Главная / Искусственный интеллект в медицине

Медицинские технологии

Искусственный интеллект в медицине: публикации, исследования и перспективы

Автор: редакция медицинского журнала · Обновлено: июнь 2025

Искусственный интеллект (ИИ) входит в число наиболее обсуждаемых тем в современной медицинской науке. Объём публикаций, посвящённых машинному обучению, нейросетевым алгоритмам и системам поддержки принятия клинических решений, ежегодно удваивается. Настоящий материал представляет обзор ключевых направлений исследований, актуальных данных и дискуссионных вопросов, которые поднимаются в мировой медицинской литературе.

Что такое ИИ в медицине: определения и базовые понятия

Под искусственным интеллектом в медицине понимают совокупность вычислительных методов, позволяющих компьютерным системам выполнять задачи, традиционно требующие человеческого интеллекта: интерпретацию медицинских изображений, анализ клинических данных, прогнозирование исходов лечения и генерацию диагностических гипотез. В широком смысле термин охватывает машинное обучение (machine learning), глубокое обучение (deep learning), обработку естественного языка (NLP) и экспертные системы.

Согласно классификации ВОЗ (2021), медицинские ИИ-системы подразделяются на три уровня автономии: вспомогательные (предоставляют рекомендацию врачу), полуавтономные (принимают часть решений самостоятельно) и автономные (действуют без участия человека). В клинической практике сегодня преобладают системы первого уровня — они поддерживают, но не заменяют специалиста.

Ключевые технологии, на которых базируются современные медицинские ИИ-приложения:

Сверточные нейронные сети (CNN) — применяются для анализа медицинских изображений: рентгенограмм, МРТ, гистологических препаратов.
Рекуррентные нейронные сети и трансформеры — используются для анализа временны́х рядов (ЭКГ, мониторинг в реанимации) и медицинских текстов.
Gradient Boosting и Random Forest — широко применяются для прогнозирования рисков на основе табличных клинических данных.
Большие языковые модели (LLM) — задействованы для структурирования медицинской документации и клинических сводок.

Справочно

По данным базы PubMed, в 2023 году было опубликовано более 42 000 рецензируемых статей с ключевыми словами «artificial intelligence» и «medicine» — против 4 700 в 2016 году. Рост более чем в 9 раз за семь лет.

Основные направления публикаций: от диагностики до наркологии

Анализ массивов медицинской литературы позволяет выделить несколько устойчивых кластеров исследований, в которых ИИ демонстрирует наиболее значимые результаты.

1. Медицинская визуализация и патоморфология

Наиболее зрелая и хорошо задокументированная область. Алгоритмы глубокого обучения демонстрируют чувствительность при выявлении рака молочной железы на маммограммах, сравнимую с командой из двух рентгенологов (исследование Google Health, опубликованное в Nature, 2020). Для диагностики диабетической ретинопатии по фотографиям глазного дна FDA (США) ещё в 2018 году одобрило первую полностью автономную систему — IDx-DR.

2. Прогностические модели в кардиологии

ИИ-алгоритмы на основе данных ЭКГ способны выявлять бессимптомную дисфункцию левого желудочка и предсказывать фибрилляцию предсердий за несколько месяцев до клинического манифеста. Исследование клиники Майо (2019, Nature Medicine) показало AUC = 0,93 для подобной задачи на выборке 180 000 пациентов.

3. Наркология и аддиктология: новое направление

В последние годы ИИ активно применяется в сфере психических расстройств и расстройств, связанных с употреблением психоактивных веществ. Исследования охватывают несколько задач:

Прогнозирование риска срыва у пациентов с алкогольной зависимостью на основе данных носимых устройств (частота сердечных сокращений, вариабельность ритма, акселерометрия).
Анализ данных электронных медицинских карт для выявления пациентов с высоким риском опиоидной зависимости при назначении анальгетиков.
Поддержка когнитивно-поведенческой терапии через чат-боты с элементами NLP (программы типа Woebot, Quit Genius).
Мониторинг изменений речи и паттернов общения в социальных сетях как маркеров рецидива.

Систематический обзор, опубликованный в Drug and Alcohol Dependence (2022), включал 87 первичных исследований и показал, что точность ИИ-моделей в предсказании рецидива при алкогольном расстройстве составляет в среднем 78–84% на тестовых выборках, однако авторы указывают на значительную гетерогенность методологии и недостаточную внешнюю валидацию.

Схема применения искусственного интеллекта в различных медицинских специальностях: диагностика, кардиология, наркология, онкология

4. Клинические решения и предотвращение ошибок

Системы поддержки принятия клинических решений (Clinical Decision Support Systems, CDSS) с элементами машинного обучения интегрированы в электронные медицинские карты крупнейших больничных сетей США и Европы. Они помогают предотвращать лекарственные взаимодействия, напоминают о необходимых скринингах и выявляют пациентов с признаками раннего сепсиса. Метаанализ в JAMA Network Open (2021) зафиксировал снижение частоты предотвратимых нежелательных событий на 15–22% при использовании подобных систем.

Ключевые показатели: ИИ в медицинской литературе

Область применения	Объём публикаций (PubMed, 2023)	Зрелость технологии	Уровень доказательности
Медицинская визуализация	~12 000 статей	Высокая (FDA/CE одобрения)	Высокий (RCT, метаанализы)
Онкология	~9 500 статей	Высокая	Высокий
Кардиология	~6 800 статей	Средняя–высокая	Средний–высокий
Психиатрия и наркология	~3 200 статей	Средняя (активный рост)	Средний (гетерогенность)
Геномика и биоинформатика	~5 100 статей	Средняя	Средний
Лекарственные взаимодействия / фармакология	~2 400 статей	Средняя	Средний

* Данные PubMed MeSH-запросов, 2023 г. Цифры приблизительные и зависят от используемых поисковых стратегий.

Ограничения, критика и дискуссии в научном сообществе

Вместе с растущим числом положительных результатов в научной литературе всё активнее звучит критика качества исследований в области медицинского ИИ. Рецензионные работы указывают на ряд системных проблем.

Методологические недостатки

Анализ 2 690 клинических ИИ-исследований, опубликованный в The Lancet Digital Health (2021), выявил, что лишь 14% из них включали проспективную валидацию, а более 60% страдали от утечки данных (data leakage) — ситуации, когда информация о тестовой выборке косвенно проникала в обучающую, завышая показатели точности. Авторы сделали вывод, что реальная клиническая ценность большинства алгоритмов остаётся не подтверждённой.

Проблема предвзятости алгоритмов

Обучение на несбалансированных данных приводит к тому, что алгоритмы хуже работают в группах, недостаточно представленных в обучающей выборке. Ретроспективный анализ, проведённый командой Стэнфордского университета, показал, что ИИ-система для прогнозирования риска сепсиса значительно хуже прогнозировала риск у пациентов афроамериканского происхождения по сравнению с белыми пациентами — из-за исторически различающегося доступа к медицинской помощи, отражённого в данных ЭМК.

Проблема «чёрного ящика» и объяснимость

Большинство моделей глубокого обучения не предоставляют интерпретируемых объяснений своих решений. Это создаёт серьёзные этические и правовые проблемы в клинической среде: врач должен объяснить пациенту основание диагностического или терапевтического решения. Методы объяснимого ИИ (XAI) — SHAP, LIME, Grad-CAM — частично решают эту проблему, однако их применение в рутинной клинической практике остаётся ограниченным.

Мнение эксперта

«Мы наблюдаем парадокс: количество публикаций об ИИ в медицине растёт быстрее, чем число реально внедрённых и клинически валидированных систем. Необходим переход от демонстрационных исследований к проспективным рандомизированным испытаниям с клинически значимыми конечными точками.»

— Из редакционной статьи NPJ Digital Medicine, 2023

Учёные анализируют данные медицинских изображений с помощью алгоритмов глубокого обучения на экране компьютера в научной лаборатории

Регуляторная среда: как оцениваются ИИ-медицинские системы

Внедрение ИИ в клиническую практику неразрывно связано с вопросами регуляторного контроля. Подходы различаются в зависимости от юрисдикции.

США (FDA). Управление по санитарному надзору за качеством пищевых продуктов и медикаментов разработало концепцию «предварительно одобренных алгоритмов» (Pre-Specified Change Control Plan), позволяющую системам обновляться в пределах заранее согласованных границ без повторного полного одобрения. По состоянию на 2024 год FDA одобрило более 950 ИИ/МО-медицинских устройств.
Европейский союз. Регламент об ИИ (AI Act, вступил в силу в 2024 году) относит большинство медицинских ИИ-систем к «высокорисковым» и предусматривает обязательный аудит, регистрацию в базе ЕС и оценку соответствия. Медицинские устройства с функциями ИИ одновременно подпадают под регламент MDR.
Россия. Росздравнадзор с 2020 года регистрирует программное обеспечение медицинского назначения как самостоятельный класс медицинских изделий. Ряд российских ИИ-систем для анализа медицинских изображений (в том числе для выявления COVID-19 на КТ) прошли государственную регистрацию. В 2022–2024 годах активно развивался эксперимент по применению ИИ в Московском центре диагностики и телемедицины.

Особую дискуссию вызывает вопрос об ответственности при ошибке ИИ-системы. Существующие правовые нормы в большинстве стран возлагают ответственность на лечащего врача, использующего систему, что создаёт напряжённость между регуляторными ожиданиями и клинической реальностью.

Вопрос — ответ

Может ли ИИ полностью заменить врача в постановке диагноза? + −

Нет. Современные алгоритмы работают в строго ограниченных доменах (например, анализ изображений сетчатки или интерпретация ЭКГ). Интегративная клиническая диагностика, требующая учёта социального контекста, субъективных ощущений пациента, анамнеза и этических суждений, остаётся прерогативой врача. Большинство регуляторов мира явно требуют участия специалиста в принятии окончательного решения.

Где публикуются ведущие исследования по ИИ в медицине? + −

Ключевые площадки: Nature Medicine, The Lancet Digital Health, NPJ Digital Medicine, JAMA Network Open, Radiology: Artificial Intelligence, Journal of the American Medical Informatics Association (JAMIA). Для наркологии и психиатрии — Drug and Alcohol Dependence, Addiction, JAMA Psychiatry. Препринты публикуются на medRxiv и arXiv (раздел cs.LG).

Как ИИ применяется в наркологии конкретно? + −

Среди задокументированных направлений: анализ данных носимых датчиков для раннего обнаружения тяги к алкоголю или наркотикам; NLP-анализ записей врача для выявления недостаточно диагностированной зависимости; персонализация программ снижения вреда; прогнозирование передозировок в популяциях пациентов на основании данных о предыдущих обращениях. Эти применения находятся на стадии исследований и клинических испытаний; до массового внедрения большинство из них ещё не дошли.

Безопасны ли персональные медицинские данные при использовании ИИ-систем? + −

Это один из наиболее острых вопросов. Обучение алгоритмов требует больших массивов данных пациентов, что создаёт риски для конфиденциальности. Федеративное обучение (federated learning) — метод, при котором модель обучается на данных, не покидающих медицинское учреждение, — рассматривается как перспективное техническое решение. Правовая база (GDPR в ЕС, 152-ФЗ в России) требует явного согласия и обезличивания данных.

Как оценить качество конкретного ИИ-медицинского исследования? + −

Используются специализированные руководства по отчётности: TRIPOD+AI (для прогностических моделей), STARD-AI (для диагностических исследований), CONSORT-AI (для рандомизированных испытаний с ИИ-вмешательством). Ключевые вопросы при критическом чтении: есть ли внешняя валидация? Указан ли состав и источник данных? Раскрыты ли конфликты интересов?

Перспективы: что обсуждается в литературе на 2025–2030 годы

Аналитические обзоры, опубликованные в ведущих журналах в 2023–2024 годах, выделяют несколько направлений, которые определят развитие медицинского ИИ в ближайшие годы.

Мультимодальный ИИ

Интеграция данных разных типов — изображений, генетических данных, лабораторных показателей, нарративных записей — в единую модель. Первые работы в этом направлении (Google Med-PaLM 2, GPT-4 в медицинских задачах) показали высокий потенциал, однако клиническая валидация ещё в процессе.

Реальная клиническая эффективность (Real-World Evidence)

Переход от ретроспективных исследований к проспективным испытаниям, включающим оценку влияния ИИ на клинические исходы (смертность, частоту осложнений, длительность госпитализации), а не только на точность алгоритма как такового.

ИИ и равенство в здравоохранении

Нарастающий академический интерес к тому, как алгоритмы могут усугублять или, напротив, сглаживать неравенство в доступе к медицинской помощи. Публикации в этой области анализируют как технические решения (балансировка данных, аудит на предвзятость), так и организационные (кто принимает решения о внедрении, кто несёт ответственность).

Генеративный ИИ в клинической документации

Системы на основе больших языковых моделей уже используются в ряде клиник США и Европы для автоматического формирования клинических сводок и выписных эпикризов. Исследования указывают на сокращение административной нагрузки на врача на 20–40%, однако поднимают вопросы достоверности генерируемых текстов (проблема «галлюцинаций» LLM в медицинском контексте).

Источники и литература

1 McKinney S.M. et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577:89–94.
2 Attia Z.I. et al. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nature Medicine. 2019;25:70–74.
3 Wynants L. et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020;369:m1328.
4 Obermeyer Z. et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453.
5 Liu X. et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging. The Lancet Digital Health. 2019;1(6):e271–e297.
6 Kelly C.J. et al. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine. 2019;17:195.
7 Mak K.K., Pichika M.R. Artificial intelligence in drug development: present status and future prospects. Drug Discovery Today. 2019;24(3):773–780.
8 Torous J. et al. Towards a consensus around standards for smartphone apps and digital mental health. World Psychiatry. 2019;18(1):97–98.
9 Shi Y. et al. Artificial intelligence in the treatment of addiction: a systematic review. Drug and Alcohol Dependence. 2022;232:109295.
10 ВОЗ. Ethics and governance of artificial intelligence for health. Geneva: World Health Organization; 2021.
11 Collins G.S. et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.
12 Федеральный закон № 323-ФЗ «Об основах охраны здоровья граждан в Российской Федерации» (ред. 2023). Статьи о применении информационных технологий в медицине.

Информационно-справочный материал. Не является рекламой и медицинской рекомендацией. При наличии симптомов заболевания или иных проблем со здоровьем обратитесь к врачу.

18+