Бауыржан Жакиев 
Исследователи из Калифорнийского университета в Сан-Диего представили революционный искусственный интеллект, способный кардинально изменить медицинскую диагностику. Новая система повышает точность анализа медицинских изображений на 10-20%, при этом требуя в 20 раз меньше данных для обучения. Это открывает двери для быстрого, доступного и точного выявления заболеваний даже в клиниках с ограниченными ресурсами.
Одной из ключевых задач современной медицины является сегментация изображений — процесс, при котором каждый пиксель на снимке, будь то МРТ или УЗИ, размечается для определения границ органов, здоровых тканей или раковых опухолей. Эта работа критически важна для постановки диагноза и планирования лечения. Традиционно ее вручную выполняют высококвалифицированные радиологи, затрачивая на это колоссальное количество времени. В последние годы на помощь пришли нейросети, но у них есть существенный недостаток: для эффективного обучения им требуются огромные массивы данных — тысячи размеченных экспертами снимков, которых часто просто нет, особенно для редких заболеваний.
Разработанный ИИ решает эту проблему нехватки данных. Вместо того чтобы полагаться на тысячи реальных примеров, он может обучаться всего на нескольких десятках. Суть технологии заключается в уникальном подходе: система использует так называемые маски сегментации — цветовые схемы, указывающие, где на изображении находятся патологии, — чтобы научиться генерировать новые, синтетические снимки. Затем она объединяет эти искусственные изображения с масками, создавая совершенно новые наборы данных для собственного обучения.
Но главная инновация заключается в системе обратной связи. Производительность самой модели сегментации напрямую влияет на процесс генерации новых данных. Как объясняют разработчики, «вместо того чтобы рассматривать генерацию данных и обучение модели как две отдельные задачи, эта система впервые их объединяет». Иначе говоря, ИИ создает не просто реалистичные картинки, а именно те изображения, которые помогут ему лучше всего научиться распознавать заболевания. Такой подход кардинально повышает итоговую точность.
Эффективность инструмента была подтверждена в ходе масштабного тестирования на 19 различных наборах данных, охватывающих 11 медицинских задач. Система продемонстрировала выдающиеся результаты в самых разных областях: от обнаружения поражений кожи и рака груди до выявления полипов в кишечнике и диабетических язв. Более того, ИИ успешно справляется и с трехмерными задачами, такими как картирование печени или гиппокампа, доказывая свою универсальность.
Этот прорыв может демократизировать использование передовых технологий в медицине. Возможность обучать ИИ на малых объемах данных снимает основной барьер для небольших больниц и клиник, которые ранее не могли позволить себе разработку дорогостоящих диагностических инструментов. «Этот проект был рожден из необходимости преодолеть эту проблему и сделать мощные инструменты сегментации более практичными и доступными, особенно в сценариях, где данных мало», — отмечают авторы исследования.
Команда из Сан-Диего не планирует останавливаться на достигнутом. В их планах — дальнейшее усовершенствование системы, включая возможность интеграции обратной связи от врачей непосредственно в процессе обучения ИИ. Это позволит нейросети еще точнее адаптироваться к реальным клиническим случаям. В долгосрочной перспективе эта технология обещает более быструю диагностику, снижение нагрузки на медицинский персонал и, как следствие, улучшение результатов лечения для пациентов по всему миру.