Уложитесь в мой дедлайн?
Oops! Something went wrong while submitting the form.
Анализ снимков, раннее выявление онкологии, поддержка врачебных решений — всё это неполный список того, что уже умеет ИИ в медтехе.
В этой статье разбираем, как работает искусственный интеллект в диагностике, где применяется на практике, с какими ограничениями сталкивается и чего ждать от нейросетей в ближайшие годы.
%20(1)%20(1).png)
За последние несколько лет ИИ перестал быть экспериментом и стал рабочим инструментом в клиниках и стартапах. При этом вокруг ИИ в медицине остается много вопросов: можно ли ему доверять, как он вписывается в клинические процессы, где проходит граница ответственности и какие этические ограничения важно учитывать.
Мы рассмотрим, как устроены диагностические ИИ-системы, в каких направлениях они уже приносят пользу и какие перспективы открываются для медицинских продуктов и стартапов.
С 2020 по 2025 год в РФ зарегистрировано 48 медицинских ИИ-продуктов, которые официально используются в клинической практике, преимущественно для анализа медицинских изображений и других диагностических задач.
ИИ в диагностике в России уже выходит за пределы лабораторных опытов: его массово внедряют в рентгенологию, маммографию и другие визуальные исследования, поддерживается регуляторами, и даже интегрируется в ОМС.
По данным исследования от «Яков и Партнеры» и «МЕДСИ», российский рынок ИИ в медтехе может достигнуть 78 млрд руб. уже к 2030 г. В 2024 году этот показатель достигал 12 млрд. руб.
В исследовании выделили четыре группы медтех-продуктов с наибольшим потенциалом для монетизации в клиниках РФ: цифровые ассистенты, помощник врача, клиническая сводка и экспертный контроль. Объем рынка для этих продуктов оценили в 65 млрд. руб.
Полностью доверить медицину ИИ, конечно, еще нельзя. Но уже существуют процессы работы нейросетей с медицинскими данными, которые успешно встроились в клиническую практику. Рассмотрим некоторые из них.
ИИ работает с разными типами медицинских данных. Это могут быть изображения (рентген, КТ, МРТ), лабораторные показатели, ЭКГ, данные с носимых устройств или электронные медицинские карты.
Перед обучением данные очищаются, анонимизируются и приводятся к единому формату. На этом этапе важно учитывать качество и репрезентативность данных, потому что ошибки или смещения напрямую влияют на точность диагностических выводов.
После подготовки данных используются алгоритмы машинного обучения и deep learning. Чаще всего это нейросети, способные находить закономерности, которые сложно заметить человеку.
ИИ обучается на размеченных данных: например, на снимках с подтвержденными диагнозами. Со временем модель учится сопоставлять признаки, выявлять аномалии и предлагать вероятностные выводы. Важно понимать, что нейросети не заменяют врача, а помогают ему принять верное решение.
Готовая модель встраивается в медицинское ПО: рабочее место врача, диагностическую систему или отдельное приложение. ИИ анализирует данные в фоновом режиме и выдает подсказки — например, риск-профили, приоритетные случаи или второе мнение.
Врач должен понимать, на основе чего сделан вывод, и иметь полный контроль над финальным решением. Только такая модель использования делает ИИ применимым в медицинской практике.
Сегодня ИИ уже используется как в исследованиях, так и в конкретных медицинских направлениях. Вот несколько основных:
Радиология — одна из самых зрелых областей для применения ИИ. Первые эксперименты начались еще в 80-х годах, а первое клиническое применение произошло в 1998 году, когда в США была одобрена первая CAD-система для выявления рака молочной железы.
Алгоритмы анализируют рентген, КТ и МРТ-снимки и выявляют подозрительные участки. Тут ИИ используется как система поддержки принятия решений: подсвечивает аномалии и снижает нагрузку на врачей.
Также это важно при дефиците специалистов: так, внимание профессионала будет в первую очередь направлено туда, где это на самом деле необходимо.
В патоморфологии ИИ анализирует цифровые гистологические срезы, где один образец может содержать миллионы клеток. Алгоритмы помогают выявлять злокачественные изменения, классифицировать ткани и находить микроскопические признаки заболевания.
ИИ активно применяется для раннего обнаружения онкологических заболеваний — на стадиях, когда симптомы еще не очевидны. Раннее выявление повышает шансы на успешное лечение и снижает стоимость терапии, что делает ИИ ценным инструментом для систем здравоохранения.
<div class="post_divider"></div>
⭐Наш опыт
Мы сделали приложение для онкоцентров, у которого нет аналогов в СНГ — Medico.
Наш заказчик — практикующий врач-химиотерапевт — захотел сделать электронный сервис опросов для онкологических пациентов и предложить его клиникам в качестве медицинского SaaS. Такие приложения для удаленного мониторинга есть в некоторых странах, но в СНГ такого решения не было.
Мы разработали две версии приложения: мобильную для пациентов и веб — для химиотерапевтов.
Вот так выглядит личный кабинет врача в Medico:
А вот так — страница пациента, где он может проходить опросы, загружать результаты анализов, а также следить за другими показателями здоровья и консультироваться с врачом при необходимости.
Две главные фичи приложений — это опросники-конструкторы и дашборды для визуализации результатов. Мы сделали так, чтобы создавать опросники было легче, чем гугл-формы. Для этого заказчик вручную составил опросники для нескольких сотен лекарств, а мы связали их с названиями лекарств.
Дашборды полезны как врачам, так и самим пациентам, чтобы следить за своими показателями. Это снижает тревогу, дает эффект контроля над здоровьем и мотивирует проходить опросы.
Проект начался в 2021 году и развивался стремительно: например, дизайн занял около 150 часов. Но к релизу приложение было готово только к декабрю 2022 из-за юридических сложностей, касающихся Политики конфиденциальности и Условий использования.
Мы помогали презентовать продукт клиникам — наши дизайнеры сделали ролик для медицинской конференции. А уже в 2023 году зарелизили приложение в AppStore и Google Play.
<div class="post_divider"></div>
В кардиологии ИИ анализирует ЭКГ, эхокардиографию и данные с носимых устройств. Алгоритмы помогают выявлять аритмии, прогнозировать риск сердечно-сосудистых событий и отслеживать динамику состояния пациента.
Это позволяет перейти от реактивного лечения к профилактике и персонализированному наблюдению, особенно для пациентов из групп риска.
ИИ в дерматологии применяется для анализа изображений кожи и новообразований. Алгоритмы классифицируют родинки, сыпь и поражения кожи, помогая выявлять потенциально опасные изменения, включая меланому.
Такие решения часто используются в мобильных приложениях и телемедицине как первый этап скрининга перед очным визитом к врачу.
ИИ в анализе медицинских изображений опирается на несколько типов моделей, каждая из которых решает свою задачу.
Рассмотрим подробнее.
Базой для анализа рентгена, КТ и МРТ чаще всего служат сверточные нейросети (CNN — Convolutional Neural Networks). Такие модели обучаются распознавать визуальные паттерны: затемнения, уплотнения, асимметрии, изменения формы органов.
Например, CNN может классифицировать снимок как «норма/подозрение на патологию» или определить вероятность пневмонии, опухоли или перелома. Модель анализирует изображение по слоям — от простых признаков (контуры, текстуры) к сложным (структура тканей).
Если важно не просто найти патологию, а понять, где именно она находится, используются модели сегментации. Один из самых популярных архитектурных подходов — U-Net.
Такие алгоритмы выделяют конкретные области на изображении: опухоль, очаг воспаления, зону поражения. Так врач может увидеть границы патологии, измерить её размер и отследить динамику — например, рост или уменьшение новообразования на серии снимков.
В более сложных сценариях применяются Vision Transformers (ViT) или гибридные модели, которые сочетают CNN и трансформеры. Они лучше работают с контекстом всего изображения, а не только локальными признаками.
Это особенно полезно в диагностике сложных случаев, где важны взаимосвязи между разными зонами снимка — например, при онкологии или редких заболеваниях. Эти модели помогают снизить количество ложных срабатываний и повысить устойчивость диагностики.
Purrweb уже несколько лет занимается разработкой медицинских приложений, в том числе с интеграцией ИИ. Ниже — реальные проекты и примеры приложений, в которых мы использовали ИИ-подходы или тесно работали с диагностическими сценариями, чтобы улучшить пользовательский опыт, автоматизировать процессы и помочь людям получать более точные сведения о здоровье.
Biogeek — это веб-и мобильное приложение, которое помогает пользователям хранить все лабораторные анализы в одном месте, отслеживать динамику показателей и получать рекомендации при отклонениях от нормы.
Оно анализирует результаты лабораторных данных и визуализирует их для пользователей, чтобы они могли лучше понимать своё здоровье, а также хранить историю анализов и видеть изменения во времени.
Более того, технически это два приложения — Biogeek.Health (где можно самостоятельно отслеживать анализы) и Biogeek.Expert (где можно расшифровывать анализы и получать рекомендации от нутрициолога).
Purrweb помог разработать простой интерфейс и удобный дашборд, интегрировал парсинг данных из PDF-анализов и обеспечил логичную навигацию даже для сложных медицинских показателей/
Проект в релизе с 2022 года, а заказчики до сих пор с нами — мы обеспечиваем сервис поддержкой. В будущем планируем запускать проект на международном рынке — в Европе и США.
MyTherapy Assistant — это сервис для отслеживания режима лечения и симптомов, который помогает пользователям памятовать о приеме лекарств, измерять жизненно важные параметры и фиксировать симптомы.
Хотя прямой анализ диагностических снимков здесь не используется, приложение собирает и структурирует важные медицинские данные пользователя. Это позволяет в дальнейшем использовать интеллектуальные механизмы (например, ИИ-аналитику трендов симптомов или прогнозирование соблюдения режима).
Для платформы мы сделали адаптивный дизайн, удобные напоминания и систему записи данных. В перспективе она тоже может стать источником для ИИ-моделей.
Clearstep (сейчас сервис изменил название на Lytic) — это пример продвинутого AI-решения в медицине, которое автоматизирует первичный контакт пациента с системой здравоохранения и помогает определить дальнейшие шаги по уходу.
С помощью ИИ-чатбота пользователи могут описать симптомы, а система сравнит их с клиническими алгоритмами и подскажет, куда обратиться дальше: к врачу, в клинику или на телемедицинскую консультацию.
Нейросети в диагностике заболеваний дают ощутимую пользу, но при этом имеет ограничения, которые важно учитывать при внедрении в клиническую практику.
Начнем с приятного и рассмотрим преимущества ИИ в диагностике.
ИИ способен анализировать медицинские данные в разы быстрее человека и без потери качества при росте нагрузки. Он может обрабатывать тысячи снимков или анализов параллельно, помогая врачам быстрее выявлять приоритетные случаи и снижать очереди на диагностику.
Алгоритмы не устают, не теряют концентрацию и работают по единым критериям. Это особенно важно в массовой диагностике, где человеческие ошибки часто связаны с перегрузкой и рутиной. ИИ помогает выровнять качество диагностики между разными специалистами и учреждениями.
ИИ не заменяет врача, но выступает вторым мнением. Он может подсветить подозрительные зоны, предложить вероятностный диагноз или напомнить о редких патологиях. Врач чувствует себя увереннее, а риск пропустить важный клинический признак снижается.
Тем не менее эффективность искусственного интеллекта в диагностике ограничена несколькими факторами.
Точность ИИ напрямую зависит от данных, на которых он обучался. Если данные неполные, несбалансированные или вообще ошибочные, модель будет воспроизводить эти искажения. В медицинской диагностике это может привести к ложным выводам и снижению доверия к системе.
Врач может получить результат, но не всегда — понятное объяснение, почему ИИ пришел к такому выводу. Это усложняет использование алгоритмов в клинических и юридически чувствительных сценариях.
ИИ в диагностике подпадает под строгие требования регуляторов и законодательства. Сертификация, защита данных и ответственность за ошибки замедляют внедрение и повышает стоимость разработки. Без учета этих факторов даже технически сильное решение может не выйти на рынок.
ИИ в медицине активно развивается. Нам кажется, что его роль будет расти не только в диагностике, но и в управлении лечением, прогнозировании и персонализированной медицине. Конечно, это должно происходить под тщательным контролем со стороны человека.
Рынок медицинского ИИ продолжает стремительно расти: прогнозы показывают многомиллиардные инвестиции в продукты для диагностики, мониторинга пациентов и автоматизации клинических процессов. По данным Global Market Insights, только в 2023 году рынок ИИ в диагностике оценивался в США в 1,1 млрд. долларов. А с 2024 по 2032 год ожидается среднегодовой темп роста в 22,2%.
Ожидается, что ИИ станет стандартом поддержки решений в больницах и лабораториях, а стартапы, предлагающие инновационные алгоритмы, будут востребованы инвесторами и клиниками.
Кроме того, интеграция ИИ с телемедициной и носимыми устройствами откроет новые возможности для раннего выявления заболеваний и дистанционного мониторинга пациентов.
С развитием ИИ усиливаются вопросы прозрачности, объяснимости и ответственности. В будущем ожидается строгий контроль за алгоритмами: необходимость объяснять выводы, обеспечивать справедливость моделей и защищать данные пациентов.
Этические стандарты будут определять, какие алгоритмы можно внедрять в клиническую практику, а какие — нет. А понимание и соблюдение этих норм станет ключевым конкурентным преимуществом для стартапов и разработчиков медицинских решений.
.avif)