Искусственный интеллект (ИИ) стремительно меняет облик современной медицины. От анализа медицинских изображений до прогнозирования исходов лечения — алгоритмы машинного обучения проникают во все области клинической практики. Научные статьи об искусственном интеллекте в медицине публикуются тысячами ежегодно, а инвестиции в медицинский ИИ в мире превысили 45 миллиардов долларов к 2024 году. В этом материале — обзор ключевых направлений, реальных результатов и открытых вопросов.
Главная / Искусственный интеллект в медицине
Технологии
Медицинский журнал — Наука и практика
Искусственный интеллект в медицине: статьи, исследования и перспективы применения
Автор: Алексей Воронов, медицинский журналист
·
Обновлено:
·
Время чтения: ~12 минут
45 млрд $
объём мирового рынка медицинского ИИ в 2024 г.
94%
точность ИИ при выявлении рака молочной железы по маммографии (Google Health, 2023)
700+
ИИ-устройств одобрено FDA для медицины к началу 2025 г.
30%
сокращение времени постановки диагноза при использовании ИИ в радиологии
Что такое ИИ в медицине: основные понятия
Под термином «искусственный интеллект в медицине» понимают широкий спектр технологий: классическое машинное обучение (Machine Learning, ML), глубокое обучение (Deep Learning), нейронные сети, обработку естественного языка (NLP) и компьютерное зрение. Каждый из этих подходов находит применение в конкретных медицинских задачах.
Ключевое отличие медицинского ИИ от традиционного программного обеспечения — способность системы обучаться на данных и улучшать свои предсказания без явного программирования каждого правила. Модели обучаются на массивах медицинской информации: снимках, лабораторных показателях, историях болезни, геномных данных.
Основные типы медицинского ИИ
- Диагностический ИИ — анализ изображений (рентген, КТ, МРТ, патоморфология), выявление патологий.
- Прогностический ИИ — оценка риска развития заболеваний, прогноз течения болезни.
- Терапевтический ИИ — подбор схем лечения, персонализированная медицина.
- Административный ИИ — автоматизация документооборота, кодирование диагнозов по МКБ, планирование ресурсов.
- Разговорный ИИ — чат-боты для первичной сортировки пациентов, поддержка психического здоровья.
Направления применения: где ИИ уже работает
Радиология и медицинская визуализация
Наиболее зрелая область применения медицинского ИИ — анализ медицинских изображений. Алгоритмы компьютерного зрения обучаются на миллионах аннотированных снимков и способны обнаруживать патологии, которые человеческий глаз может пропустить из-за усталости или субъективности восприятия.
В 2023 году компания Google Health опубликовала результаты исследования, согласно которым система LYNA (Lymph Node Assistant) выявляла метастатический рак молочной железы в биоптатах лимфатических узлов с точностью 99%, превысив показатели группы патологоанатомов. Система Viz.ai для анализа КТ-снимков при инсульте одобрена FDA и используется более чем в 1000 больниц США.
Онкология
ИИ активно применяется для скрининга рака. Системы анализа маммограмм (Transpara, ScreenPoint Medical) демонстрируют сопоставимую с опытными радиологами чувствительность при обнаружении ранних форм рака молочной железы. В дерматологии алгоритм SkinVision показал чувствительность 95% при выявлении меланомы — выше, чем у среднестатистического дерматолога.
Для онкологии особенно перспективен анализ геномных данных. Системы на основе ИИ помогают идентифицировать мутации, предсказывать ответ опухоли на таргетную терапию и иммунотерапию, подбирать оптимальную схему химиотерапии.
Кардиология
Алгоритмы анализа ЭКГ демонстрируют впечатляющие результаты. Исследование клиники Майо (2019) показало, что нейронная сеть способна выявлять бессимптомную дисфункцию левого желудочка по обычной ЭКГ покоя — задача, традиционно требующая эхокардиографии. ИИ-системы анализа ЭКГ уже интегрированы в носимые устройства Apple Watch и позволяют регистрировать фибрилляцию предсердий у пользователей в реальном времени.
ИИ в наркологии и психиатрии
В области психического здоровья и наркологии ИИ применяется для прогнозирования рецидивов зависимости, анализа речевых паттернов и мониторинга состояния пациентов через мобильные приложения. Алгоритмы обработки естественного языка способны анализировать тексты пациентов и выявлять маркеры суицидального риска или обострения зависимости раньше, чем это становится клинически очевидным.
Исследования показывают, что модели машинного обучения, обученные на данных о паттернах употребления психоактивных веществ, биомаркерах стресса (кортизол, вариабельность сердечного ритма) и поведенческих данных с мобильных устройств, позволяют с точностью до 80% предсказать вероятность срыва у пациентов с алкогольной зависимостью в ближайшие 24 часа.
«Искусственный интеллект не заменяет клинического мышления врача — он усиливает его, обрабатывая объёмы данных, недоступные для человеческого восприятия. Ключевой вопрос не "заменит ли ИИ врачей", а "как врачи, использующие ИИ, заменят тех, кто его не использует"».
Мнение эксперта
КМ
Кирилл Михайлов
к.м.н., специалист в области цифровой медицины, сотрудник НИИ организации здравоохранения
«Внедрение ИИ в клиническую практику — процесс, требующий не только технологической зрелости, но и регуляторной готовности. Сегодня мы видим парадокс: алгоритмы демонстрируют высокую точность в контролируемых исследованиях, но при переносе в реальные клинические условия нередко снижают эффективность. Причины — распределение данных в реальных популяциях отличается от обучающих выборок, различия в качестве оборудования, операционные особенности учреждений. Поэтому критически важна локальная валидация каждой системы перед развёртыванием».
Разработка лекарств и биомедицинские исследования
Создание нового лекарственного препарата традиционно занимает 10–15 лет и обходится в среднем в 2,6 млрд долларов. Искусственный интеллект радикально меняет этот процесс на нескольких этапах.
Открытие новых молекул
Генеративные модели, такие как AlphaFold от компании DeepMind (Alphabet), произвели революцию в предсказании трёхмерной структуры белков. В 2022 году была опубликована база данных структур более 200 миллионов белков — практически всех известных науке. Это кардинально ускоряет поиск мишеней для новых препаратов.
Компания Insilico Medicine с помощью генеративного ИИ разработала новую молекулу-кандидат для лечения идиопатического лёгочного фиброза за 18 месяцев вместо стандартных 4–5 лет, и в 2023 году препарат вошёл в фазу II клинических испытаний. Рекрутинг участников клинических исследований с помощью ИИ-алгоритмов сокращает время набора пациентов на 30–40%.
Репозиционирование препаратов
Алгоритмы анализа биомедицинских баз данных позволяют выявлять новые показания для уже одобренных лекарств. В период пандемии COVID-19 ИИ-системы помогли идентифицировать барицитиниб (препарат для лечения ревматоидного артрита) как потенциальное средство против цитокинового шторма, что подтвердилось в клинических испытаниях.
Персонализированная медицина и геномика
Концепция персонализированной, или прецизионной, медицины предполагает лечение, адаптированное к индивидуальным биологическим характеристикам конкретного пациента. ИИ является ключевым инструментом для реализации этой концепции на практике.
Анализ полногеномных данных требует обработки огромных объёмов информации. Алгоритмы машинного обучения способны выявлять генетические варианты, ассоциированные с риском заболеваний, с точностью, недостижимой традиционными статистическими методами. Полигенные оценки риска (Polygenic Risk Scores, PRS), рассчитываемые с помощью ИИ, уже применяются для стратификации риска ишемической болезни сердца, диабета 2 типа и некоторых видов рака.
В фармакогеномике ИИ помогает предсказывать индивидуальный ответ на лекарственные препараты. Например, системы анализа данных об экспрессии генов опухоли позволяют с высокой точностью определить, какая схема химиотерапии будет наиболее эффективна для конкретного пациента с раком молочной железы или колоректальным раком.
Регуляторные вопросы и этика ИИ в медицине
Стремительное развитие медицинского ИИ опережает формирование регуляторных рамок. Тем не менее в последние годы регуляторы активизировались.
Регулирование в мире
В США FDA классифицирует большинство ИИ-медицинских систем как медицинские устройства программного обеспечения (SaMD — Software as a Medical Device). К 2025 году ведомство одобрило более 700 ИИ-решений, причём большинство — для радиологии (около 75%). В ЕС медицинский ИИ регулируется одновременно Регламентом об ИИ (EU AI Act, 2024) и законодательством о медицинских устройствах (MDR 2017/745).
В России регулирование медицинского ИИ развивается в рамках законодательства о медицинских изделиях: программное обеспечение, принимающее медицинские решения, подлежит регистрации в Росздравнадзоре. Ряд отечественных разработок — системы анализа КТ-снимков лёгких, ЭКГ-диагностики — уже прошли регистрацию.
Этические проблемы
Применение ИИ в медицине сопряжено с рядом принципиальных этических вопросов:
- Алгоритмическая предвзятость. Если обучающие данные не репрезентативны, алгоритм воспроизводит и усиливает существующее неравенство. Исследования показали, что ряд систем хуже работает на тёмной коже пациентов из-за недостаточного представительства в тренировочных наборах данных.
- Проблема «чёрного ящика». Многие нейросетевые модели не позволяют объяснить, почему был получен тот или иной результат. Это создаёт трудности для клинической интерпретации и юридической ответственности.
- Конфиденциальность данных. Обучение медицинских моделей требует доступа к большим массивам персональных медицинских данных, что создаёт риски нарушения врачебной тайны.
- Распределение ответственности. При ошибочном диагнозе ИИ-системы неясно, кто несёт ответственность — разработчик, учреждение или врач.
- Цифровое неравенство. Передовые ИИ-решения доступны преимущественно в богатых странах, что рискует усилить глобальное медицинское неравенство.
Вопрос — Ответ
Часто задаваемые вопросы об ИИ в медицине
На современном этапе — нет. ИИ является инструментом поддержки клинических решений, но не их заменой. Диагностика требует интеграции медицинских данных с анамнезом, социальным контекстом, пациент-центрированным общением и клиническим суждением, которые остаются прерогативой врача. Регуляторы большинства стран прямо требуют, чтобы ИИ-системы работали под надзором специалиста.
Зависит от задачи. В ряде узких задач — анализ маммограмм, выявление диабетической ретинопатии, интерпретация ЭКГ — ИИ достигает или превышает уровень специалиста. Однако прямые сравнения часто проводятся в идеальных условиях, а в реальной клинической практике показатели снижаются. Наилучшие результаты достигаются при совместной работе врача и ИИ.
Это один из ключевых вопросов регуляторов. Современные подходы включают федеративное обучение (модель обучается на локальных данных без их передачи), дифференциальную приватность (добавление статистического шума для защиты отдельных записей) и синтетические данные. Законодательство (GDPR в ЕС, 152-ФЗ в России) обязывает разработчиков и медицинские учреждения обеспечивать защиту персональных данных.
Да. В рамках московского эксперимента по применению ИИ в здравоохранении (с 2019 года) более 20 ИИ-сервисов внедрены в работу городских поликлиник и больниц. Системы анализируют маммограммы, КТ органов грудной клетки (в том числе при COVID-19), рентгенограммы костей, ЭКГ. По данным Департамента здравоохранения Москвы, ИИ-сервисы проанализировали более 10 млн медицинских изображений к 2024 году.
«Галлюцинациями» называют ситуации, когда большие языковые модели (LLM) генерируют достоверно выглядящую, но фактически неверную информацию — несуществующие препараты, ложные ссылки на клинические исследования, некорректные дозировки. Это критическая проблема безопасности при использовании чат-ботов в медицине. Исследования показывают, что частота галлюцинаций варьирует от 2 до 30% в зависимости от модели и задачи. Именно поэтому медицинские ИИ-ассистенты требуют обязательной верификации врачом.
Перспективы развития: что будет дальше
Эксперты выделяют несколько направлений, которые определят развитие медицинского ИИ в ближайшие 5–10 лет.
Мультимодальные модели
Следующее поколение медицинских ИИ-систем будет одновременно обрабатывать разнородные данные: медицинские изображения, геномные данные, лабораторные показатели, данные носимых устройств, свободный клинический текст. Мультимодальность позволит создавать более полный «цифровой портрет» пациента и повысит точность диагностики и прогнозирования.
Цифровые двойники и симуляция лечения
Концепция цифрового двойника пациента предполагает создание виртуальной модели его физиологии, на которой можно тестировать различные схемы лечения до их применения в реальности. Европейский проект Virtual Human Twin (VHT) уже реализуется при поддержке ЕС. В кардиологии и онкологии первые прототипы таких систем показывают перспективные результаты.
ИИ на периферии (edge AI)
Перенос вычислений непосредственно на медицинские устройства (носимые гаджеты, имплантируемые датчики, портативные диагностические приборы) позволит обеспечить анализ данных в режиме реального времени без передачи в облако. Это особенно важно для мониторинга хронических заболеваний и экстренных ситуаций.
Автоматизация клинической документации
Административная нагрузка является одним из главных факторов профессионального выгорания врачей. ИИ-системы транскрибации и структурирования клинических записей (ambient AI scribes) уже внедряются в крупных медицинских сетях США и Европы, автоматически формируя медицинскую документацию из записи врачебного осмотра.
Ключевые выводы
- ИИ наиболее зрел в задачах анализа медицинских изображений, ЭКГ и геномных данных.
- Наилучшие результаты достигаются при совместной работе ИИ и врача, а не при их противопоставлении.
- Алгоритмическая предвзятость, проблема «чёрного ящика» и вопросы ответственности остаются нерешёнными.
- Регуляторные рамки в мире формируются, но пока отстают от темпов технологического развития.
- Применение ИИ в наркологии и психиатрии открывает новые возможности прогнозирования рецидивов и персонализации лечения.
Источники
1. McKinney S.M. et al. International evaluation of an AI system for breast cancer screening // Nature. 2020. Vol. 577, P. 89–94.
2. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nature Medicine. 2019. Vol. 25, P. 44–56.
3. Jumper J. et al. Highly accurate protein structure prediction with AlphaFold // Nature. 2021. Vol. 596, P. 583–589.
4. Attia Z.I. et al. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram // Nature Medicine. 2019. Vol. 25, P. 70–74.
5. FDA. Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan. 2021.
6. WHO. Ethics and governance of artificial intelligence for health. Geneva: World Health Organization, 2021.
7. Obermeyer Z. et al. Dissecting racial bias in an algorithm used to manage the health of populations // Science. 2019. Vol. 366 (6464), P. 447–453.
8. Департамент здравоохранения г. Москвы. Итоги эксперимента по применению ИИ в здравоохранении, 2024.