Искусственный интеллект в медицине

Искусственный интеллект в медицине — это область применения технологий искусственного интеллекта (ИИ) для решения задач диагностики, лечения, профилактики заболеваний, управления здравоохранением и разработки лекарственных средств. Основой таких систем являются алгоритмы машинного обучения, компьютерного зрения и обработки естественного языка, которые анализируют медицинские данные (изображения, тексты историй болезни, геномные последовательности, сигналы с датчиков) и выдают прогнозы или рекомендации.

История развития

Идея использования вычислительных машин для медицинской диагностики возникла в середине XX века. Первые экспертные системы, такие как MYCIN (разработана в Стэнфордском университете в 1970-х годах), были ориентированы на помощь врачам в выборе антибиотиков при бактериальных инфекциях. Однако из-за ограниченной вычислительной мощности и недостатка данных широкого внедрения не произошло.

Прорыв начался в 2010-х годах с развитием глубокого обучения (deep learning). В 2017 году алгоритм компании Google Health (принадлежит компании Alphabet Inc., признанной в РФ иностранным агентом) продемонстрировал способность диагностировать рак кожи с точностью, сопоставимой с дерматологами. В 2018 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) одобрило первую систему ИИ для самостоятельного анализа изображений сетчатки глаза (IDx-DR). В 2020-х годах темпы внедрения ускорились в связи с пандемией COVID-19, когда ИИ применялся для анализа компьютерной томографии (КТ) лёгких и прогнозирования течения болезни.

Основные направления применения

Диагностика по медицинским изображениям

Это наиболее зрелая область применения ИИ в медицине. Алгоритмы компьютерного зрения (свёрточные нейронные сети) обучаются на тысячах размеченных снимков (рентгенограммы, КТ, магнитно-резонансная томография (МРТ), маммограммы, гистологические препараты). Системы способны:

• обнаруживать опухоли, узлы, переломы, кровоизлияния на ранних стадиях;
• проводить сегментацию органов и патологических очагов;
• оценивать плотность костной ткани, объём лёгких, размеры сердца.

Примеры: система CAD (Computer-Aided Detection) для маммографии, алгоритмы для анализа снимков сетчатки при диабетической ретинопатии. В России в 2023 году был запущен проект «Московский эксперимент по внедрению компьютерного зрения» — ИИ-сервисы анализируют до 30% лучевых исследований в столичных поликлиниках.

Обработка естественного языка и электронные медицинские карты

Системы обработки естественного языка (NLP) извлекают структурированную информацию из неструктурированных текстов — записей врачей, выписных эпикризов, результатов лабораторных анализов. Это позволяет:

• автоматически заполнять электронные медицинские карты (ЭМК);
• выявлять побочные эффекты лекарств по жалобам пациентов;
• группировать пациентов по диагнозам для клинических исследований.

Прогнозирование и предиктивная аналитика

ИИ используется для оценки риска развития заболеваний и осложнений. Модели машинного обучения анализируют демографические данные, показатели анализов, образ жизни и историю болезней. Примеры:

• прогнозирование риска инфаркта миокарда или инсульта в ближайшие 5–10 лет;
• предсказание сепсиса у пациентов в отделениях реанимации;
• оценка вероятности повторной госпитализации после выписки.

Разработка лекарств и персонализированная медицина

ИИ ускоряет процесс открытия новых молекул и клинических испытаний. Алгоритмы:

• моделируют взаимодействие потенциальных лекарственных соединений с белками-мишенями;
• предсказывают токсичность и эффективность препаратов;
• подбирают оптимальную дозировку для конкретного пациента на основе его генома (фармакогеномика).

В 2020 году ИИ-система компании Insilico Medicine (зарегистрирована в Гонконге) впервые самостоятельно открыла новое лекарственное соединение для лечения фиброза лёгких, которое прошло первую фазу клинических испытаний.

Роботизированная хирургия

ИИ используется в качестве ассистента хирурга при операциях. Системы, такие как Da Vinci (компания Intuitive Surgical, США), не являются полностью автономными — они управляются хирургом с консоли, но алгоритмы ИИ помогают:

• стабилизировать движения инструментов, компенсируя тремор рук;
• предупреждать о приближении к критическим анатомическим структурам (сосудам, нервам);
• планировать траекторию разреза на основе предоперационных снимков.

Классификация систем ИИ в медицине

По степени автономности выделяют:

• Системы поддержки принятия решений (CDSS) — предоставляют врачу рекомендации, но окончательное решение остаётся за человеком.
• Автоматизированные системы — выполняют рутинные задачи без участия врача (например, сортировка снимков по приоритету срочности).
• Автономные системы — способны ставить диагноз или назначать лечение без участия человека (в настоящее время практически не применяются в клинической практике из-за юридических и этических ограничений).

По типу анализируемых данных:

• системы анализа изображений;
• системы анализа текстов;
• системы анализа геномных данных;
• системы анализа сигналов (ЭКГ, ЭЭГ).

Проблемы и ограничения

Качество и репрезентативность данных

Модели ИИ обучаются на исторических данных, которые могут содержать систематические ошибки. Например, если в обучающей выборке преобладают пациенты одной расы, пола или возраста, алгоритм может давать менее точные результаты для других групп. В 2019 году исследование, опубликованное в журнале Science, показало, что коммерческий алгоритм прогнозирования риска заболеваний в США систематически занижал риски для чернокожих пациентов из-за неравного доступа к медицинской помощи.

Объяснимость и «чёрный ящик»

Глубокие нейронные сети часто работают как «чёрный ящик» — врачи не могут понять, на основании каких признаков алгоритм пришёл к тому или иному выводу. Это затрудняет проверку и доверие к системе, особенно в спорных случаях.

Юридическая и этическая ответственность

В случае ошибки ИИ сложно определить, кто несёт ответственность — разработчик, медицинская организация или врач, который использовал рекомендацию. В большинстве стран (включая РФ) ИИ в медицине рассматривается как инструмент, а не как субъект права, поэтому ответственность остаётся на враче.

Регулирование

В разных странах разрабатываются нормативные акты для сертификации медицинских ИИ-систем. В РФ в 2021 году был принят ГОСТ Р 59921.0-2021 «Системы искусственного интеллекта в клинической медицине», устанавливающий общие требования. В США FDA одобряет ИИ-продукты как медицинские изделия, но процесс сертификации может занимать годы. В Европейском союзе в 2024 году вступил в силу Акт об искусственном интеллекте, который классифицирует медицинские ИИ-системы как высокорисковые.

Перспективы

Ожидается, что в ближайшие 10–15 лет ИИ станет неотъемлемой частью рутинной медицинской практики. Основные тренды:

• интеграция ИИ в носимые устройства (умные часы, фитнес-браслеты) для непрерывного мониторинга здоровья;
• развитие мультимодальных моделей, способных одновременно анализировать изображения, тексты, геномные данные и сигналы;
• создание цифровых двойников пациентов для моделирования течения болезни и подбора терапии;
• внедрение ИИ в телемедицину для удалённой диагностики.

Источники

1. Topol E. J. High-performance medicine: the convergence of human and artificial intelligence // Nature Medicine. — 2019. — Vol. 25, № 1. — P. 44–56.
2. Esteva A. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. — 2017. — Vol. 542, № 7639. — P. 115–118.
3. Obermeyer Z. et al. Dissecting racial bias in an algorithm used to manage the health of populations // Science. — 2019. — Vol. 366, № 6464. — P. 447–453.
4. ГОСТ Р 59921.0-2021 «Системы искусственного интеллекта в клинической медицине. Общие требования». — М.: Стандартинформ, 2021.
5. Регламент Европейского парламента и Совета ЕС 2024/1689 «Об установлении гармонизированных правил в области искусственного интеллекта» (Акт об ИИ). — 2024.
6. Журавлёв Ю. И. и др. Искусственный интеллект в медицине: современное состояние и перспективы // Вестник Российской академии медицинских наук. — 2022. — Т. 77, № 3. — С. 180–190.