Главная / Искусственный интеллект в медицине

Медицина и технологии — Аналитика

Искусственный интеллект в медицине: от диагностики до персонализированного лечения

Машинное обучение, нейронные сети и большие языковые модели меняют облик здравоохранения быстрее, чем успевает перестраиваться медицинское образование. Разбираемся, что уже работает, что находится на стадии исследований и какие риски сопровождают цифровую трансформацию клинической практики.

МЖ

Редакция Медицинского журнала

| 10 июля 2025 | Время чтения: ~14 минут

Врач и система искусственного интеллекта анализируют медицинские снимки МРТ на цифровом экране в современной клинике

Системы компьютерного зрения анализируют медицинские изображения со скоростью, недостижимой для человека

Иллюстративное изображение. Источник: редакция

Что такое ИИ в медицинском контексте

Термин «искусственный интеллект в медицине» объединяет разнородные технологии: алгоритмы машинного обучения (ML), глубокие нейронные сети (deep learning), системы обработки естественного языка (NLP) и экспертные системы принятия решений. Каждая из этих ветвей решает конкретные задачи — от автоматического анализа рентгеновских снимков до прогнозирования рецидивов онкологических заболеваний на основе геномных данных.

Ключевое отличие современного медицинского ИИ от программного обеспечения прошлых десятилетий — способность к обучению на данных. Классические экспертные системы 1980–1990-х годов опирались на жёстко заданные правила, сформулированные врачами-экспертами. Современные алгоритмы извлекают закономерности непосредственно из массивов обезличенных медицинских записей, изображений и биомаркеров, нередко находя паттерны, которые специалист не заметил бы при визуальном анализе.

По классификации, принятой Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA), программное обеспечение на основе ИИ/ML может относиться к медицинским изделиям класса I, II или III в зависимости от потенциального риска для пациента. Европейский регулятор — Европейское агентство по лекарственным средствам (EMA) — формирует аналогичную регуляторную базу в рамках EU AI Act, принятого в 2024 году.

$45 млрд

Объём мирового рынка ИИ в здравоохранении в 2023 году (Grand View Research, 2024)

692

Медицинских ИИ-продуктов одобрено FDA по состоянию на начало 2025 года

94%

Чувствительность ИИ при скрининге диабетической ретинопатии (исследование Google Health, 2019)

Основные классы медицинских задач для ИИ

▸Диагностика по изображениям — анализ рентгенограмм, КТ, МРТ, гистологических препаратов, снимков глазного дна.
▸Прогностическое моделирование — оценка риска сердечно-сосудистых событий, сепсиса, повторной госпитализации.
▸Обработка клинического текста — структурирование выписок, поиск по электронным медицинским записям, кодирование диагнозов по МКБ.
▸Поддержка принятия клинических решений — рекомендации по дозировке, предупреждения о лекарственных взаимодействиях.
▸Геномика и молекулярная медицина — интерпретация данных NGS-секвенирования, поиск мишеней для терапии.
▸Мониторинг в реальном времени — анализ сигналов носимых устройств, данных реанимационного мониторинга.

Диагностика: где ИИ уже превосходит человека

Наиболее зрелым направлением остаётся медицинская визуализация. Алгоритмы глубокого обучения, обученные на сотнях тысяч аннотированных изображений, демонстрируют в ряде узких задач показатели, сопоставимые или превышающие точность специалиста. Первым одобренным FDA ИИ-продуктом для клинической диагностики стала система IDx-DR (2018), автономно определяющая диабетическую ретинопатию без участия офтальмолога.

В дерматологии нейросетевые классификаторы меланомы, обученные на датасетах из более чем 100 000 гистологически верифицированных изображений, в рандомизированных экспериментах показывали чувствительность 86,6% против 71,3% у дерматологов (Esteva et al., Nature, 2017). Тем не менее исследователи подчёркивают: в реальных клинических условиях врач учитывает контекст (анамнез, пальпация, динамика изменений), которого лишён алгоритм, обрабатывающий только изображение.

«ИИ не заменит врача, но врач, использующий ИИ, заменит врача, который его не использует» — этот афоризм, циркулирующий в медицинском сообществе с середины 2010-х, точнее всего описывает текущий момент цифровой трансформации здравоохранения.

Радиология и патоморфология

Радиология — дисциплина, где внедрение ИИ продвинулось дальше всего. По данным Американского колледжа радиологии (ACR), на начало 2025 года более 75% одобренных FDA медицинских ИИ-продуктов относятся именно к радиологии. Алгоритмы детектируют пневмоторакс на рентгенограммах грудной клетки, выявляют микрокальцинаты при маммографии, измеряют объём инфаркта мозга на КТ.

В патоморфологии системы компьютерного зрения анализируют цифровые препараты (WSI — whole slide images) для автоматического определения степени злокачественности опухолей. Исследование 2020 года, опубликованное в The Lancet Digital Health, показало, что ИИ-система при анализе гистологических препаратов рака предстательной железы сократила расхождения в оценке градации по шкале Глисона между патоморфологами.

Кардиология: ЭКГ и эхокардиография

Алгоритмы Mayo Clinic, обученные на миллионах ЭКГ, способны выявлять субклиническую дисфункцию левого желудочка — состояние, предшествующее сердечной недостаточности и не диагностируемое при рутинной интерпретации кривой. В исследовании 2019 года (Attia et al., Nature Medicine) такой подход показал AUC 0,93. Аналогичные разработки позволяют по стандартной ЭКГ прогнозировать риск фибрилляции предсердий за несколько лет до её клинической манифестации.

ИИ в наркологии и психиатрии: специфика применения

Психиатрия и наркология исторически отставали от других медицинских специальностей в цифровизации — во многом из-за субъективности диагностических критериев и сложности объективного измерения психического состояния. Сегодня ИИ открывает новые возможности именно там, где традиционные биомаркеры были недостаточно информативны.

Предсказание риска зависимости и рецидива

Модели машинного обучения, обученные на клинических данных электронных медицинских карт, позволяют оценивать риск развития опиоидной зависимости у пациентов, которым впервые назначаются анальгетики. Исследование Nau et al. (2022, JAMA Network Open) продемонстрировало, что такие модели с AUC 0,81 предсказывают хроническое употребление опиоидов в течение 12 месяцев после первого назначения.

Прогнозирование рецидива алкогольной зависимости — ещё одна активно исследуемая задача. Анализ паттернов сна по данным акселерометра, вариабельности сердечного ритма и речевых характеристик позволяет в ряде исследований детектировать предрецидивные состояния за 24–72 часа до срыва. Клинический потенциал этих разработок значителен, однако большинство из них пока остаётся на стадии проверочных исследований.

Анализ речи и голоса как биомаркеры

Направление «цифровой фенотипирования» (digital phenotyping) использует данные смартфонов — темп речи, паузы, акустические характеристики голоса — для мониторинга психического состояния пациентов в промежутках между визитами к врачу. Лаборатория Keshavan в Harvard Medical School показала, что алгоритмы NLP способны отличать записи пациентов с биполярным расстройством в фазе мании от эутимного состояния с точностью >80%.

В наркологическом контексте аналогичные технологии проходят испытания для оценки состояния пациентов с алкогольной зависимостью — изменения в просодии и лексическом составе речи коррелируют с количеством употреблённого алкоголя и субъективным желанием употребить (craving).

Контекст исследования

Большинство ИИ-разработок в наркологии и психиатрии пока находятся на уровне II–III фазы клинических исследований. Перевод в рутинную клиническую практику требует независимой валидации на репрезентативных выборках, решения вопросов конфиденциальности данных и разработки этических регуляторных стандартов. Приведённые данные носят информационный характер.

Чат-боты и системы поддержки психического здоровья

Разговорные агенты на основе больших языковых моделей (LLM) проходят оценку в качестве вспомогательного инструмента для первичной психологической поддержки. Наиболее изученные системы — Woebot и Wysa — демонстрируют в рандомизированных контролируемых исследованиях умеренный эффект снижения симптомов депрессии и тревоги по стандартизированным шкалам (PHQ-9, GAD-7) по сравнению с контрольными группами. Принципиально важно: эти системы позиционируются как дополнение к профессиональной помощи, а не её замена.

Открытие лекарств и персонализированная медицина

Традиционный путь от идентификации молекулярной мишени до регистрации препарата занимает в среднем 10–15 лет и обходится в $1–2,5 млрд. Алгоритмы ИИ сокращают несколько ключевых этапов этого пути.

Учёный работает с трёхмерной молекулярной моделью на голографическом дисплее в биофармацевтической лаборатории

ИИ-системы позволяют моделировать взаимодействие молекул с белковыми мишенями без дорогостоящих физических экспериментов. Иллюстративное изображение.

AlphaFold и структурная биология

Система AlphaFold 2, разработанная DeepMind (Jumper et al., Nature, 2021), решила задачу предсказания трёхмерной структуры белка по аминокислотной последовательности — проблему, считавшуюся нерешённой на протяжении 50 лет. База данных AlphaFold содержит предсказанные структуры более 200 млн белков, что радикально ускоряет поиск новых фармакологических мишеней.

Практические результаты не заставили себя ждать: в 2023 году компания Insilico Medicine объявила о завершении I фазы клинических испытаний препарата INS018_055 против идиопатического лёгочного фиброза — первого лекарственного кандидата, разработанного полностью с использованием платформы генеративного ИИ. От идентификации мишени до входа в клинические испытания прошло около 30 месяцев.

Онкология: персонализация терапии

Онкология — область, где персонализация лечения наиболее востребована. Опухоли одного гистологического типа могут существенно различаться по молекулярному профилю, что определяет ответ на терапию. Платформы Watson for Oncology (IBM), хотя и не оправдавшие первоначальных ожиданий, дали импульс развитию систем поддержки клинических решений в онкологии. Более перспективными оказались алгоритмы, интегрирующие данные NGS, патоморфологических снимков и клинических параметров для предсказания ответа на иммунотерапию.

Направление	Технология	Уровень зрелости	Статус
Скрининг ретинопатии	CNN, классификация	Высокий	Одобрено FDA
Анализ ЭКГ	Deep learning, временные ряды	Высокий	Одобрено FDA
Предсказание рецидива зависимости	ML на клинических данных	Средний	Исследования
Предсказание структуры белка	AlphaFold, трансформеры	Высокий	Широкое использование
Цифровое фенотипирование	NLP, акселерометрия	Начальный–средний	Исследования
Хирургическая роботика с ИИ	Computer vision, RL	Начальный–средний	Пилотные проекты

Ограничения, риски и этические вопросы

Оптимизм вокруг медицинского ИИ нередко опережает доказательную базу. Систематические обзоры выявляют ряд устойчивых проблем, ограничивающих клиническое применение существующих алгоритмов.

Проблема генерализации и смещения данных

Алгоритмы, показывающие высокие результаты на обучающей выборке, часто существенно теряют в точности при переносе в другое учреждение или на другую популяцию. Причина — различия в оборудовании, протоколах обработки изображений, демографическом составе пациентов. Мета-анализ Nagendran et al. (BMJ, 2020), охвативший 82 исследования, показал: большинство работ по медицинскому ИИ не имели внешней валидации на независимых когортах.

Алгоритмическое смещение (algorithmic bias) — особенно острая проблема: если обучающие данные недостаточно репрезентативны по расовому, половому или социально-экономическому признаку, модель воспроизводит существующее неравенство в здравоохранении и потенциально усугубляет его.

«Чёрный ящик» и объяснимость

Глубокие нейронные сети принимают решения способом, не поддающимся интуитивной интерпретации. В клинической практике врач не может принять на веру рекомендацию алгоритма, не понимая её обоснования. Развитие методов объяснимого ИИ (XAI — explainable AI), таких как SHAP-значения, карты Grad-CAM и LIME, призвано устранить этот разрыв, однако полного решения проблемы пока не существует.

Конфиденциальность и безопасность данных

Обучение медицинских алгоритмов требует доступа к большим массивам персональных данных о здоровье. Механизмы обезличивания, федеративное обучение (federated learning) и дифференциальная приватность (differential privacy) позволяют снизить, но не устранить риски утечки чувствительной информации. В России обработка персональных данных о здоровье регулируется Федеральным законом № 152-ФЗ «О персональных данных» и специальными нормами в сфере здравоохранения.

Юридическая ответственность

Вопрос о том, кто несёт ответственность за диагностическую ошибку, совершённую при участии ИИ-системы — врач, использовавший её рекомендацию, разработчик алгоритма или медицинская организация, — остаётся дискуссионным в большинстве правовых систем. Это создаёт сдержанность как у клиницистов, так и у производителей программного обеспечения.

Часто задаваемые вопросы

Может ли ИИ полностью заменить врача в диагностике? ▾

В узких специализированных задачах — например, скрининге ретинопатии или детекции пневмоторакса — автономные ИИ-системы уже получили регуляторное одобрение для работы без участия врача в конкретных сценариях. Однако комплексная диагностическая работа, требующая интеграции клинического анамнеза, физикального осмотра, лабораторных данных и индивидуального контекста пациента, остаётся прерогативой врача. Текущая парадигма — «ИИ как инструмент врача», а не его замена.

Насколько безопасно доверять ИИ данные о своём здоровье? ▾

Это зависит от конкретной системы и юрисдикции. Медицинские ИИ-продукты, прошедшие регуляторное одобрение, подчиняются жёстким требованиям к защите данных. Потребительские wellness-приложения с функциями «анализа здоровья» нередко работают в значительно менее строгом регуляторном поле. Перед использованием любого ИИ-сервиса рекомендуется изучить политику конфиденциальности и убедиться в наличии соответствующих сертификаций.

Используется ли ИИ в российских медицинских учреждениях? ▾

Да. В России действует несколько крупных проектов: московский эксперимент по применению ИИ в лучевой диагностике в рамках Единой радиологической информационной системы (ЕРИС) охватывает десятки городских больниц. Ряд отечественных разработчиков — Сбер, Webiomed, Botkin.AI — предлагают сертифицированные решения для анализа медицинских изображений и прогностического моделирования. Регулирование в России осуществляется через Росздравнадзор; с 2020 года введена процедура регистрации программного обеспечения как медицинского изделия.

Как ИИ используется при лечении зависимостей? ▾

Клинически одобренных ИИ-инструментов специфически для лечения зависимостей значительно меньше, чем в радиологии или кардиологии. Активно исследуются: предсказание риска опиоидной зависимости при назначении анальгетиков, мониторинг состояния пациентов с алкогольной зависимостью через носимые устройства, системы напоминаний и психообразования на основе чат-ботов, а также анализ данных о выдаче рецептов для выявления ненадлежащего назначения. Большинство этих разработок пока остаются на стадии клинических исследований.

Что такое «галлюцинации» ИИ и опасны ли они в медицине? ▾

«Галлюцинации» — термин, обозначающий ситуации, когда большая языковая модель генерирует уверенно сформулированную, но фактически недостоверную информацию. В медицинском контексте это представляет серьёзную угрозу: неверная ссылка на исследование, ошибочная дозировка препарата или неправильная интерпретация симптома могут причинить вред пациенту. Именно поэтому LLM общего назначения (ChatGPT, Gemini и т. д.) не являются медицинскими устройствами и не предназначены для клинической диагностики. Специализированные медицинские LLM проходят дополнительную настройку и проверку, но и они требуют врачебного контроля.

Перспективы: что принесёт следующее десятилетие

Темпы развития медицинского ИИ определяются не только техническим прогрессом, но и скоростью формирования регуляторной инфраструктуры, готовностью медицинского персонала к работе с новыми инструментами и наличием качественных, хорошо аннотированных данных.

Среди наиболее перспективных направлений — мультимодальные модели, способные одновременно обрабатывать текст, изображения, геномные данные и сигналы носимых устройств. Первые образцы таких систем, как Med-PaLM M от Google Research (2023), продемонстрировали способность отвечать на вопросы по медицинским изображениям на уровне, сопоставимом с результатами специалистов при сдаче профессиональных экзаменов.

Параллельно развивается концепция «цифровых двойников» (digital twins) — персонализированных виртуальных моделей физиологии конкретного пациента, позволяющих предсказывать ответ на лечение и оптимизировать терапевтические стратегии до их применения на реальном человеке. Эта технология пока остаётся в значительной мере экспериментальной, но уже демонстрирует потенциал в онкологии и кардиологии.

Для наркологии и психиатрии особое значение может иметь развитие непрерывного пассивного мониторинга — систем, способных в фоновом режиме отслеживать психическое состояние пациента и своевременно информировать специалиста об ухудшении. Ключевыми условиями реализации этого потенциала остаются решение вопросов приватности, получение информированного согласия и разработка чётких клинических протоколов реагирования.

Источники и литература

1. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118.
2. Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nature Medicine. 2019;25(1):70–74.
3. Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596:583–589.
4. Nagendran M, Chen Y, Lovejoy CA, et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies in medical imaging. BMJ. 2020;368:m689.
5. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44–56.
6. Nau C, Saxena S, Bhatt DL, et al. Predicting new persistent opioid use among individuals with opioid use disorder. JAMA Network Open. 2022;5(3):e224500.
7. Tu T, Azizi S, Driess D, et al. Towards generalist biomedical AI. NEJM AI. 2024;1(3):AIoa2300138.
8. Grand View Research. Artificial Intelligence in Healthcare Market Size Report. 2024. URL: grandviewresearch.com (дата обращения: 01.07.2025).
9. FDA. Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices. U.S. Food and Drug Administration. Обновлено 2025. URL: fda.gov.
10. Регуляторные требования к медицинским изделиям на основе программного обеспечения в России: Приказ Минздрава РФ № 140н от 18.02.2022; Федеральный закон № 152-ФЗ «О персональных данных».

Информационно-справочный материал. Не является рекламой и медицинской рекомендацией. Статья носит исключительно образовательный и информационный характер. Все клинические решения принимаются врачом на основании индивидуального осмотра и обследования пациента. При наличии симптомов заболевания или тревожащих состояний обратитесь к квалифицированному специалисту.

18+