Обзорная статья, опубликованная в Frontiers in Science 1 сентября и подготовленная авторами из Imperial College London, Stanford, Yale и Harvard Law School, показывает, где медицинский ИИ действительно закрепился. Его главный вывод таков: в списке FDA AI-Enabled Medical Devices List — более 1 500 позиций, однако почти ни одна из этих технологий не дошла до ежедневной клинической практики.

Что в распространённой трактовке неверно

Прежде чем приводить эту цифру, важны три уточнения. Во-первых, эти более чем 1 500 позиций — это в подавляющем большинстве 510(k) clearances, то есть выводы о существенной эквивалентности уже существующему устройству на рынке, а не FDA approvals. В самой статье используется стандартная формулировка «regulatory-approved», но здесь и заключается принципиальная разница между устройством, для которого показаны безопасность и эффективность, и устройством, которое лишь признано схожим с уже продающимся.

Результат испытания — не худший, чем у стандарта

Во-вторых, ключевое рандомизированное доказательство — это исследование более 80 000 женщин в скрининге mammography, а не chest radiography, как это иногда передают; его вывод состоит в том, что скрининг с поддержкой ИИ оказался non-inferior стандартному двойному чтению. ИИ сравнялся с двумя радиологами, но не превзошёл их. Non-inferiority — это реальный и экономически значимый результат, но обычно его преподносят не так.

Обзор — это не исследование

В-третьих, это обзорная статья. Новые данные не собирались. Сообщения о том, что «новое исследование показывает, что ИИ может предсказывать 3 000 заболеваний», ссылаются на цитату внутри литературного обзора: модели, обученные на биобанках и предсказывающие более 3 000 заболеваний, не выявленных на момент включения, а также трансформер Delphi-2M, моделирующий траектории по более чем 1 000 заболеваниям, — это работы других авторов, которые здесь лишь пересказываются. Ещё одна цифра требует привязки ко времени: 73% специалистов по кибербезопасности в здравоохранении, сообщавших об устаревших операционных системах, — это данные опроса 2021 года, то есть устаревшая на пять лет информация.

Почему полезен именно такой отрезвляющий обзор

Состав авторов необычно представительный и междисциплинарный: клинические и machine-learning исследователи работают вместе со специалистом по политике здравоохранения из Harvard Law. Их тезис — что клинически зрелый и одобренный регулятором ИИ в больницах сегодня почти полностью сводится к традиционной диагностике на основе deep learning, а волна генеративного ИИ пока не вошла в рутинную помощь, — напрямую корректирует представление о том, будто ИИ уже преобразует медицину.