MedTech Искусственный интеллект в медицине ИИ-клиники Интеллектуальный анализ электронных медицинских записей Анализ данных в медицине и биологии

В каких областях ИИ реально помогает врачам?
Радиология - безусловный лидер внедрения: российские системы ИИ обрабатывают более 6,4 млн исследований в месяц, сокращая время диагностики на 30–40%. В маммографии связка «один рентгенолог + ИИ» выявляет на 8,4% больше случаев рака, чем стандартное двойное чтение двумя специалистами. В патоморфологии применение нейросетевых алгоритмов позволило снизить долю ложноотрицательных диагнозов рака простаты на 70%.

Почему ИИ работает как инструмент врача, а не вместо него?
В морфологической диагностике ИИ уже стал рутинным инструментом, однако с важной оговоркой: каждая модель обучается на узком перечне нозологий, поэтому алгоритмы применяются для целенаправленного поиска конкретных изменений - по заданию врача, а не вместо него. Системы поддержки принятия решений работают ровно настолько хорошо, насколько качественны лежащие в их основе базы данных: надёжная нейросеть требует полноценных, научно обоснованных наборов клинических данных, пригодных для машинного обучения. Именно поэтому скорость внедрения ИИ в разных разделах медицины существенно различается.

Кто несёт ответственность за ошибки, связанные с ИИ?
Дискуссия об ответственности за ошибки ИИ не была надуманной - она просто опередила правовую зрелость отрасли. Сегодня позиция устоялась: ИИ является инструментом и субъектом ответственности не признаётся. В России утверждён Кодекс этики ИИ в здравоохранении, закрепляющий, что ответственность за принятое решение остаётся за врачом, тогда как системы поддержки лишь ускоряют и объективизируют постановку диагноза. Сохранение за специалистом полной ответственности за диагноз и качество лечения принципиально важно: именно оно удерживает ценность профессиональных знаний и клинического мышления в системе здравоохранения.

Как возможно предсказание болезней?
Машинное обучение применительно к работе с геномом человека — бурно развивающееся и перспективное направление. Основная его задача — научиться по мутациям в геноме индивида (чаще всего это однонуклеотидные замены) предсказывать, будет ли у человека какое-то клинически значимое заболевание.

Когда этот метод станет общедоступным?
Машинное обучение в регуляторной геномике — относительно новая область исследований: первые эксперименты датированы 2011 годом, а массовые начались только в 2019 году. Для получения адекватных машинных моделей, которые можно использовать в практической медицине, пока еще очень далеко. И связано это в первую очередь с недостатком данных. 

• Здравоохранение
• Medical (MedTech, HealthTech) technology
• АРМ врача, медицинского работника
• RWE - Real World Evidence - Данные реальной клинической практики
• EHR - Electronic Health Record - ЭМК - Электронная медицинская карта
• ЭКГ - Электрокардиография
• МРТ - Магнитно-резонансная томография
• КТ - Компьютерная томография
• УЗИ - Ультразвуковое исследование

Олег Зиновкин, Руководитель отдела сопровождения проектов исследовательского центра в сфере искусственного интеллекта в здравоохранении, ФГБУ "НМИЦ онкологии им. Н.Н. Блохина" Минздрава России "Искусственный интеллект в медицине" Конференция CNews 25.02.2025 | Москва "Цифровое здравоохранение 2025"