Исследователи из Пекинского института визуальных наук и трансляционных исследований глаза (BERI) решили проверить возможности ИИ на практике. Они запустили клинику AI-TEC при Университете Цинхуа — медицинское учреждение, спроектированное с нуля под нужды нейросетей, сообщает ScienceAlert. Врачи остались в штате, но всю черновую работу по маршрутизации пациентов и первичной диагностике взяла на себя машина. Результаты этого эксперимента опубликованы в журнале Nature Medicine.
![]()
Фото из открытых источников / © GigaChat
Как выяснилось, интеграция алгоритмов в реальную медицину оказалась куда сложнее написания кода. На старте система демонстрировала скромные успехи в выявлении глаукомы и возрастной макулярной дегенерации. Ситуация кардинально изменилась только после того, как эксперты скормили нейросети 1426 качественных снимков с точной разметкой патологий. Этот массив данных сработал эффективнее, чем исходная база почти из 27 тысяч посредственных изображений. В итоге показатель AUROC превысил 0.93, догнав возможности лучших современных сканирующих систем.
Тем не менее главным открытием оказалась зависимость системы от действий персонала. Сразу после запуска врачи активно использовали ИИ-помощника, но спустя пять месяцев статистика показала обвал: лишь 3,8% обследований проходили через цифровые протоколы. Спустя месяц цифру удалось вернуть к 23%, но только после того, как разработчики упростили интерфейс, убрав лишние клики и ручной ввод.
«Наш ранний опыт показал, что внедрение нативного ИИ в здравоохранении — это фундаментально вызов для всей экосистемы», — пишут исследователи в своей статье.
Эффективность зависит не от мощности отдельного алгоритма, а от качества данных, взаимодействия с рабочим процессом и вовлеченности врачей. Третьим критическим фактором стала скорость обратной связи: чтобы алгоритм учился, замечания медиков должны поступать мгновенно, а не неделями позже.
В офтальмологии нейросети начали тестировать задолго до бума генеративного ИИ. Еще в 2018 году американская компания DeepMind (ныне Google Health) представила модель, которая определяла более 50 заболеваний глаз по снимкам сетчатки с точностью свыше 94%. При этом алгоритм выдавал не просто вердикт «болен» или «здоров», а карту тепловых зон, подсвечивая врачу участки поражения, которые человеческий глаз мог пропустить на ранней стадии.
Главная проблема кроется в разнице мышления машины и человека. Алгоритм нацелен на результат — есть болезнь или нет. Врач же отталкивается от симптомов — пациент жалуется на помутнение зрения. Наличие точного анализатора снимков само по себе не гарантирует улучшения ухода за больными. Будущие тесты, вероятно, сместят фокус с сухих баллов точности на реальное изменение клинической практики.
«Успех системы здравоохранения, построенной на основе ИИ, должен измеряться тем, трансформирован ли клинический процесс и улучшились ли результаты лечения, а не тем, превосходит ли ИИ контрольные показатели», — резюмируют ученые.
