В 2016 году Джеффри Хинтон, нобелевский лауреат и «крёстный отец ИИ», предсказал, что радиологи — врачи, читающие рентгеновские снимки, УЗИ и другие изображения для постановки диагнозов, — окажутся заменены компьютерами в течение пяти лет. Сегодня эта сфера может парировать знаменитой шуткой Марка Твена: «Слухи о моей смерти были сильно преувеличены».
Число радиологов на самом деле неуклонно растёт, и ожидается, что за три десятилетия количество практикующих врачей увеличится на 26 процентов и более. Однако то, что Хинтон, возможно, упустил из виду динамику рынка труда, не должно затмевать его прозорливость: он был прав, что теперь у врачей-людей появился кремниевый коллега, который не уступает им в результатах или даже превосходит их. Фактически радиология — безусловный центр применения ИИ в медицине, что делает её индикатором внедрения экспертных систем принятия решений в здравоохранении и, возможно, в других областях.
По состоянию на начало 2026 года около трёх четвертей из 1400 медицинских устройств с ИИ, одобренных Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов, предназначались для радиологии. Некоторые из них повышают эффективность врачей, составляя отчёты или предупреждая о снимках, требующих срочного внимания. Но другие инструменты ИИ могут улучшить человеческие результаты, выявляя аномалии, которые не видны человеческому глазу, или интерпретируя изображения так же хорошо, а иногда и лучше обученных радиологов. Например, анализ 43 клинических испытаний показал, что колоноскопия с ИИ выявляет больше полипов, чем традиционная.
Повышение точности важно, поскольку средний уровень человеческих ошибок при работе с диагностическими изображениями оценивается от 3 до 5 процентов, что составляет около 40 миллионов ошибок в год во всём мире. Однако решение не так просто, как замена людей машинами. Спустя десять лет после сенсационного предсказания Хинтона главный вопрос не в том, человек или ИИ статистически лучше справляется с конкретной задачей, а в том, как объединить техническую точность ИИ с опытом и гибкостью человека, чтобы повысить точность на благо пациентов.
,
Работая вместе
Поиск наилучшего способа создания такой совместной системы непрост. Даже если ИИ в среднем надёжнее опытного радиолога в интерпретации некоторых снимков, он всё равно будет совершать ошибки, которых человек бы не допустил, говорит радиолог Кёртис Лэнглотц, директор Центра искусственного интеллекта в медицине и визуализации Стэнфордского университета. Это ставит перед радиологами задачу оценивать каждое решение ИИ — подавляющее большинство из которых будет верным — и выявлять редкие случаи, когда алгоритм ошибся.
«Это требует полной перенастройки мышления», — говорит радиолог Пол Йи, руководитель отдела интеллектуальной визуализации в Детской исследовательской больнице Святого Иуды в Мемфисе, штат Теннесси.
Врачи привыкли отменять решения компьютеров, но сейчас ситуация иная. Электронные медицинские записи с оповещениями на основе алгоритмов с правилами уже десятки лет предупреждают врачей о потенциально опасных взаимодействиях лекарств. Врачи обычно игнорируют такие предупреждения примерно в половине случаев, говорит Лэнглотц. «Я получу совет от компьютера и должен буду оценить его в контексте всей остальной информации о пациенте и просто принять наилучшее решение», — отмечает он.
В отличие от этого, системы ИИ для анализа изображений в радиологии обычно основаны на нейросетях, которые могут определять подтипы опухолей, очерчивать границы поражений и выполнять другие диагностические задачи с высокой точностью. В отличие от алгоритмов, основанных на правилах, которые дают ответы или подсказки, понятные врачам на основе их медицинских знаний, нейросети называют «системами чёрного ящика». Такие модели ИИ обычно не раскрывают, как они пришли к решению, что делает задачу радиолога по принятию решения об отмене гораздо более непрозрачной.
,
«Это действительно аномалия или я что-то упускаю из того, что ИИ своим тонким умом или чем-то ещё выявляет? — говорит Чарльз Кан, редактор журнала Radiology: Artificial Intelligence, издания Радиологического общества Северной Америки. — И это для нас очень сложно».
Право вето
Лэнглотц приводит пример теоретического инструмента ИИ, который может обнаруживать 95 процентов узелков в лёгких на КТ грудной клетки, в то время как радиологи обнаруживают 90 процентов. «Некоторые скажут: “О, ИИ лучше радиологов, значит, надо заменить всех радиологов ИИ”, — говорит он. — Но я скажу вам, что радиолог обнаружит часть тех 5 процентов, которые пропустила машина. И это потому, что машинный интеллект и человеческий интеллект — это разные виды интеллекта».
ИИ может проанализировать каждый пиксель изображения, не уставая и не отвлекаясь, и сравнить его с каждым другим изображением, которое он когда-либо видел. В свою очередь, понимание болезней позволяет радиологам интерпретировать изображения так, как ИИ не способен.
«Как обеспечить, чтобы, когда ИИ и радиолог естественным образом думают по-разному, радиолог каждый раз принимал верное решение ИИ и отвергал ошибочное? — говорит Нина Коттлер, главный медицинский специалист по ИИ компании Mosaic Clinical Technologies. —Это непросто, но способы существуют».
Стремясь создать идеальную команду ИИ и человека, радиологи по всему миру учатся сотрудничать с ИИ, чтобы получить от него пользу для себя и пациентов. Это сотрудничество требует работы с неосознанными предубеждениями, которые заставляют врача либо слишком полагаться на ИИ, либо необоснованно отвергать его ответы. Поэтому для оптимальной работы с такими системами радиологам необходимо понимать общую надёжность ИИ, но при этом уметь замечать его ошибки.
,
«Полезно немного знать, как работают эти системы, чтобы лучше понимать, когда алгоритм может сбить с толку», — говорит Лэнглотц.
Всякий раз, когда человек или машина допускает ошибку типа «да/нет» при интерпретации медицинского изображения, есть два возможных пути ошибки: ложноотрицательный результат пропускает наличие заболевания, а ложноположительный видит болезнь там, где её нет.
Для редких заболеваний — а большинство болезней относительно редки — любой диагностический метод будет давать много ложноположительных результатов просто потому, что он встречает большое количество людей без заболевания, что даёт больше возможностей для ложных тревог. Врач должен уметь распознавать и отменять эти ложноположительные результаты, одновременно правильно выявляя относительно редкие верные диагнозы машины. Чрезмерная вера в результаты машины — положительные или отрицательные — называется автоматизационным смещением.
Но также важно избегать принятия ложноотрицательных результатов. Например, система ИИ может не заметить наличие крови в мозге на КТ или МРТ, когда она на самом деле есть. Доверие к таким упущениям называется автоматизационной самоуспокоенностью.
«Обе проблемы связаны с тем, что ИИ изменяет уровень подозрительности радиолога без осознания этого», — говорит Коттлер. Со временем люди могут начать слишком сильно верить ответам ИИ. Одно исследование показало, что даже опытные радиологи демонстрировали значительное снижение точности интерпретации маммограмм, когда их решения принимались под влиянием неверных прогнозов ИИ.
С другой стороны, проблема недоверия к ИИ более интуитивна. Многие люди будут естественно с подозрением относиться к новой технологии — особенно к той, которую обвиняют в потенциальном лишении их работы, — пока она не докажет свою ценность. И не помогает то, что в остальном надёжные системы ИИ совершают очевидные ошибки, отличающиеся от человеческих. «Ты видишь глупую ошибку, глупый ложноположительный результат, и думаешь: “Ну конечно, ИИ не умный”, и можешь его проигнорировать», — говорит Коттлер.
,
Она предлагает бороться с этими предубеждениями, отслеживая со временем, насколько часто радиологи соглашаются или не соглашаются с их коллегами-ИИ, и вмешиваясь, если они, похоже, заходят слишком далеко в ту или иную сторону. «Если радиологи принимают результат ИИ 99 раз из ста, а мы знаем, что его точность составляет всего 95 процентов, мы идём и беседуем с этим радиологом», — говорит Коттлер.
Но просто сказать радиологам, что инструмент ИИ точен на 95 процентов, недостаточно, считает Коттлер. Обучение необходимо, чтобы врачи знали, на что обращать внимание и когда. Им нужно знать, например, что определённый инструмент ИИ будет ошибаться в 30 процентах сканирований, если пациент двигался в сканере. Однако более четверти врачей, ответивших на опрос Американской медицинской ассоциации в 2026 году, заявили, что не прошли никакого обучения по ИИ, и только 11 процентов сообщили, что прошли серьёзное обучение.
Коттлер также выступает за то, чтобы инструменты ИИ сообщали оценку уверенности для каждого анализа вместо простого ответа «да/нет», поскольку ни один радиолог не может знать тонкости множества систем ИИ. А эти системы будут только множиться числом и сложностью.
«Мы находимся в самом начале понимания того, как оптимизировать человеко-машинную систему», — говорит Лэнглотц. Важно, чтобы радиологи сегодня осознали то же самое, что он сказал почти десять лет назад, опровергая предсказание крёстного отца ИИ: дело не в том, что ИИ заменит радиологов. Радиологи, использующие ИИ, заменят радиологов, которые его не используют.
Эта история первоначально появилась в журнале Knowable Magazine. Прочитайте оригинальную статью здесь.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Lola Butcher
