Собрал реальные примеры использования ИИ в медицинской диагностике

Пока вы боитесь внедрять искусственный интеллект в ваши бизнес-процессы, в медицине прямо сейчас происходит настоящая революция. Оказывается, искусственный интеллект в медицинской диагностике способен радикально повысить эффективность врачей и точность постановки диагнозов, а в ряде случаев — сделать то, на что люди в принципе не способны.

Я считаю, перспективы применения искусственного интеллекта в медицинской диагностике огромны. Большие языковые модели (LLM), а также технологии машинного обучения (AI/ML) уже сегодня дают клиникам колоссальное преимущество. А в будущем… Впрочем, выводы я оставлю на конец статьи. Сейчас предлагаю сразу перейти к примерам.

Перспективность использования ИИ в медицине стала очевидна еще в 2020 году, когда ИИ AlphaFold показал хорошие результаты в предсказании фолдинга белка. Серьезные практические результаты в диагностике начали появляться позднее. А с расцветом LLM искусственный интеллект стал проникать в традиционно человеческую стезю: интерпретацию результатов. Впрочем, тут есть свои нюансы, о которых я расскажу ниже.

На сегодняшний день в США уже одобрено к использованию почти полторы тысячи медицинских устройств с ИИ-функциями. Только за 2025 год список пополнился 295 новыми устройствами компаний GE, Siemens, Philips и других. В России тоже есть крайне интересные проекты в сфере использования ИИ для анализа медицинских данных.

Итак, я собрал самые свежие примеры применения искусственного интеллекта (ИИ) в диагностике. Поехали!

Поиск патологий на рентгеновских, КТ- и МРТ-снимках с помощью технологий машинного обучения показывает оптимистичные результаты.

Так, масштабное исследование 2026 года по заказу FDA (Food & Drug Administration) показало, что точность ИИ в интерпретации рентгеновских снимков легочной эмболии не уступает человеку, а выводы в 98% случаев совпадают. При этом, когда ИИ в своих выводах расходился с выводами человека, экспертная комиссия чаще соглашалась с ИИ, а не с человеком.

Система для помощи в диагностике AIDOC на сегодняшний день демонстрирует точность свыше 99%. Различные решения компании уже внедряются в США и Европе. В основе системы — узкоспециализированная модель, обученная на десятках тысяч снимков.

Аналогичную систему разрабатывают и в России.

Компания Philips активно внедряет ИИ-системы непосредственно в свое оборудование: МРТ-сканеры, КТ-сканеры и аппараты УЗИ. Например, в онкологии искусственный интеллект ищет определенные паттерны на МРТ-снимке и помогает точно отрисовать контуры зон, которые должны получать лечение.

Использование ИИ в диагностике позволяет за один проход получить максимум информации, избежать трудоемкого сопоставления данных МРТ и КТ, повысить точность определения дозы облучения и в итоге увеличить эффективность лечения.

Еще примеры. В этом практическом исследовании мультимодальный ИИ показал высокую точностью диагностики кардиомиопатий на МРТ-снимках с контрастом (до 98,6%). Причем LLM еще и автоматически генерирует клинически полезные описания проведенных исследований, экономя время врача.

Для диагностики остеопороза также активно применяется радиология, в частности специфический рентгеновский анализ (двухэнергетическая рентгеновская абсорбциометрия). Нюанс в том, что не всякий аппарат умеет выполнять такое исследование. В этом проекте нашли альтернативное решение: подключить к диагностике искусственный интеллект.

ИИ позволил извлечь скрытую диагностическую информацию из обычных рентгеновских снимков и снимков компьютерной томографии. Использовались два алгоритма: первый анализировал плотность тканей с помощью глубокого обучения (Deep Learning), а второй автоматически оценивал кальцификацию коронарных артерий и сердечно-сосудистый риск по рутинным КТ грудной клетки.

В результате AI достиг высокой диагностической точности (до 90% чувствительности и 81% специфичности для выявления снижения костной массы; 94,8% чувствительности и 97,2% специфичности для оценки кальциноза).

По сути, ИИ-решение помогло выявить пациентов в группе риска, которые в ином случае просто не получили бы правильной диагностики. При этом никаких изменений в процедуру работы врача вносить не пришлось. Снимки делались как и раньше в рутинном порядке.

Следующий пример еще более показателен.

В этой работе исследователи оценивали, как AI влияет на скорость и качество описания МРТ коленного сустава в реальной клинической практике. Они провели обширное исследование в 10 радиологических центрах Швейцарии: 8 радиологов проанализировали 1285 снимков МРТ коленного сустава.

Как выяснилось, при поддержке ИИ время описания снимка сократилось на 13-17%. Причем ИИ не только ускорял бумажную работу врачей, но и часто выявлял патологии, которые люди пропускали. Например, у одного пациента с остеопорозом ИИ не только автоматически внес в отчет кисту Бейкера и нестабильный разрыв мениска, но и обнаружил хондральное повреждение с отеком костного мозга, которое первоначально пропустил радиолог.

Однако не могу не отметить крайне важный момент в этой работе. Дело в том, что максимальный рост эффективности и снижения временных затрат достигался только тогда, когда ИИ был глубоко интегрирован в рабочий процесс врача. Когда это был «прицеп», с которым нужно было работать отдельно (такой вариант тоже тестировали), результат был прямо противоположным: врачи тратили больше времени на каждый снимок.

Именно поэтому внедрение ИИ в медицину или любой другой бизнес требует внимательного изучения всех процессов и грамотной их формализации. Например, мы в Siberian.pro для этого проводим аудит готовности организации к внедрению ИИ.

Использование искусственного интеллекта в медицинской диагностике не ограничивается анализом снимков. Классическое УЗИ тоже становится намного эффективнее при содействии современных нейросетей.

Например, компания GE представила аппарат УЗИ со встроенными ИИ-функциями. Возможности ИИ здесь используются прежде всего для автоматизации рутинных этапов УЗИ-исследования:

Все это снижает количество ручных действий и ускоряет обследование, одновременно уменьшая вариабельность результатов между операторами. Например, AI-модули SonoLyst и SonoBiometry автоматически измеряют параметры плода, а SonoCNS помогает стандартизировать оценку мозга плода по 3D-данным.

А вот еще более интересный вариант использования ИИ в эхо-диагностике, тоже от компании GE. Здесь AI используется как «умный ассистент» для выполнения эхокардиографии. ИИ-система Caption Guidance в реальном времени анализирует изображение и подсказывает оператору, как двигать и поворачивать датчик, чтобы получить качественное УЗИ сердца.

ИИ показывает на экране пошаговые инструкции, оценивает качество изображения, автоматически сохраняет лучший стоп-кадр и может запускать автозахват, когда качество достигает нужного уровня. Главная цель — позволить даже менее опытным пользователям быстро и уверенно выполнять УЗИ сердца, снижая зависимость от уровня подготовки оператора. Такие ИИ востребованы в неотложной медицинской помощи для быстрой оценки степени риска для пациента.

ИИ можно использовать не только врачам, но и пациентам. Я говорю о сервисах анализа снимков рентгенологии и данных УЗИ. Например, сервис CTRead позволяет проанализировать любой снимок буквально за пару долларов. Обученная на тысячах реальных снимков ИИ-модель способна сделать описание исследования за пару минут без посещения врача. Которого, впрочем, рекомендуется все же посетить.

В этой области в последние пару лет тоже наметился колоссальный прогресс именно за счет применения искусственного интеллекта.

Традиционный подход к эндоскопии заключается в записи видео, получении образца ткани, и последующем анализе. С ИИ все иначе. В одном исследовании записывали видеоэндоскопии пациентов в ближнем инфракрасном излучении, чтобы отслеживать динамику кровотока с флуоресцентным красителем. Затем на этих видео обучали ML-модели распознавать паттерны перфузии (микроциркуляции кровотока), связанные с раком.

В результате обученный ИИ смог автоматически классифицировать ткани просто по особенностям их микроциркуляции и флуоресцентной динамики. Т.е. ИИ может различать доброкачественные и злокачественные опухоли прямой кишки в реальном времени прямо во время эндоскопической операции, без необходимости ждать гистологию.

В Японии, в Национальном Раковом Центре ИИ-систему помощи в эндоскопической диагностике внедрили еще несколько лет назад. Но описанная выше система — это новый уровень.

Стартап Prevenotics разработал систему Venotics-G для повышения точности гастроскопии при выявлении рака желудка, дисплазии и кишечной метаплазии. Систему обучили на 16 000 эндоскопических изображений, и протестировали ее на 1584 эндоскопических кейсах в формате как отдельных изображений, так и видео.

Затем шесть молодых эндоскопистов сначала интерпретировали исследования без AI, а через неделю — с ИИ-подсказками. Результат показал, что ИИ существенно улучшает диагностику: общая точность выросла примерно с 75% до 87%, а наибольший эффект был для дисплазии и кишечной метаплазии — состояний, которые особенно часто пропускаются врачами.

Искусственный интеллект в медицине — это эффективная диагностика, но важнее, что с его помощью можно не только найти болезнь, но и предотвратить ее. Направление предиктивной медицины сейчас является одним из приоритетных, в том числе и в России.

Давайте посмотрим, что ИИ может здесь.

В 2026 году было завершено масштабное исследование с участием 200 тысяч пациентов. Задача ИИ была — попытаться выявить ранние признаки риска ишемического инсульта. Данные по ЭКГ пациентов за 10 лет и данные по числу инцидентов среди них стали основой для обучения нейросети.

AI/ML модель показала хорошую прогностическую способность, превосходящую традиционные метрики оценки риска. Проще говоря, врач теперь может за 10 лет до инсульта предупредить пациента о степени риска.

А вот пример диагностического ИИ из другой области медицины. Ключевая роль AI здесь — раннее выявление скрытых паттернов воспалительной активности, которые невозможно надежно оценить визуально по снимку КТ.

ИИ-модель способна спрогнозировать эффективность терапии уже через 4 недели после ее начала, тогда как традиционная длительность лечения — полгода. Врач получает результаты раньше и может быстрее скорректировать лечение, если пациент не отвечает на лекарства.

По мере развития мультимодальных моделей стало ясно, что их способности отлично подходят для диагностики самых разных заболеваний. Приведу пару примеров.

Российский проект Сеченовского института RetinaAICheck позволяет за три минуты диагностировать гипертонию по фотографии глазного дна. Точность — 83%. Здесь важно отметить, что диагностировать гипертонию и просто померять давление и увидеть, что оно повышенное, — это не одно и то же. Снимок глазного дна показывает ретинопатические изменения, вызванные именно гипертонией, а не разовым повышением давления. Поэтому в диагностическом смысле методика намного эффективнее традиционных скринингов, т.к. позволяет выявить заболевания сосудов и сердца буквально за один сеанс.

А в Калининграде обучили нейросеть определять когнитивные нарушения по голосу. Конечно, это не постановка диагноза в классическом смысле, что подчеркивают и сами разработчики. Однако такой инструмент помогает врачу быстро выявить признаки нарушений и направить пациента на более детальное обследование.

Одно из самых простых для внедрения и при этом эффективных направлений медицинских ИИ. Справочники и ассистенты врачей, ориентированные на медицинскую специфику, быстро и точно дают ответы на запросы врача, тем самым облегчая диагностику.

Работает это так. Локально на серверах компании развертывается LLM с RAG-системой. Нейросеть обучается на медицинских документах, протоколах обследований и проверенных источниках, таких как PubMed или Cochrane Review. Поэтому, когда врач делает запрос в такую LLM, та формирует ответ только из достоверных сведений, а не выдумывает несуществующие болезни и способы лечения. Подробно о том, что такое RAG и как его внедрить в бизнес, я уже писал.

Примером такого цифрового помощника в здравоохранении является система AtlasGPT. Платформа позиционируется как специализированный медицинский ИИ-ассистент, поддерживающий больше 30 специализаций.

Основные плюсы:

Еще раз подчеркну, что «гражданские» языковые модели для этой задачи не годятся. Как показывают недавние исследования, ИИ-чатботы дают неверные медицинские советы в половине случаев (т.е. по сути, выбирают ответ случайно). И это еще одна причина, почему просто примотать скотчем искусственный интеллект к диагностике — это плохая идея. Нужно обязательно разобраться в процессах и интегрировать ИИ максимально плотно и гармонично.

Похожую систему представил стартап Hathr.ai. К базе данных ИИ на основе RAG подключаются карточки пациентов, записи врачей, медицинские источники. Дополнительно врач может загрузить любые документы: выписки из других клиник, снимки, кардиограммы и т.д.

Затем врач просит ИИ составить анамнез заболевания, сделать предварительные выводы и сформировать шаблоны медицинских документов.

У Siberian.pro есть аналогичный кейс. Только мы разработали специализированный ИИ-ассистент для главного врача клиники. Его задача — сверять документы, составленные специалистами клиники, на соответствие медицинским протоколам и стандартам лечения, что экономит главврачу десятки часов в месяц.

Если теперь сделать следующий шаг, то вполне можно представить универсальную ИИ-систему, объединяющую разрозненные документы в единый контекст, доступ к которому есть у всех врачей. Такое своеобразное информационное поле, но не в метафизическом смысле Вернадского, а в практическом.

И такие системы тоже существуют! Например, Phenoml — это конструктор, из которого можно собрать множество агентских систем, коллективно собирающих то самое информационное пространство вокруг пациента. А врач затем может просто спросить: «Что происходило с пациентом за последние полгода?» — и AI соберет отчет со ссылками на реальные данные.

Самое интересное — они делают ставку не просто на RAG по документам, а на понимание логики медицины: развитие состояния пациента, влияние смены терапии, динамика анализов, связи между диагнозами и т.д.

То есть диагностический ИИ видит не набор сканов и выписок, а историю болезни как последовательный процесс. Такие комплексные решения уже называют клинической операционной системой. И это, я считаю, очень важный шаг к полной цифровизации медицины в будущем.

***

На сегодня у меня все. Поделитесь в комментариях своим мнением: какой вы видите медицину будущего? Есть ли в ней место ИИ? А если вы сами заинтересованы во внедрении ИИ в медицину или другие отрасли, то смело пишите в наш Telegram-бот.