Радиология стала главным полигоном для ИИ: 75% одобренных устройств в США работают с снимками

По данным Ars Technica, радиология стала главным полигоном для внедрения систем искусственного интеллекта в медицине. Если в 2016 году Джеффри Хинтон (Geoffrey Hinton) предсказывал, что компьютеры заменят врачей-радиологов в течение пяти лет, то реальность оказалась иной: численность специалистов в этой отрасли продолжает расти. Ожидается, что за ближайшие три десятилетия количество практикующих радиологов увеличится на 26% и более. Прогноз Хинтона сбылся лишь частично: сегодня у врачей действительно появился «кремниевый коллега», который по точности диагностики не уступает, а иногда и превосходит человека.

Ситуация изменилась качественно. К началу 2026 года около 75% из 1400 медицинских устройств с функциями ИИ, прошедших одобрение Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA), предназначались именно для радиологии. Эти инструменты помогают врачам экономить время, автоматически составляя отчеты или выделяя срочные случаи. Более того, алгоритмы способны выявлять аномалии, невидимые человеческому глазу. Анализ 43 клинических испытаний показал, что колоноскопия с помощью ИИ обнаруживает больше полипов, чем стандартная процедура.

Проблема «черного ящика» и совместная работа

Главный вызов сейчас — не выбор между человеком и машиной, а выстраивание эффективного взаимодействия между ними. Средняя частота ошибок человека при чтении снимков составляет от 3% до 5%, что в глобальном масштабе приводит к примерно 40 миллионам диагностических ошибок ежегодно. Однако замена людей алгоритмами не решает проблему полностью.

Врачи-радиологи теперь вынуждены играть роль контролеров, оценивающих каждое решение ИИ. Раньше врачи часто игнорировали предупреждения простых программных алгоритмов (например, о взаимодействии лекарств), так как могли быстро проверить их логику. Современные нейросети работают иначе: они являются системами «черного ящика», не объясняющими, как именно было принято решение.

Это создает сложную дилемму. Врач должен определить, является ли найденная ИИ аномалия реальной или это ложное срабатывание. Чарльз Канн (Charles Kahn), редактор журнала Radiology: Artificial Intelligence, признает, что понять, видит ли алгоритм реальную проблему или «галлюцинирует», крайне сложно.

Автоматизированная предвзятость и обучение персонала

Ключевым риском при совместной работе становится автоматизированная предвзятость (automation bias). Врачи могут начать слепо доверять машине, что приводит к двум типам ошибок:

• Ложноположительные результаты: Система «видит» болезнь там, где ее нет. Для редких заболеваний таких срабатываний много, и врач должен уметь их отфильтровать.
• Автоматизированная самоуверенность (automation complacency): Врач доверяет отрицательному результату ИИ, пропуская реальные патологии, например, кровоизлияния в мозг на КТ или МРТ.

Исследования показывают, что даже опытные радиологи снижают точность своих решений по маммографии, если их мнение формируется под влиянием неверных прогнозов ИИ. С другой стороны, существует риск недоверия к технологии: увидев одну грубую ошибку алгоритма, врач может начать игнорировать все его предупреждения.

Для решения этих проблем необходимы не только технические доработки, но и обучение персонала. Нина Коттлер (Nina Kottler), главный медицинский ИИ-офицер Mosaic Clinical Technologies, предлагает внедрять инструменты, которые указывают уровень уверенности алгоритма в своем ответе, а не только дают бинарный результат «да/нет». Это позволит врачам лучше понимать контекст.

Однако подготовка кадров отстает от технологий. По данным опроса Американской медицинской ассоциации (AMA) 2026 года, более четверти врачей заявили, что они вообще не проходили обучения работе с ИИ, а лишь 11% получили значительную подготовку.

i

Создано специально для ASECTOR

Концептуальное изображение

Ситуация на рынке труда меняется по принципу: не ИИ заменит радиологов, а радиологи, использующие ИИ, вытеснят тех, кто отказывается от этой технологии. Процесс оптимизации системы «человек-машина» только начинается, и успех зависит от способности медицинских работников критически оценивать выводы алгоритмов, сохраняя при этом клиническую гибкость и опыт.

ИИ в российской медицине: легализация опередила подготовку врачей

В России медицинский искусственный интеллект уже официально работает. Система Polyptron.AI получила бессрочный допуск Росздравнадзора, что легализовало использование алгоритмов для выявления полипов толстой кишки в больницах страны [!]. Это меняет контекст глобального тренда: Россия не наблюдает за процессом со стороны, а уже находится внутри него. Однако появление «кремниевого коллеги» создало новую проблему — разрыв между доступностью технологии и готовностью персонала управлять рисками взаимодействия с ней.

Точность против «черного ящика»

Algoritm анализирует видеопоток эндоскопа в реальном времени. По данным разработчика, система выявляет полипы с чувствительностью 93,8% и общей точностью 88,7% [!]. Для обучения нейросети была использована база из 46 103 размеченных изображений, полученных в ходе 1 873 колоноскопических исследований [!]. Использование реальных российских данных снижает риск ошибок, связанных с анатомическими особенностями пациентов.

Но высокая точность не отменяет главного вызова: алгоритм работает как «черный ящик». Он выдает результат, но не объясняет логику принятия решения. В глобальном масштабе средняя частота ошибок человека при чтении снимков составляет 3–5%, что приводит к примерно 40 миллионам диагностических ошибок ежегодно. ИИ способен выявлять аномалии, невидимые глазу, но он также совершает ошибки, которых человек бы не допустил.

Алгоритм не заменяет врача, но меняет его функцию: теперь специалист тратит когнитивные ресурсы не на поиск аномалии, а на проверку того, чтобы машина не ошиблась.

Исследования показывают, что даже опытные радиологи снижают точность решений по маммографии, если их мнение формируется под влиянием неверных прогнозов ИИ. С другой стороны, увидев одну грубую ошибку алгоритма, врач может начать игнорировать все его предупреждения. Баланс между доверием и скепсисом становится ключевой профессиональной компетенцией.

Кризис компетенций в РФ

Технологии развиваются быстрее, чем система медицинского образования. По данным опроса Американской медицинской ассоциации (AMA) 2026 года, более четверти врачей вообще не проходили обучения работе с ИИ. Лишь 11% получили значительную подготовку. Этот разрыв создает системный риск: врачи используют сложные инструменты без понимания их ограничений.

Для российского рынка это означает, что легализация Polyptron.AI — это не финал этапа внедрения, а начало этапа управления качеством. Если персонал не обучен критически оценивать выводы алгоритмов, эффективность внедрения падает, а юридические риски растут. Выигрывают те медицинские центры, которые инвестируют не только в лицензии на софт, но и в «человеческий фактор» — обучение персонала работе с «черным ящиком».

Ключевым фактором успеха становится способность медицинских работников сохранять клиническую гибкость, опираясь на опыт, но проверяя его через призму данных алгоритмов. Рынок труда меняется по принципу: не ИИ заменит радиологов, а специалисты, использующие ИИ, вытеснят тех, кто отказывается от этой технологии.