Как алгоритмы меняют диагностику медицинских изображений

Искусственный интеллект стал одной из наиболее активно внедряемых технологий в радиологии. Это связано с самой природой специальности: радиология работает с большими объемами визуальных данных, где важно быстро обнаруживать патологические изменения, сравнивать изображения во времени, оценивать размеры очагов и формировать структурированное заключение. Алгоритмы машинного обучения хорошо подходят для таких задач, потому что могут находить повторяющиеся визуальные паттерны, измерять параметры и помогать врачу обращать внимание на потенциально значимые зоны.

Радиология стала лидером среди медицинских направлений по числу AI-устройств. FDA ведет публичный список AI-enabled medical devices, то есть медицинских устройств с использованием искусственного интеллекта, которые получили разрешение на маркетинг в США. Этот список создан для прозрачности и позволяет врачам, разработчикам и пациентам видеть, какие технологии прошли регуляторную оценку. По данным анализа JAMA Network Open, среди 950 AI/ML-устройств, авторизованных FDA к моменту исследования, 723 относились к радиологии, то есть около 76%.

Почему именно радиология стала первой крупной зоной внедрения. Медицинское изображение уже является цифровым объектом: КТ, МРТ, маммография и рентгенография создают данные, которые можно хранить, передавать, размечать и анализировать. Кроме того, во многих радиологических задачах существует четкая визуальная цель: обнаружить узел, кровоизлияние, перелом, тромб, очаг ишемии, опухолевое образование или изменение плотности ткани. Это не делает диагностику простой, но создает условия, при которых алгоритм может быть обучен на большом количестве примеров.

Одно из наиболее зрелых направлений — маммография и скрининг рака молочной железы. В скрининговых программах ежедневно анализируются тысячи изображений, а задача врача состоит в том, чтобы найти небольшое число потенциально злокачественных изменений среди большого объема нормальных исследований. Это создает высокую когнитивную нагрузку. Алгоритмы могут использоваться как второй считыватель, как система сортировки риска или как инструмент предварительной маркировки подозрительных зон. Важно, что такие системы оцениваются не только по технической точности, но и по влиянию на обнаружение рака, частоту повторных вызовов, количество ложноположительных результатов и нагрузку радиологов.

В 2026 году были опубликованы данные крупного исследования MASAI, посвященного использованию искусственного интеллекта в маммографическом скрининге. По сообщениям о результатах, исследование включало более 100 000 женщин и оценивало, может ли AI-поддержка снизить нагрузку на врачей и уменьшить количество интервальных раков, то есть опухолей, выявленных между плановыми скрининговыми раундами. The Guardian сообщал, что использование AI в скрининге было связано со снижением частоты более поздних диагнозов на 12% и повышением доли опухолей, обнаруженных во время скрининга. Эти данные важны, потому что оценивают не только способность алгоритма находить изменения на снимке, но и клинический результат скринингового процесса.

Однако применение искусственного интеллекта в маммографии не означает автоматического отказа от врача. Даже если алгоритм хорошо сортирует исследования по риску, решение о дальнейшем обследовании остается клиническим. Нужно учитывать качество изображения, плотность ткани молочной железы, предыдущие снимки, анамнез, семейный риск, симптомы и результаты других методов. Алгоритм может помочь врачу быстрее выделить подозрительный случай, но не должен превращаться в единственный фильтр, через который проходит пациент. Особенно осторожно нужно относиться к системам, которые обещают полностью автономное чтение изображений без участия радиолога.

Еще одна важная область — КТ органов грудной клетки. Искусственный интеллект может помогать выявлять легочные узлы, признаки эмболии легочной артерии, пневмоторакс, пневмонию, интерстициальные изменения, кальциноз коронарных артерий или признаки хронических заболеваний. В январе 2026 года Reuters сообщал о партнерстве Bristol Myers Squibb и Microsoft по использованию AI-радиологической платформы для улучшения раннего выявления рака легкого, включая анализ рентгеновских и КТ-исследований с FDA-cleared алгоритмами. Такая тенденция показывает, что AI в радиологии начинает рассматриваться не только как технический инструмент отделения лучевой диагностики, но и как часть онкологического маршрута пациента.

Клиническая ценность таких решений зависит от того, где именно они встроены в рабочий процесс. Один вариант — алгоритм работает как система сортировки и поднимает срочные случаи выше в очереди. Это важно при подозрении на инсульт, внутричерепное кровоизлияние, тромбоэмболию легочной артерии или пневмоторакс. Другой вариант — алгоритм выполняет количественные измерения, например объем опухоли, размеры узла, степень стеноза или динамику поражения. Третий вариант — система помогает сформировать структурированное заключение. В каждом случае медицинский риск отличается, поэтому и требования к валидации должны быть разными.

При острой патологии время имеет особое значение. Если алгоритм быстрее обнаруживает признаки внутричерепного кровоизлияния или крупной сосудистой окклюзии, команда может раньше начать клиническую оценку и лечение. Но здесь важно не только распознавание изображения, а вся цепочка: качество сканирования, передача данных, настройка уведомлений, доступность специалистов, протокол маршрутизации и скорость принятия решения. Алгоритм, который хорошо работает сам по себе, может не улучшить исходы, если он плохо интегрирован в больничную систему.

Отдельная тема — автоматические измерения. Радиолог часто сравнивает исследования пациента во времени: вырос ли очаг, уменьшилась ли опухоль после терапии, изменилась ли плотность ткани, появились ли новые изменения. Алгоритмы могут выполнять измерения более последовательно, чем человек, особенно при большом количестве очагов. Это важно в онкологии, пульмонологии и неврологии. Но автоматическое измерение должно быть проверяемым. Врач должен понимать, какой очаг был измерен, где проведены границы, не спутал ли алгоритм сосуд, рубец, воспалительный участок или артефакт с опухолевым поражением.

Искусственный интеллект в радиологии также влияет на хирургическую онкологию. В марте 2026 года сообщалось о FDA premarket approval для AI-enabled imaging device, предназначенного для интраоперационной оценки краев резекции при операции по поводу рака молочной железы. По данным Perimeter, система Claire получила PMA как первое AI-enabled imaging device в США для такой задачи. Это показывает расширение AI-радиологии за пределы классического чтения снимков: алгоритмы начинают использоваться в операционной, где изображение помогает хирургу оценить ткань в реальном времени.

Главное ограничение искусственного интеллекта в радиологии — зависимость от данных, на которых он обучался и проверялся. Если алгоритм обучен на снимках из одной страны, одного типа оборудования, одной возрастной группы или одного клинического сценария, он может хуже работать в другой больнице. Изображения зависят от протоколов сканирования, производителя аппарата, качества реконструкции, контрастирования, положения пациента и локальных особенностей популяции. Поэтому алгоритм должен проходить внешнюю валидацию, а после внедрения — постоянный мониторинг качества.

Еще одна проблема — смещение данных. Если в обучающей выборке недостаточно представлены определенные группы пациентов, модель может работать для них хуже. Это касается возраста, пола, этнических групп, плотности тканей, сопутствующих заболеваний и редких патологий. В радиологии такая ошибка может быть незаметной, потому что алгоритм выдает результат уверенно. Поэтому внедрение AI должно включать анализ не только общей точности, но и работы в подгруппах. Средняя эффективность может выглядеть высокой, но клинически значимые ошибки могут концентрироваться у отдельных категорий пациентов.

Прозрачность также остается важным вопросом. Многие AI-системы работают как сложные модели, где трудно понять, почему именно был сделан вывод. Врач может видеть тепловую карту или выделенную область, но это не всегда объясняет логику алгоритма. Для безопасного применения важна не абсолютная «понятность» каждой математической операции, а возможность проверить результат: увидеть исходное изображение, понять предполагаемую зону патологии, оценить вероятность ошибки, сравнить с предыдущими исследованиями и при необходимости отклонить вывод системы. Искусственный интеллект должен усиливать клиническое мышление, а не создавать непрозрачный автоматический вердикт.

Регуляторная оценка таких систем усложняется тем, что алгоритмы могут обновляться. В отличие от традиционного устройства, программное обеспечение может изменяться после выхода на рынок. Это требует подхода жизненного цикла: проверки до внедрения, мониторинга после внедрения, контроля обновлений и прозрачной информации для пользователей. FDA подчеркивает, что список AI-enabled medical devices предназначен также для понимания регуляторных ожиданий и повышения прозрачности рынка. Это важно, потому что быстрое появление новых алгоритмов не должно опережать оценку их безопасности и эффективности.

Будущее AI в радиологии, вероятно, будет не в одном универсальном алгоритме, а в множестве специализированных систем. Одни будут сортировать срочные исследования, другие — помогать в скрининге, третьи — измерять опухоли, четвертые — прогнозировать риск, пятые — поддерживать интервенционные процедуры. Постепенно такие системы могут соединяться с электронными картами, лабораторными данными, геномной информацией и цифровыми двойниками пациента. Тогда радиологическое изображение станет не отдельным снимком, а частью комплексной модели заболевания.

Главное значение искусственного интеллекта в радиологии заключается в том, что он меняет организацию диагностического процесса. Он может уменьшить рутинную нагрузку, ускорить обработку срочных случаев, повысить воспроизводимость измерений и помочь врачу работать с растущим объемом исследований. Но медицинская ценность AI определяется не количеством внедренных алгоритмов, а доказанным улучшением диагностики, безопасности и маршрута пациента. Радиология будущего, вероятно, будет гибридной: алгоритмы будут выполнять часть технической и аналитической работы, а врач сохранит клиническую интерпретацию, ответственность и способность видеть пациента шире, чем отдельное изображение.