Эрик Тополь считает, что медицина упускает ИИ для снимков, уже проверенный в испытаниях
Участники подкаста Microsoft Research считают, что медицинский ИИ тормозят не модели, а внедрение и нехватка данных: проверенные алгоритмы для маммографии в США почти не применяют.
Алгоритмы, которые читают маммограммы и помогают при колоноскопии, уже прошли крупные рандомизированные испытания1, но до пациентов почти не дошли. Так считает кардиолог Эрик Тополь из Scripps Research2. Вместе с исследователями Microsoft он обсуждал в подкасте компании, что ИИ может дать медицине и что ему мешает.
Почему это важно: речь не о будущих моделях, а о тех, что уже доказали пользу. Тополь смотрит на клинику, Ава Амини из Microsoft Research — на лабораторную биологию, но главное препятствие оба называют одним словом: внедрение.
Детали: Тополь ссылается на испытание ИИ в маммографии, в котором участвовали больше 100 тысяч женщин, и на 44 рандомизированных испытания при колоноскопии. По его словам, ИИ находит на любых медицинских изображениях то, чего не видит человек, — на снимках сетчатки и рентгене грудной клетки, в электрокардиограмме. Но в США передовой ИИ при маммографии почти никому не достаётся. А там, где он есть, за такую расшифровку приходится платить самим, и делают её в немногих клиниках.
«Если вы женщина, которой делают маммографию, и вам не достаётся передового ИИ — а в США он почти никому не достаётся, — казалось бы, впору поднимать бунт»
Эрик Тополь, исполнительный вице-президент Scripps Research
Между строк: Тополь объясняет застой экономикой и привычками. Медицина медленно принимает перемены, больницы работают с очень низкой маржой и не вкладываются в то, в чём не уверены полностью. Врачи и пациенты таких новинок тоже не требуют. Сдвинуть дело, считает он, могут как раз пациенты и врачи, которые за них выступают.
Расклад: самый наглядный пример того, что ИИ умеет уже сейчас, — работа главного научного директора Microsoft Эрика Хорвица и коллег о последовательной диагностике. Статья вышла в Science в октябре, препринт появился ещё в июне 2025 года. Исследователи не выдавали модели готовую историю болезни, а ставили её на место врача. Живых пациентов в проверке не было: модель разбирала случаи, опубликованные в журнале The New England Journal of Medicine, в препринте их 304. Сначала она знает только жалобы и немного анамнеза. Затем задаёт вопросы и назначает анализы с оглядкой на их цену, рассчитанную по прейскуранту, а ответы и результаты выдаёт другая языковая модель, которой известен весь случай. Она же решает, когда пора остановиться на диагнозе.
По словам Тополя, система оказалась почти вдвое точнее врачей и при этом обходилась дешевле. «Это первая демонстрация того, что точность может быть выше, а затраты ниже», — сказал он. Ставка тут высокая: Тополь привёл оценку Университета Джонса Хопкинса, по которой ошибки диагностики в США каждый год оборачиваются смертью или инвалидностью примерно для 800 тысяч человек.
Но: Хорвиц сам оговорился, что сравнение с врачами общей практики нужно воспринимать с поправкой на ограничения работы. Авторы называют их в препринте. Все случаи из журнала сложные, так что неизвестно, сохранится ли перевес модели на обычных болезнях. А врачи общей практики в жизни могли бы передать такие случаи узким специалистам. Статью писали сотрудники Microsoft. Тополь, назвавший её основополагающей, — советник Microsoft AI по здравоохранению.
Общая картина: вычисления дешевеют быстро. Ведущий подкаста, один из руководителей Microsoft Research Даг Бергер, говорит, что обработка токенов — мелких кусочков текста или других данных, с которыми работает модель, — дешевеет в 4–10 раз в год, если сама модель не растёт. Амини видит в этом способ экономить на лаборатории: модель подсказывает, какие опыты самые многообещающие, и по-настоящему ставят только их. Но реальный мир, по её словам, всегда будет узким местом. Тополь считает таким местом данные. AlphaFold, модель Google DeepMind для предсказания формы белков, появилась потому, что был готов Protein Data Bank3. В медицине ничего подобного нет: электронные карты есть, а подробных сведений, которые годами собирают об одних и тех же пациентах, почти нет.
Что дальше: Амини нужны данные не о том, как устроены белки и клетки, а о том, что они делают. В Protein Data Bank лежат застывшие структуры, а в клетке белки подвижны и действуют. Больших наборов данных, которые связывали бы цепочку аминокислот в белке с работой, которую он выполняет, пока нет. В проекте Ex Vivo, который Microsoft ведёт вместе с Институтом Броуда4, такие связи ищут для раковых клеток. Исследователи сопоставляют состояние клетки с тем, устойчива ли она к лечению: к иммунотерапии, которая помогает иммунной системе атаковать опухоль, или к таргетной терапии — препаратам против определённых молекул в раковых клетках.
Не факт: Хорвиц прогнозирует, что через десять лет обычные люди будут связывать с ИИ прорывы в медицине. По его прогнозу, несколько смертельных видов рака станут хроническими болезнями, а начало и развитие болезни Альцгеймера удастся отсрочить. Тополь настроен ещё оптимистичнее: по его словам, медицина научится предотвращать болезнь Альцгеймера и те виды рака, которые сейчас предотвратить не может.