровых технологий в здравоохранении. Для школьников, которым интересны и биология, и информатика, это возможность в будущем соединить оба направления в одной профессиональной сфере.

ИИ уже помогает врачам работать с самыми разными медицинскими данными — от снимков и ЭКГ до лабораторных исследований и медицинских карт. Нейросети могут быстро анализировать большие объёмы информации, находить важные признаки и обращать на них внимание специалиста.

Но возможности ИИ зависят от того, на каких данных он обучался и в каких условиях его используют. Поэтому медицинские системы нужно тщательно проверять, а их выводы — контролировать.