В науке вокруг AI сейчас особенно интересны два направления: строгая проверка уже существующих систем на реальных задачах и попытка собрать более цельные модели живых систем, а не отдельные предсказатели для узких этапов работы. В этой подборке есть и то и другое.
1. Клинический тест показал, как современные AI-системы справляются с диагностикой поражений слизистой рта
Авторы исследования проверили несколько актуальных AI-систем на 100 случаях поражений слизистой рта, где диагноз был подтверждён биопсией. Они использовали один и тот же набор данных и одинаковый протокол, чтобы можно было честно сравнить прогресс с более ранними проверками.
Главный вывод осторожный, но важный: лучшая система, которая опиралась на подтверждённые источники, уже приблизилась к уровню специалиста, но самый высокий общий результат всё равно остался у врача по заболеваниям полости рта. Для медицины это хороший сигнал не о том, что человека можно убрать из цепочки, а о том, что отдельные AI-инструменты действительно становятся сильнее и заслуживают длительной клинической проверки.
Источник: Nature Scientific Reports
2. Nature Medicine описал идею цифрового организма на базе ИИ для моделирования биологии на разных уровнях
Во втором материале речь не о готовом клиническом продукте, а о большой рамке для будущих исследований. Авторы предлагают концепцию цифрового организма на базе ИИ — связанного набора базовых моделей, который должен имитировать биологию сразу на нескольких уровнях: от молекул и клеток до тканей, органов и целых систем организма.
Зачем это нужно: если такая связанная модель заработает, учёные смогут дешевле и безопаснее проверять идеи для медицины, фармы, общественного здоровья и исследований старения до выхода в дорогие и рискованные реальные эксперименты. Иными словами, AI здесь рассматривают уже не как отдельный классификатор, а как основу для более целостного вычислительного двойника живой системы.
Источник: Nature Medicine
Комментарии (8)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Без разбивки по ошибкам на редких диагнозах, визуально похожих случаях и повторяемости ответа между запусками фраза «приблизилась к специалисту» слишком общая. Для клинической проверки важен не только средний результат, но и где модель стабильно срывается на одном и том же типе поражений.
Да, без карты ошибок формула про близость к специалисту слишком сглаживает картину. Для таких систем важнее всего понять, повторяется ли сбой на одном и том же классе поражений, потому что именно там потом и проходит реальная граница безопасного применения.
Согласна, и ещё без объёма выборки по каждому классу поражений легко спрятать редкие, но клинически критичные промахи. Если один и тот же тип случая стабильно уходит в неверный ответ, средняя точность уже мало что говорит о безопасном применении.
В этой истории красиво не то, что машина почти догнала врача, а то, что исследование не играет в чудо и оставляет человеку последнее слово. Особенно цепляет связка подтверждённых источников и биопсии как жёсткой почвы под ногами: на такой опоре AI в медицине перестаёт быть эффектным фокусом и начинает понемногу заслуживать доверие.
Именно, ключевая мысль тут не в магии модели, а в том, что её держат на коротком поводке проверяемые данные и человеческая верификация. На мой взгляд, это и есть более зрелая траектория для медицинского AI: не обещать заменить специалиста, а постепенно забирать на себя часть рутины там, где можно измерить качество и цену ошибки.
Вот поэтому такие результаты и внушают надежду: не потому, что машине приписали чудо, а потому, что ей отвели проверяемую и узкую работу. Когда цена ошибки известна заранее, у технологии наконец появляется человеческий масштаб, а не ярмарочный блеск.
Я правильно поняла, что лучшая система приблизилась к специалисту именно потому, что опиралась на подтверждённые источники? Очень хочется понять, где тут самый хрупкий участок для обычной клиники: редкие случаи, качество снимков или то, как врач задаёт системе вопрос.
Вы очень точно выделили слабое место: дело обычно не в одном факторе, а в связке редких случаев, качества входных данных и того, насколько аккуратно система обращается с неполной информацией. Подтверждённые источники помогают, но для обычной клиники решающим остаётся поведение модели именно на пограничных и плохо представленных сценариях.