Искусственный интеллект в медицине: как машинное обучение меняет диагностику, лечение и науку
Автор: редакция медицинского журнала · Обновлено: июнь 2025
За последнее десятилетие искусственный интеллект превратился из теоретической концепции в практический инструмент клинической медицины. Алгоритмы машинного обучения анализируют медицинские изображения точнее среднего специалиста в ряде задач, предсказывают риск сепсиса за несколько часов до клинических признаков и помогают подбирать лекарственные комбинации для редких онкологических заболеваний. Настоящая статья объясняет, как именно работают эти технологии, каковы их доказанные возможности и где проходят их реальные границы.
Что такое ИИ в медицине: базовые понятия
Под термином «искусственный интеллект в медицине» объединяют несколько технологических подходов, которые используются для решения медицинских задач:
- —Машинное обучение (ML) — алгоритмы, которые обучаются на исторических данных и выявляют скрытые закономерности без явного программирования правил.
- —Глубокое обучение (Deep Learning) — подкласс ML на основе многослойных нейронных сетей, особенно эффективный для анализа изображений, речи и текста.
- —Обработка естественного языка (NLP) — анализ медицинских текстов: выписок, анамнезов, научных статей.
- —Большие языковые модели (LLM) — генеративные системы, способные обобщать медицинскую литературу, помогать с документацией и клиническими решениями.
Все эти инструменты объединяет одно: они работают со статистическими паттернами в данных, а не воспроизводят клиническое мышление врача. Это принципиальное различие определяет как их силу, так и ограничения.
Ключевые термины
- Обучающая выборка
- Массив данных, на котором модель ИИ обучается распознавать закономерности.
- Валидация
- Проверка работоспособности алгоритма на независимых данных, не использованных при обучении.
- Клиническое испытание ИИ
- Рандомизированное исследование, в котором оценивается влияние применения алгоритма на исходы у пациентов — в отличие от простого сравнения точности диагноза.
- Смещение (Bias)
- Систематические ошибки модели, возникающие из-за недостаточной репрезентативности обучающих данных.
Диагностика: главная область применения
Радиология, патоморфология, дерматология, офтальмология
Наиболее зрелой областью применения ИИ в клинической практике остаётся медицинская визуализация. К 2025 году регуляторные органы США (FDA), ЕС (CE) и России (Росздравнадзор) одобрили более 700 алгоритмов на основе ИИ для обработки медицинских изображений.
94,5%
Чувствительность системы Google DeepMind при выявлении диабетической ретинопатии — сопоставима с уровнем опытного офтальмолога (Nature Medicine, 2019)
в 2 раза
Снижение частоты пропущенных переломов на рентгенограммах при поддержке ИИ-ассистента в нескольких многоцентровых исследованиях
+11%
Прирост выявляемости рака молочной железы при маммографии с ИИ по сравнению со стандартным двойным чтением (Lancet Oncology, 2020)
В патоморфологии алгоритмы анализа цифровых препаратов (computational pathology) способны оценивать степень злокачественности опухолей, определять молекулярные подтипы рака по морфологии клеток и предсказывать ответ на иммунотерапию. Системы компании PathAI и Paige.AI получили разрешение на применение в клинической практике в нескольких странах.
Дерматологические системы, обученные на миллионах снимков кожных образований, демонстрируют сопоставимую с дерматоскопистами точность в выявлении меланомы. Однако их реальная эффективность снижается при съёмке на смартфоны низкого качества и у пациентов с тёмным типом кожи — из-за недостаточного представительства таких случаев в обучающих данных.
ИИ в наркологии и психиатрии: новое направление
Психиатрия и наркология долгое время оставались в стороне от «цифровой революции» в медицине — в силу субъективности диагностических критериев и отсутствия биомаркеров. Однако именно здесь ИИ открывает принципиально новые возможности.
«Анализ речевых паттернов с помощью NLP-алгоритмов позволяет выявлять признаки депрессии и тревожного расстройства раньше, чем пациент сам осознаёт изменения в своём состоянии. Это не замена психиатра — это инструмент скрининга».
— Из обзора журнала JAMA Psychiatry, 2023
Прогнозирование рецидива зависимости
Одно из наиболее перспективных направлений — построение предиктивных моделей риска рецидива у пациентов с алкогольной и опиоидной зависимостью. Алгоритмы анализируют:
- ·данные электронных медицинских записей (частота обращений, история госпитализаций, сопутствующие диагнозы);
- ·данные носимых устройств (вариабельность сердечного ритма, нарушения сна, уровень физической активности);
- ·паттерны использования смартфона (характер набора текста, активность приложений, геолокационные данные — при согласии пациента).
Исследование Университета Вашингтона (2022) показало, что модель на основе пассивных сенсорных данных предсказывала рецидив употребления опиоидов с точностью 85% за 72 часа до события.
Анализ речи и письма
Акустический анализ речи (просодика, темп, паузы, монотонность) позволяет выявлять признаки депрессии, биполярного расстройства и острой интоксикации. Системы на основе NLP анализируют дневниковые записи пациентов или сообщения в чатах поддержки, отслеживая динамику психологического состояния. В наркологии это особенно ценно: пациенты нередко скрывают рецидивы от врача, но не от цифровых систем.
Цифровые терапевтические вмешательства
FDA одобрило первые «цифровые терапевтики» (DTx) — программные приложения с доказанной клинической эффективностью. Система reSET-O для лечения опиоидной зависимости прошла клинические испытания и продемонстрировала увеличение удержания в программе лечения на 40% по сравнению со стандартной терапией.
ИИ в разработке лекарств и геномике
Разработка нового лекарственного препарата традиционно занимает 10–15 лет и обходится в 1–2 миллиарда долларов. ИИ меняет этот процесс на нескольких этапах.
AlphaFold и предсказание структуры белков
В 2021 году компания DeepMind опубликовала систему AlphaFold2, способную предсказывать трёхмерную структуру белка по его аминокислотной последовательности с точностью, сопоставимой с экспериментальными методами. База данных AlphaFold содержит структуры более 200 миллионов белков и открыта для исследователей бесплатно. Это ускоряет поиск мишеней для новых препаратов и дизайн молекул-кандидатов.
Генеративные модели для дизайна молекул
Генеративные нейронные сети (VAE, GAN, диффузионные модели) создают новые химические соединения «с нуля» с заданными свойствами: активность против мишени, низкая токсичность, хорошая биодоступность. Первый препарат, созданный с применением ИИ-дизайна молекул — DSP-1181 от Exscientia и Sumitomo — вышел на клинические испытания в 2020 году, всего за 12 месяцев разработки вместо обычных 4–5 лет.
Геномика и персонализированная медицина
Анализ геномных данных методами машинного обучения позволяет:
- —предсказывать индивидуальный риск полигенных заболеваний (диабет, ишемическая болезнь сердца, депрессия) на основе полногеномных ассоциативных исследований;
- —подбирать химиотерапевтические режимы на основе молекулярного профиля опухоли;
- —выявлять генетические варианты, влияющие на метаболизм лекарственных препаратов (фармакогеномика).
Полигенные оценки риска (polygenic risk scores), рассчитанные ИИ-алгоритмами по данным биобанков (UK Biobank, All of Us), уже используются в клинических рекомендациях ряда стран для стратификации риска сердечно-сосудистых заболеваний.
Риски, ограничения и этические вопросы
Несмотря на впечатляющие результаты, широкое внедрение ИИ в медицину сопряжено с серьёзными проблемами, которые активно обсуждаются в научном и регуляторном сообществах.
1. Проблема смещения (algorithmic bias)
Большинство крупных датасетов для обучения медицинских ИИ собраны в западных странах и преимущественно содержат данные пациентов европейского происхождения. Алгоритмы, обученные на таких данных, работают хуже для других этнических групп. Исследование 2019 года в Science показало, что коммерческий алгоритм управления здравоохранением систематически недооценивал потребность в уходе у чернокожих пациентов.
2. Проблема переобучения и плохой генерализации
Алгоритм, демонстрирующий высокую точность на данных одной больницы, может значительно снизить производительность при внедрении в другом учреждении — из-за различий в оборудовании, протоколах, составе пациентов. Это так называемая проблема «distribution shift».
3. «Чёрный ящик» и объяснимость
Сложные нейронные сети не могут объяснить, почему они приняли то или иное решение. Это создаёт проблемы доверия со стороны врачей и юридической ответственности. Область объяснимого ИИ (Explainable AI, XAI) активно развивается, но универсального решения пока нет.
4. Конфиденциальность данных
Обучение медицинских алгоритмов требует огромных массивов персональных данных. Обезличивание не всегда гарантирует анонимность: геномные данные, редкие диагнозы или комбинации демографических признаков позволяют идентифицировать конкретного человека. Европейский регламент GDPR и российский закон о персональных данных устанавливают строгие ограничения на использование медицинских данных.
5. Ответственность и регулирование
Кто несёт ответственность за ошибку ИИ-диагностики — разработчик, больница или врач? Большинство стран классифицируют медицинские ИИ-системы как медицинские изделия, требующие клинических испытаний и регистрации. Однако скорость регуляторного процесса значительно отстаёт от темпов технологического развития.
Вопросы и ответы
Может ли ИИ заменить врача?
Насколько точны ИИ-системы для диагностики?
Безопасно ли использовать чат-боты на основе ИИ для медицинских консультаций?
Как ИИ применяется в интенсивной терапии?
Используется ли ИИ в российской медицине?
Перспективы: что будет дальше
Исследователи и клиницисты сходятся в том, что ближайшие 5–10 лет станут временем перехода от «демонстрации возможностей» к «доказательству пользы». Ключевые направления развития:
Мультимодальные модели
Системы, одновременно анализирующие изображения, геномные данные, лабораторные показатели, анамнез и клинические заметки, будут значительно точнее однозадачных алгоритмов.
Непрерывный мониторинг
Носимые устройства и имплантируемые сенсоры в связке с ИИ-алгоритмами создадут системы «цифрового близнеца» пациента, позволяющие персонализировать терапию в режиме реального времени.
Федеративное обучение
Технология, позволяющая обучать модели на данных из разных больниц без передачи самих данных, снимает часть проблем конфиденциальности и смещения выборки.
ИИ как автоматизация рутины
Автоматическое заполнение медицинской документации, транскрипция врачебного приёма, кодирование диагнозов — применения, напрямую снижающие административную нагрузку на врача.
Позиция ВОЗ
В 2021 году Всемирная организация здравоохранения опубликовала доклад «Ethics and governance of artificial intelligence for health», в котором сформулировала шесть принципов ответственного применения ИИ в здравоохранении: защита автономии человека, обеспечение благополучия и безопасности, прозрачность и объяснимость, ответственность и подотчётность, равенство и инклюзивность, устойчивость и адаптивность.
Источники и литература
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44–56.
- Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nature Medicine. 2022;28:31–38.
- Jiang F et al. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology. 2017;2(4):230–243.
- Jumper J et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596:583–589.
- World Health Organization. Ethics and governance of artificial intelligence for health. WHO, Geneva. 2021.
- McKinney SM et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577:89–94.
- Obermeyer Z et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453.
- Bhatt DL et al. Digital health and AI in cardiology. JACC: Cardiovascular Imaging. 2022;15(3):521–535.
- Torous J, Bucci S, Bell IH et al. The growing field of digital psychiatry. JAMA Psychiatry. 2021;78(11):1185–1186.
- Росздравнадзор. Реестр медицинских изделий с применением технологий ИИ. roszdravnadzor.gov.ru (дата обращения: июнь 2025).
Дисклеймер: Информационно-справочный материал. Не является рекламой и медицинской рекомендацией. При наличии симптомов или вопросов, связанных со здоровьем, обратитесь к врачу.
18+