В России создали универсальную ИИ-систему для анализа медснимков

Российские исследователи представили прототип искусственного интеллекта, способного работать сразу с несколькими видами медицинских изображений. Система под названием «Инновит» анализирует результаты КТ, МРТ, рентгенографии, маммографии и УЗИ, ищет патологические изменения, отмечает подозрительные области и формирует текстовое описание исследования. В перспективе такой инструмент может стать универсальным цифровым помощником врача. Однако до полноценного применения в клиниках разработке еще предстоит пройти независимую проверку и подтвердить безопасность на реальных пациентах.

Что известно об «Инновите».

Прототип разработала команда Института искусственного интеллекта Университета Иннополис, в которую вошли специалисты по машинному обучению, инженеры данных и клинические эксперты. О системе рассказали в марте 2026 года.

Главная особенность «Инновита» заключается в попытке объединить несколько диагностических задач в рамках одной модели. Большинство существующих медицинских алгоритмов создают для конкретного сценария: один ищет признаки пневмонии на рентгенограммах грудной клетки, другой обнаруживает новообразования на маммограммах, третий анализирует КТ головного мозга. Для каждого направления клинике приходится подключать и обслуживать отдельное программное решение.

Разработчики «Инновита» выбрали другой подход. По их заявлению, одна система может обрабатывать изображения, полученные с помощью разных диагностических методов, выполнять несколько типов анализа и создавать текстовое описание результата.

В число заявленных возможностей системы входят:

• анализ КТ, МРТ, рентгенограмм, маммограмм и изображений, полученных при УЗИ;
• распознавание патологических признаков;
• поиск и выделение подозрительных областей;
• определение границ обнаруженных изменений;
• формирование предварительного текстового описания исследования.

КТ — компьютерная томография, МРТ — магнитно-резонансная томография, УЗИ — ультразвуковое исследование. Эти методы используют разные физические принципы и создают изображения, существенно отличающиеся по структуре и диагностической ценности.

Важное уточнение: «Инновит» пока называют прототипом. Это означает, что публичная презентация технологии не равнозначна ее допуску к клиническому применению. В открытых материалах пока нет полного набора результатов независимых испытаний, который позволил бы оценить чувствительность, специфичность, частоту ложных тревог и устойчивость системы при работе с оборудованием разных производителей.

Нельзя делать вывод о надежности алгоритма только по размеру обучающего массива или числу поддерживаемых форматов. Медицинская система должна хорошо работать не только на данных, похожих на обучающие, но и на снимках из других клиник, на редких патологиях, при низком качестве изображения и в сложных диагностических случаях.

Как устроена универсальная модель.

Основой «Инновита» стала архитектура Florence-2 — фундаментальная визуально-языковая модель, разработанная для решения разных задач компьютерного зрения. Она может создавать описания изображений, находить объекты по текстовому запросу и выделять отдельные области. Российские специалисты адаптировали архитектуру к медицинским данным.

Фундаментальная модель — крупная нейросеть, которую предварительно обучают на большом и разнообразном наборе данных. В дальнейшем ее можно дополнительно обучить для решения специализированных задач, не создавая каждый алгоритм с нуля.

По информации разработчиков, для «Инновита» была создана новая функция потерь. Этот математический механизм используется во время обучения нейросети и показывает, насколько ее ответ отличается от правильного результата. Постепенно уменьшая вычисленную ошибку, модель корректирует внутренние параметры и учится точнее выполнять поставленную задачу.

Функция потерь, или loss function, переводит ошибку алгоритма в числовое значение. Чем меньше это значение, тем ближе результат модели к эталонной разметке, подготовленной для обучения.

После адаптации модель дополнительно обучили на наборе из более чем 100 тыс. медицинских изображений. В него вошли исследования разных анатомических областей и диагностических модальностей. Такой подход должен помочь алгоритму находить общие закономерности и переносить полученные представления между задачами.

При этом сам по себе объем в 100 тыс. изображений не позволяет судить о качестве обучающей базы. Не менее важны разнообразие данных, соотношение распространенных и редких диагнозов, качество врачебной разметки, количество медицинских организаций и характеристики оборудования, на котором были получены изображения.

В дальнейшем команда планирует расширять обучающий набор и интегрировать систему с большими языковыми моделями. Предполагается, что это позволит учитывать сведения из электронной медицинской карты и сопоставлять новый снимок с предыдущими исследованиями пациента.

Большая языковая модель, или LLM, — нейросеть, способная анализировать и создавать текст. В медицинской системе она может использоваться для обработки записей врачей и подготовки описаний, но ее выводы необходимо проверять, поскольку такие модели иногда формируют убедительные, но фактически неверные утверждения.

Клинический контекст действительно важен. Одно и то же изменение на снимке может иметь разное значение в зависимости от возраста пациента, жалоб, результатов анализов, перенесенных заболеваний и динамики предыдущих обследований. Однако подключение языковой модели одновременно повышает требования к контролю качества: автоматически сформированный текст не должен восприниматься как готовое врачебное заключение без проверки специалистом.

Почему медицина движется к универсальным ИИ-системам.

Анализ медицинских изображений стал одним из основных направлений применения искусственного интеллекта в здравоохранении. Снимки уже хранятся в цифровом виде, а многие диагностические задачи можно формализовать: найти образование, определить его размеры, сравнить с предыдущим исследованием или выделить случай, требующий срочного внимания врача.

На практике медицинский ИИ чаще всего используется как система поддержки принятия решений. Алгоритм не должен самостоятельно назначать лечение или ставить окончательный диагноз. Его задача — привлечь внимание специалиста к подозрительной области, выполнить измерения, помочь распределить исследования по срочности или подготовить черновик описания.

Потенциальную пользу такого подхода демонстрирует шведское исследование MASAI, посвященное маммографическому скринингу. В нем участвовали более 100 тыс. женщин. В экспериментальной группе искусственный интеллект оценивал маммограммы, распределял их по уровню риска и помогал рентгенологам находить подозрительные изменения.

По результатам анализа, опубликованного в 2025 году, схема с поддержкой ИИ позволила обнаружить на 29% больше случаев рака по сравнению со стандартным двойным чтением маммограмм. При этом расчетная нагрузка, связанная с просмотром исследований рентгенологами, уменьшилась примерно на 44%.

Последующее наблюдение, результаты которого опубликовали в 2026 году, показало, что частота интервальных случаев рака составила 1,55 случая на тысячу женщин в группе с поддержкой ИИ и 1,76 случая на тысячу в контрольной группе. Разница соответствовала снижению примерно на 12%. Частота ложноположительных результатов в двух группах оставалась близкой.

Интервальным называют рак, который диагностируют после отрицательного результата планового скрининга, но до следующего предусмотренного обследования. Такие случаи считаются одним из важных показателей эффективности скрининговой программы.

Исследование MASAI не доказывает эффективность любой медицинской нейросети и не показывает, что ИИ способен заменить врача. Оно демонстрирует пользу конкретной системы в строго определенном сценарии, при заданной организации работы и обязательном участии рентгенологов.

За рубежом также появляются фундаментальные модели, рассчитанные сразу на несколько задач. Один из примеров — Pillar-0, представленный исследователями в 2025 году. Модель обучалась на объемных КТ и МРТ и оценивалась по 366 радиологическим признакам. В опубликованном препринте авторы сообщили, что на внутренних тестовых наборах она превосходила несколько других моделей на 7,8–15,8 пункта по среднему показателю AUROC.

AUROC — статистический показатель, который отражает способность алгоритма различать случаи с определенным признаком и без него при разных порогах принятия решения. Значение ближе к единице обычно указывает на более высокую различающую способность модели.

Прямо сравнивать Pillar-0 и «Инновит» некорректно. Они обучались на разных данных, поддерживают разные наборы исследований и оценивались по разным методикам. Кроме того, результаты Pillar-0 были опубликованы как препринт, то есть на момент публикации еще не обязательно прошли полноценное независимое рецензирование.

Что универсальная система может изменить в клиниках.

Если заявленные возможности «Инновита» подтвердятся, универсальная модель может уменьшить число отдельных программных продуктов, которые приходится внедрять медицинской организации. Вместо нескольких интерфейсов и независимых интеграций клиника получит единую платформу для разных типов исследований.

Такой подход способен упростить техническое обслуживание, обучение сотрудников и подключение системы к архивам медицинских изображений. Он также может ускорить внедрение новых функций: разработчикам не придется каждый раз создавать отдельную технологическую основу.

Для врача наиболее реалистична роль интеллектуального ассистента. Система может проводить первичную разметку, подсвечивать подозрительные зоны, выполнять измерения и предлагать структуру описания. Специалист проверяет результат, сопоставляет его с клиническими данными и принимает окончательное решение.

Особенно полезными такие инструменты могут оказаться в медицинских организациях с большим потоком исследований и дефицитом специалистов. Однако экономия времени возможна только при достаточно низком числе ошибок. Если алгоритм создает слишком много ложных предупреждений, врачу приходится проверять каждое из них, и нагрузка не уменьшается, а растет.

Универсальность также создает дополнительные риски. Ошибка в базовой модели может повлиять сразу на несколько диагностических направлений. Хорошие средние показатели способны скрывать низкое качество при отдельных заболеваниях, в определенных возрастных группах или на снимках, полученных на конкретном оборудовании.

Что отделяет прототип от клинического применения.

Для реального внедрения недостаточно показать, что нейросеть умеет обрабатывать изображения и генерировать связный текст. Разработчикам необходимо продемонстрировать, что система стабильно работает на независимых данных и приносит измеримую пользу в клиническом процессе.

До использования системы при оказании медицинской помощи необходимо оценить:

1. точность для каждого заявленного вида исследования, анатомической области и патологического признака;
2. устойчивость результатов на оборудовании разных производителей;
3. качество работы с редкими заболеваниями и нетипичными клиническими случаями;
4. частоту ложноположительных и ложноотрицательных результатов;
5. надежность автоматически сформированных текстовых описаний;
6. защиту медицинских данных и разграничение доступа к ним;
7. влияние системы на время работы врача, число дополнительных обследований и клинические решения.

Наиболее убедительной проверкой станет проспективное исследование, при котором алгоритм оценивают в реальном потоке пациентов по заранее утвержденному протоколу. Желательно, чтобы испытания проходили в нескольких медицинских организациях и включали оборудование разных производителей.

Проспективное исследование — исследование, в котором результаты собирают после утверждения протокола и наблюдают за заранее определенной группой пациентов. Такой подход снижает риск выбора только удобных для анализа данных.

Если «Инновит» будут выводить на рынок как программное обеспечение, являющееся медицинским изделием, разработчикам потребуется пройти предусмотренные законодательством процедуры. Они включают подтверждение качества, эффективности и безопасности, государственную регистрацию и, в установленных случаях, последующий мониторинг работы продукта.

Отдельный вопрос — распределение ответственности. В интерфейсе должно быть ясно указано, что именно обнаружил алгоритм, насколько он уверен в результате и какие данные использовал. Врач должен иметь возможность проверить вывод, изменить автоматически подготовленный текст и понять, когда система вышла за пределы своей подтвержденной области применения.

Заключение.

«Инновит» отражает важную тенденцию в медицинском искусственном интеллекте: разработчики постепенно переходят от множества узкоспециализированных алгоритмов к универсальным моделям, способным работать с разными изображениями и выполнять несколько задач.

Потенциальные преимущества такого подхода очевидны. Единая система может упростить внедрение ИИ, сократить объем рутинной работы, помочь врачу быстрее находить подозрительные изменения и готовить описание исследования. Особенно востребованным это может оказаться там, где поток диагностики растет быстрее, чем число специалистов.

Но универсальность не является гарантией качества. Реальную ценность «Инновита» определят результаты независимых клинических испытаний, прозрачность методики, устойчивость к редким случаям и безопасность автоматически создаваемых текстов. Пока систему корректнее называть перспективным прототипом и технологической платформой, а не готовой заменой врача. Ее наиболее реалистичная роль — помощник специалиста, который ускоряет анализ, но не принимает окончательных медицинских решений.

---