Инновации и перспективные направления развития инструментов на основе искусственного интеллекта в медицине: кратко о главном

В течение тысячелетий медицина развивалась по реактивному принципу: врач вступал в борьбу с болезнью лишь тогда, когда она уже проявляла себя явными симптомами. Даже с появлением стетоскопа Рене Лаэннека в 1816 году и удивительным открытием рентгеновских лучей Вильгельмом Рентгеном в 1895-м диагностика все же оставалась искусством интерпретации, ограниченным разрешающей способностью человеческого глаза и опытом конкретного клинициста. Во второй половине XX века с ростом объемов медицинских данных возникла потребность в их систематизации. Первые попытки доверить машинам клиническую логику начались в 1970-х годах с создания экспертных систем, таких как MYCIN в Стэнфордском университете. Эта программа умела подбирать антибиотики для лечения тяжелых инфекций, опираясь на жесткий свод правил «если — то», прописанных людьми. Однако такие системы оставались хрупкими: они не умели учиться на новых данных и пасовали перед нетипичными клиническими картинами.

В период с 2010 по 2026 год количество публикаций о применении технологий машинного (ML) и глубокого обучения (DL) в медицине в базе данных PubMed продемонстрировало взрывной экспоненциальный рост — более чем в 50 раз. По данным журнала JAMA, если в начале 2010-х годов ежегодно индексировались лишь единичные тысячи работ, то к 2020 году их число превысило 22 700, а по итогам 2025 года достигло 80 042 публикаций в год.

Основные этапы роста публикационной активности

Динамика научных исследований в PubMed четко делится на четыре технологических периода, отражающих эволюцию алгоритмов и вычислительных мощностей:

  • 2010–2015 гг. (Начальный этап и классический ML). Ежегодный объем публикаций оставался сравнительно низким (от ~1 500 до ~4 000 статей в год) и рос линейно. Исследования фокусировались на классических алгоритмах (метод опорных векторов, случайный лес) и ранних системах компьютерной диагностики (CAD).
  • 2016–2019 гг. (Прорыв глубокого обучения). Начался резкий перелом тренда, связанный с внедрением сверточных нейронных сетей (CNN) для анализа медицинских изображений и одобрением первых облачных DL-алгоритмов регуляторами (FDA) в 2017 году. Ежегодный прирост ускорился до 30–40%.
  • 2020–2022 гг. (Пандемийный импульс и масштабирование). В 2020 году количество статей составило 22 791. Пандемия COVID-19 стимулировала массовое применение моделей прогнозирования и автоматического анализа КТ-снимков легких, закрепив доминирование глубокого обучения в радиологии, онкологии и кардиологии.
  • 2023–2026 гг. (Эра генеративного ИИ и мультимодальных моделей). Внедрение больших языковых моделей (LLM) и трансформеров спровоцировало новый скачок. По данным обзора в Journal of Clinical Medicine, за пятилетку 2021–2025 гг. вышло свыше 53 000 узкопрофильных клинических работ по ML/DL, а общий поток ИИ-публикаций в 2025 году преодолел отметку в 80 000. В 2026 году высокий темп сохраняется за счет исследований мультимодальных систем (объединяющих электронные медкарты, геномику и снимки) и появления специализированных медицинских ИИ-журналов (например, JAMA AI).

Сводная таблица показателей по ключевым годам

В таблице ниже приведены контрольные ориентиры объема публикаций в PubMed по тематике искусственного интеллекта, машинного и глубокого обучения в медицине (на основе библиометрических сводок Nature и JAMA):

Период / Год Ориентировочное число публикаций в год Ключевые драйверы роста и доминирующие методы
2010 ~1 500 – 2 000 Статистическое обучение, анализ табличных клинических данных, ранние системы CAD.
2015 ~4 500 – 5 500 Появление первых медицинских приложений на базе глубоких нейронных сетей.
2020 22 791 Массовое внедрение CNN в радиологии и патологии, диагностика COVID-19.
2025 80 042 Интеграция LLM (BioBERT, Med-PaLM, GPT), мультимодальная аналитика и прогнозирование.
2026 (оценка) > 85 000 Стандартизация клинических испытаний ИИ, мультиагентные системы и персонализированная терапия.

Ключевые структурные сдвиги внутри потока публикаций

  • Смена технологического лидера. До 2016 года в публикациях преобладал термин Machine Learning, однако к 2019–2020 гг. доля статей с акцентом на Deep Learning сравнялась с ним, а с 2023 года значительную часть прироста обеспечивают Large Language Models и генеративные архитектуры.
  • Отраслевая концентрация. Наибольшее число публикаций традиционно приходится на визуализирующие и диагностические специальности: радиологию, онкологию, патологию, офтальмологию и кардиологию.
  • География исследований. Лидерами по абсолютному числу индексируемых в PubMed работ выступают США и Китай (причем после 2020 года Китай вышел на первое место по общему объему публикаций, тогда как учреждения Северной Америки и Европы сохраняют лидерство по индексу цитирования).

Подлинный перелом произошел в 2010-х годах, когда совпали три фактора: многократный рост вычислительных мощностей графических процессоров, накопление колоссальных массивов оцифрованных медицинских архивов и прорыв в архитектуре глубоких нейронных сетей. Искусственный интеллект перестал быть просто калькулятором жестких алгоритмов. Впервые машина обрела способность самостоятельно находить неочевидные, микроскопические паттерны в хаосе биологических данных — там, где человеческое восприятие бессильно.

Сегодня эта эволюция привела к фундаментальному сдвигу парадигмы здравоохранения, и мы наблюдаем переход от констатации болезни к ее математическому прогнозированию. Ярким подтверждением этой трансформации стали конкретные клинические и научные прорывы последних лет:

  • В лучевой диагностике алгоритмы компьютерного зрения уже превосходят опытных рентгенологов в выявлении ранних признаков рака молочной железы на маммограммах и микроскопических узелков в легких на снимках КТ, сокращая время анализа с десятков минут до нескольких секунд.
  • В молекулярной биологии система AlphaFold совершила революцию, предсказав трехмерную структуру практически всех известных науке белков, что позволило фармацевтическим лабораториям конструировать новые лекарственные молекулы за месяцы вместо десятилетий.
  • В кардиологии и реаниматологии предиктивные модели в реальном времени анализируют поток данных с прикроватных мониторов и носимых датчиков, предупреждая врачей о высоком риске развития сепсиса или внезапной остановки сердца за несколько часов до критического падения показателей.

Медицина перестает быть исключительно областью врачебной интуиции, превращаясь в точную науку о работе со сверхбольшими данными. В этой статье мы подробно разберем, какие именно инновационные инструменты искусственного интеллекта уже меняют клиническую практику, какие перспективные технологии находятся на пороге внедрения и с какими этическими и технологическими барьерами сталкивается цифровая медицина будущего.

Современные и эффективные инструменты на основе искусственного интеллекта активно вторгаются в нашу жизнь, становясь все более обыденным средством решения повседневных задач. Медицина не является исключением. В настоящее время уже пора проводить анализ того, как те или иные инструменты на основе ИИ находят свое применение в медицинской практике с оценкой их влияния на эффективность диагностики, профилактики и лечения тех или иных заболеваний. В этой статье мы будем рассматривать медицину как систему научных знаний и практической деятельности, целями которой являются сохранение и укрепление здоровья человека, продление его жизни, лечение и предупреждение болезней. Под содержательной стороной термина «искусственный интеллект» будем понимать технологии, основанные на обучении компьютерных систем и предназначенные для замены действий человека при выполнении каких-либо процессов.

Такое определение позволит сосредоточиться на практических аспектах и избежать вопросов философского плана, которые часто сопровождают обсуждение ИИ в непрофессиональных кругах. Какова же ситуация с применением ИИ в медицине по состоянию на июнь 2021 г.? На наш взгляд, такая фиксация времени необходима ввиду бурного развития рассматриваемой области. В 2020 г. журнал Nature опубликовал весьма наглядную диаграмму (см. рисунок) роста количества публикаций в профессиональном медицинском сообществе о применениях технологий машинного обучения.

Экспоненциальный рост числа исследований, как правило, сопровождается постоянным расширением круга решаемых задач. Поэтому мы не будем претендовать на исчерпывающую картину применения ИИ в медицине, а попытаемся очертить наиболее успешные или перспективные с нашей точки зрения направления.

ИИ в хирургии

Речь идет о роботах, участвующих в хирургических операциях и сопровождающих хирургические операции и послеоперационных больных. По данным MarketsandMarkets, глобальный рынок хирургических роботов будет расти в среднем на 10,4% и достигнет $6,5 млрд к 2023 г. против $3,9 млрд в 2018 г.

В 2018 г. более 5 тыс. хирургических роботов использовались более чем в миллионе медицинских процедур по всему миру. Важно заметить, что термин «робот» часто создает неправильное представление о том, что роботы выполняют хирургические операции. Это не совсем так.

Роботы с искусственным интеллектом применяются все чаще в микрохирургических процедурах. Но не следует считать, что скоро будут оперировать только роботы-хирурги. Зато справедливы ожидания, что роботы с ИИ помогут хирургам работать лучше.

Согласно одному из исследований, проведенному с участием 379 пациентов врачей-ортопедов, хирургические опе­ра­ции с использованием искусственного интеллекта вызвали в 5 раз меньше осложнений, чем операции, где хирурги работали в одиночку. Роботизированная хирургия – это активно развивающаяся и эффективная технология, которая приобретает все большее значение при различных медицинских процедурах в неврологии, гинекологии, ортопедии, торакальной и общей хирургии, при установке зубных имплантатов, а также трансплантации волос. Роботизированные технологии позволяют врачам с минимальным опытом или практикующим врачам, плохо знакомым с той или иной операционной процедурой, проводить лечение на уровне, которого они не смогли бы достичь даже в результате многолетней практики. Помощь робота во время операции уменьшает последствия тремора рук оперирующего врача, а также устраняет случайные движения.

Робот Da Vinci, который считается одним из самых передовых в мире хирургических роботов, предоставляет врачу набор хирургических инструментов, которые можно использовать при проведении минимально инвазивной хирургии, и обеспечивает лучший контроль над обычными процедурами.

Приобрел большую популярность и миниатюрный мобильный робот Heartlander. Он минимизирует повреждения, которые необходимо причинить пациенту для доступа к сердцу во время операции. Робот входит в грудную клетку через небольшой разрез ниже грудины. Используя это устройство, хирурги теперь могут выполнять стабильное и локализованное картирование, зондирование и лечение всей поверхности сердца.

ИИ в диагностике

По оценкам IBM, 90% данных в отрасли здравоохранения – это изображения, и их объем увеличивается быстрее объемов всех других медицинских данных. Начавшие свое триумфальное шествие с распознавания изображений собак, автомобилей и рукописных цифр, нейронные сети очень пригодились при обработке разно­образных визуальных данных.

Возможности нейронных сетей помогают трансформировать сферу радиологии, экономя время и деньги медицинских организаций. После того, как медицинское изображение получено с помощью МРТ, компьютерной томографии, ультразвукового или рентгенологического исследования, врач должен проанализировать его на наличие каких-либо отклонений или признаков заболеваний. Для выявления сколько-нибудь серьезного состояния требуется интерпретация нескольких визуализационных исследований.

После обучения с использованием больших наборов данных исследований системы на основе ИИ способны анализировать медицинские изображения и сообщать об обнаруженных особенностях, например, небольших опухолях, которые человеческий глаз может упустить. Такие системы выявляют закономерности и предоставляют информацию о характеристиках любых отклонений от нормы, экономя время врача.

В тех случаях, когда у пациента есть несколько снимков, сделанных на протяжении некоторого времени, искусственный интеллект также может анализировать динамику заболевания. Так, для проверки работы своей системы на основе ИИ в корпорации Google провели эксперимент: снимки предложили изучить шестерым сертифицированным радиологам. В тех случаях, когда диагноз ставился по единственному снимку, искусственный интеллект справился так же или даже лучше людей. Системе удалось диагностировать на 5% больше случаев рака и сократить ложноположительные вердикты на 11%.

Виртуальные помощники медсестры

Согласно недавнему отчету Accenture, использование виртуальных помощников медсестер в сфере здравоохранения может сэкономить $20 млрд в год за счет уменьшения на 20% времени, которое медсестры тратят на обслуживание пациентов. Сегодня рядом с живыми медсестрами в госпиталях США уже работают компьютерные помощники, от которых можно получать советы, подсказки и другую информацию. Например, цифровой ассистент Салли, улыбающаяся женщина в белом халате, или медбрат Уолт. Салли и Уолт – это анимированные аватары, виртуальные личные тренеры по здоровью из платформы iCare Navigator на базе искусственного интеллекта, предназначенной для взаимодействия с пациентами и их обучения.

Компания TeleHealth Services, разработавшая iCare Navigator, утверждает, что использует электронные медицинские записи пациентов и применяет машинное обучение для выстраивания индивидуальных отношений. Приложение определяет, когда пациент будет наиболее восприимчив к информации о состоянии своего здоровья и можно будет лучше всего управлять его лечением.

Толчком для создания платформы iCare Navigator стали исследования Медицинской школы Бостонского университета, в ходе которых были разработаны виртуальные медсестры Луиза и Элизабет, объясняющие пациентам, например, когда принимать лекарства. Оказалось, что 74% пациентов предпочли получить рекомендации при выписке из стационара от виртуальной медсестры, а не от человека.

Молли от компании Sensely – еще один популярный аватар медсестры с искусственным интеллектом, который используют Калифорнийский университет в Сан-Франциско и Национальная служба здравоохранения Великобритании. Молли задает пациентам вопросы, касающиеся их здоровья, оценивает симптомы и на основе симптомов дает рекомендации по наиболее эффективному лечению.

Таким образом, вместо того, чтобы искать обнаруженные у себя симптомы в интернете, сегодня человек может получить помощь от виртуальной медсестры. Виртуальные медсестры не только предоставляют медицинские консультации по поводу распространенных заболеваний или недомоганий, но также позволяют записаться на прием к врачу. Они доступны круглосуточно и без выходных и готовы ответить на вопросы в режиме реального времени. Это одно из основных приложений искусственного интеллекта в здравоохранении, которое все чаще применяется для повышения информированности и улучшения навыков самоуправления у пациентов с хроническими заболеваниями. Благодаря виртуальной медсестре пациент сможет предотвратить ухудшение своего состояния.

Системы мультимодальной диагностики

В развитии ИИ можно выделить несколько трендов, один из которых связан с интеграцией типов (модальностей) данных, на которых выполняется обучение. Например, для аудиовизуального распознавания речи визуальное описание движения губ объединяется с аудиовходом для предсказания произнесенных слов. Информация, поступающая из источников различных модальностей, может иметь различную предсказательную силу и топологию шума, а в некоторых источниках данные могут отсутствовать. Неоднородность мультимодальных данных затрудняет построение моделей.

Важно изучить, как представлять входные данные и обобщать их таким образом, чтобы они отражали несколько модальностей. Например, текст представляется символами, а аудио и визуальные модальности – сигналами. В контексте медицинского применения вся диагностическая информация о пациенте может быть интегрирована в такие мультимодальные данные и обрабатываться системой ИИ, обученной рассматривать как внешнее изображение человека и фрагментов его тела, так и результаты анализов, МРТ- и КТ-изображения, аудиозаписи ответов на вопросы и т.д.

Все это приближает нас к построению универсального диагноста, использующего холистический подход к диагностике заболеваний, и сокращению количества посещений разных врачей-специалистов для назначения эффективного лечения.

Приложения для здоровья на базе искусственного интеллекта

Самое большое потенциальное преимущество искусственного интеллекта – возможность помочь людям оставаться бодрыми, чтобы им не приходилось посещать врача или по крайней мере делать это не слишком часто. Искусственный интеллект и интернет медицинских вещей (IoMT) уже постепенно меняют парадигму с «реактивного» здравоохранения на «проактивное».

Сочетание искусственного интеллекта и IoMT со временем сделает подключенные устройства для мониторинга состояния здоровья более интеллектуальными. ИИ и огромные объемы данных, генерируемые IoMT, также могут использоваться для постановки диагноза.

Различные приложения для здорового образа жизни на основе искусственного интеллекта, такие как MyFitnessPal и HealthTap, предоставляют людям полный контроль над своим здоровьем и благополучием, обратную связь с медучреждением и рекомендации для поддержания здоровья. Например, HealthTap узнает о симптомах пациента и их изменении с течением времени и координирует процесс лечения: отправляет напоминания, предоставляет текстовые ответы, сопоставленные с данными об истории болезни, руководствами, созданными врачами, а также обеспечивает возможность проведения онлайн-консультаций по видеоконференцсвязи.

ИИ в медицине – это прорыв?

Можно ли назвать применение ИИ прорывом в диагностике и лечении? На мой взгляд, сегодня прорыв еще не произошел. Поэтому я бы использовал количественную оценку развития технологии, например, число успешных исследовательских проектов в этой области или число публикаций. Если такой показатель растет экспоненциально, то можно говорить о быстром продвижении вперед. С этой точки зрения мы присутствуем при развитии прорывных технологий диагностики и лечения.

Архитекторы цифровой медицины: ключевые игроки в России и мире

Развитие медицинского искусственного интеллекта перестало быть уделом разрозненных университетских лабораторий и превратилось в глобальную индустрию на стыке биотехнологий, микроэлектроники и больших данных. Сегодня формирование нового технологического уклада в здравоохранении определяют государственные инициативы, мощные и современные технологические корпорации, а также специализированные научные команды как в России, так и за рубежом.

Российская экосистема: ставка на суверенитет и масштабное внедрение

В России интеграция нейросетей в клиническую практику опирается на государственную поддержку в рамках национальных проектов и строгую систему сертификации. К 2026 году в стране зарегистрированы десятки отечественных медицинских изделий на базе ИИ, а алгоритмы перешли из стадии локальных пилотов в повседневную работу региональных систем здравоохранения.

  • Государственные инфраструктурные платформы. Флагманом массового внедрения выступает московский Центр диагностики и телемедицины и его платформа «МосМедИИ», открывшая доступ к сертифицированным алгоритмам анализа лучевых исследований для клиник по всей стране. На федеральном уровне разворачивается масштабная работа по обработке электронных медицинских карт для формирования единых цифровых профилей пациентов.
  • Технологические экосистемы и телемедицина. Крупные IT-корпорации создают комплексные решения для врачей и пациентов. Так, подразделения «СберМедИИ» и «Яндекса» развивают системы поддержки принятия врачебных решений (СППВР), голосового заполнения протоколов и интеллектуального сбора анамнеза перед приемом.
  • Специализированные разработчики клинического ИИ. Резидент «Сколково» компания «К-Скай» развивает платформу предиктивной аналитики Webiomed, которая анализирует историю болезни, образ жизни и результаты обследований человека, прогнозируя риски развития хронических заболеваний и осложнений. Компания «Третье Мнение» создает системы компьютерного зрения для анализа рентгенограмм, снимков КТ, маммограмм и микроскопии крови.
  • Аппаратно-программные комплексы. Научно-технический центр «Модуль» разрабатывает специализированные нейросетевые устройства на базе отечественных процессоров, способные за секунды выявлять атипичные раковые клетки при анализе биоматериала.

Мировые лидеры: от генеративных ассистентов до проектирования молекул

На глобальном рынке тон задают транснациональные технологические гиганты, производители тяжелого медицинского оборудования и биотехнологические стартапы нового поколения. Мировой фокус сместился в сторону фоновой автоматизации работы врача и генеративного конструирования лекарств.

  • Технологические корпорации и облачные платформы. Подразделение Google DeepMind задает стандарты в биоинформатике с помощью моделей семейства AlphaFold, а медицинские языковые модели Google MedLM помогают врачам структурировать клинические заметки и анализировать сложные случаи. Корпорация Microsoft совместно с приобретенной компанией Nuance фактически стандартизировала технологию фонового клинического документирования: нейросеть слушает диалог врача с пациентом и автоматически формирует запись в электронной карте. Схожие решения развивает Amazon Web Services через сервис AWS HealthScribe.
  • Производители медицинского оборудования. Мировые лидеры медтеха — Siemens Healthineers, GE HealthCare и Philips — встраивают алгоритмы глубокого обучения непосредственно в аппараты МРТ, КТ и УЗИ. Это позволяет ускорять сканирование, снижать лучевую нагрузку на пациента и автоматически подсвечивать зоны патологии прямо во время исследования.
  • Биотехнологии и фарминдустрия. Компании Insilico Medicine, Recursion Pharmaceuticals и Exscientia используют генеративный ИИ для поиска новых терапевтических мишеней и проектирования молекул с заданными свойствами. Препараты, полностью спроектированные алгоритмами этих компаний, уже проходят клинические испытания на людях.
  • Узкоспециализированные диагностические компании. Израильская платформа Aidoc и американская компания Viz AI специализируются на экстренной диагностике: их алгоритмы в реальном времени анализируют снимки пациентов из приемного покоя и мгновенно оповещают нейрохирургов или кардиологов при обнаружении инсульта или тромбоэмболии, экономя критически важные минуты.

Будущее клинической практики: итоги цифровой трансформации и горизонты медицины 2030-х годов

Внедрение искусственного интеллекта в здравоохранение знаменует собой завершение эпохи эмпирической медицины и становление новой клинической парадигмы, основанной на глубокой предиктивной аналитике. Пройдя путь от примитивных экспертных систем 1970-х годов до мультимодальных нейросетей, способных одновременно анализировать геномные последовательности, данные лучевой диагностики и непрерывные потоки телеметрии, алгоритмы доказали свою состоятельность не в качестве абстрактного научного эксперимента, а как критически важный инструмент спасения жизней. Однако технологическая зрелость решений неизбежно обостряет фундаментальные вопросы регулирования, безопасности и доверия. Преодоление проблемы «черного ящика» через развитие объяснимого ИИ (Explainable AI), формирование строгих международных стандартов валидации алгоритмов и безусловное сохранение юридической и моральной ответственности за врачом остаются обязательными условиями, без которых масштабная интеграция машин в клиническую рутину невозможна.

Горизонт развития медицинских нейросетей в ближайшем десятилетии смещается от узкоспециализированных диагностических помощников к созданию целостных экосистем превентивного управления здоровьем. Ключевыми векторами этой эволюции станут следующие направления:

  • Полномасштабные цифровые двойники пациентов. Вместо анализа разрозненных симптомов медицина перейдет к моделированию индивидуальной физиологии человека в реальном времени. Виртуальная копия организма, объединяющая молекулярный профиль, данные метаболизма и историю болезни, позволит врачам симулировать реакцию конкретного пациента на хирургическое вмешательство или комбинированную терапию еще до начала реального лечения.
  • Автономные мультимодальные агенты и робототехника. Интеграция компьютерного зрения, больших языковых моделей и прецизионной механики откроет путь к полуавтономным хирургическим комплексам, способным самостоятельно выполнять сложные микрохирургические этапы с точностью, недостижимой для человеческой руки.
  • Децентрализация и гиперперсонализация терапии. Слияние алгоритмов машинного обучения с технологиями редактирования генома и непрерывным биомониторингом превратит лечение хронических и онкологических заболеваний в динамический процесс, где дозировки препаратов и протоколы коррекции образа жизни адаптируются автоматически под сиюминутные изменения биохимии крови.

Технологический прогресс не отменяет гуманистическую природу врачевания, а очищает ее от рутины и когнитивных искажений. Искусственный интеллект не призван заменить клинициста, но в обозримом будущем врач, использующий интеллектуальные системы, окончательно вытеснит из практики специалиста, отказывающегося от цифровых инструментов. Главным результатом этой симбиотической эволюции станет медицина, способная предотвращать катастрофы в организме задолго до того, как пациент почувствует первую боль.

Часто задаваемые вопросы (FAQ)

Способен ли искусственный интеллект полностью заменить врача в ближайшие 10–15 лет?
Нет, полная замена врача невозможна ни с технологической, ни с юридической точки зрения. Современные и перспективные нейросети работают как высокоточные системы поддержки принятия решений: они берут на себя первичный скрининг, поиск скрытых паттернов и систематизацию данных. Однако окончательная постановка диагноза, учет психоэмоционального состояния пациента, принятие решений в условиях неполной информации и юридическая ответственность за исход лечения остаются исключительной прерогативой человека.

Насколько безопасны медицинские алгоритмы и кто несет ответственность за ошибку нейросети?
Перед допуском в клиническую практику медицинское программное обеспечение проходит многоступенчатые клинические испытания и государственную регистрацию наравне с лекарственными препаратами и медицинским оборудованием. Тем не менее, согласно действующим правовым нормам большинства стран, ИИ имеет статус вспомогательного инструмента. Если алгоритм выдал ложноположительный или ложноотрицательный результат, ответственность за итоговое клиническое решение несет лечащий врач, подтвердивший заключение системы.

Как обеспечивается конфиденциальность медицинских данных при обучении нейросетей?
Для обучения алгоритмов используются исключительно деперсонализированные (обезличенные) массивы данных, из которых удалены любые идентификаторы личности пациента — имена, адреса, номера документов и страховых полисов. Кроме того, активно внедряются технологии федеративного обучения (Federated Learning): в этом случае нейросеть обучается локально на серверах самой клиники, а во внешнюю систему передаются только обновленные математические веса модели, но не сами медицинские карты или снимки пациентов.

Почему врачи иногда не доверяют выводам искусственного интеллекта?
Главным барьером остается проблема так называемого «черного ящика»: глубокие нейросети способны выдать точный прогноз, но не всегда могут логически обосновать, на основании каких именно признаков они пришли к такому выводу. Для врача, привыкшего опираться на причинно-следственные связи и патофизиологию, слепое следование рекомендации машины неприемлемо. Решением этой проблемы занимается направление объяснимого ИИ (XAI), которое учит алгоритмы визуально подсвечивать зоны патологии на снимках и формировать понятное клиническое обоснование каждого вывода.