ИИ в медицине: объясняем, как новая система анализирует рентгеновские снимки

Искусственный интеллект уже умеет находить подозрительные изменения на медицинских снимках. Но у таких систем есть серьёзная проблема: врач часто получает готовый результат, не понимая, почему программа пришла именно к этому выводу.

Исследователи представили систему CLEAR, которая пытается сделать медицинский ИИ более прозрачным. Она анализирует рентгеновские снимки грудной клетки и одновременно показывает, какие признаки повлияли на её решение.

Исследование опубликовано 22 июля 2026 года в журнале Nature Biomedical Engineering.

Понимание решений ИИ

Современные нейросети обучаются на огромном количестве снимков и медицинских заключений. Они находят повторяющиеся закономерности, а затем используют их для анализа новых изображений.

Однако найденная закономерность не всегда имеет медицинский смысл.

Представим, что пациенты с тяжёлыми заболеваниями чаще проходят обследование на переносном рентгеновском аппарате. Нейросеть может связать болезнь не с изменениями в лёгких, а с особенностями оборудования, положением пациента или качеством изображения.

На тестовых данных такая система способна показывать хорошие результаты. Но при использовании в другой больнице качество её работы может резко снизиться.

Врач обычно может объяснить своё заключение: указать на увеличение сердца, затемнение участка лёгкого, скопление жидкости или другие изменения. Обычная нейросеть нередко выдаёт только вероятность заболевания — без понятного объяснения.

Как работает CLEAR

CLEAR пытается приблизить работу искусственного интеллекта к привычной логике медицинского заключения.

Систему обучали на более чем 870 тысячах пар, состоящих из рентгеновского снимка и его текстового описания. В общей сложности использовались данные 239 391 пациента.

Из медицинских заключений исследователи выделили сотни тысяч отдельных наблюдений. Например:

— увеличение размеров сердца;
— скопление жидкости вокруг лёгкого;
— уменьшение объёма лёгких;
— затемнение определённого участка;
— расширение области между лёгкими;
— признаки отёка;
— отсутствие заметных изменений.

Получив новый снимок, CLEAR не просто сообщает о возможной патологии. Система также показывает, какие признаки сильнее всего повлияли на результат.

Условно её ответ может выглядеть так:

«Возможно увеличение сердца. Наибольшее влияние на вывод оказали увеличенная сердечная тень и изменение её формы. Признаки жидкости вокруг лёгких имели меньшее значение».

Врач может проверить эту логику и заметить, если программа опирается на неподходящий или случайный признак.

Во время одного из испытаний CLEAR должна была определять расширение средостения — области между лёгкими, в которой находятся сердце, крупные сосуды и другие органы.

Исследователи обнаружили, что модель слишком часто ориентировалась на сопутствующие изменения: частичное спадение лёгкого и скопление жидкости. Они могли встречаться у тех же пациентов, но сами по себе не доказывали расширение средостения.

Поскольку ход рассуждений CLEAR можно было изучить, неподходящие признаки удалось исключить. После исправления показатель способности системы различать нужные случаи вырос примерно с 72,7% до 78,4%.

С обычной нейросетью найти источник такой ошибки было бы значительно сложнее: она показала бы лишь окончательный результат.

Проверка на снимках из разных стран

CLEAR испытывали на четырёх независимых наборах рентгеновских снимков из США, Испании и Вьетнама. Изображения были предварительно проверены и размечены медицинскими специалистами.

На одном из наборов средний показатель распознавания различных изменений составил 78,2%. У другой известной модели, использованной для сравнения, он был равен 75%.

На испанском наборе данных CLEAR получила в среднем 70%. Другие проверенные системы показали около 66,8%, 59,2% и 52%.

Эти значения не следует понимать как обычный процент правильных диагнозов. Исследователи использовали показатель, оценивающий, насколько хорошо программа отделяет снимки с определённым признаком от снимков без него.

В отдельных задачах — например, при поиске увеличения сердца, отёка, уплотнения лёгочной ткани и частичного спадения лёгкого — результаты CLEAR были сопоставимы с результатами трёх опытных рентгенологов.

Но это не означает, что система уже способна заменить врача. Сравнение проводилось в рамках ограниченного набора заданий и подготовленных исследовательских данных.

Как врачи понимают объяснения ИИ

Объяснения программы полезны только в том случае, если они действительно связаны с медициной. Поэтому авторы исследования пригласили трёх сертифицированных рентгенологов с опытом работы от 9 до 15 лет.

Специалисты оценили признаки, которые CLEAR считала наиболее важными. 89,8% из них врачи признали полезными для диагностики.

Например, при поиске отёка лёгких программа обращала внимание на характерное скопление жидкости и изменения лёгочных сосудов. При оценке увеличения сердца наиболее важными становились непосредственно размеры сердечной тени.

Это не гарантирует, что каждый вывод модели окажется правильным. Зато врач получает возможность понять, имеет ли он разумное медицинское основание.

Важность исследования

В медицине недостаточно просто получить правильный ответ. Необходимо понимать, как именно он был получен.

Прозрачная система позволяет:

— обнаруживать скрытые ошибки в обучающих данных;
— замечать, когда ИИ использует случайные совпадения;
— проверять поведение модели в разных больницах;
— исправлять отдельные причины ошибок;
— контролировать снижение качества после внедрения;
— давать врачу дополнительную информацию для принятия решения.

Вместо ответа «вероятность заболевания — 87%» специалист получает перечень признаков, на которых основан этот результат.

Заключение

Несмотря на хорошие результаты, CLEAR остаётся исследовательской разработкой.

Система предназначена только для рентгеновских снимков грудной клетки. Полученные результаты нельзя автоматически переносить на компьютерную томографию, МРТ или другие виды медицинских изображений.

Для обучения использовались открытые наборы данных. Они не могут полностью представить всё разнообразие пациентов, оборудования и правил работы больниц по всему миру.

Есть и ещё одна проблема: медицинские заключения отличаются по стилю и полноте. Один врач подробно перечисляет все наблюдения, другой описывает только наиболее важные. Эти различия способны влиять на то, какие признаки усваивает система.

Кроме того, испытание на заранее подготовленных данных ещё не равнозначно работе в настоящей больнице. Потребуются дополнительные исследования с участием медицинских учреждений из разных стран.

Главное достижение CLEAR заключается не только в способности распознавать изменения на снимках. Система предлагает способ проверить, почему искусственный интеллект сделал тот или иной вывод.

Возможно, для медицинского ИИ это важнее очередного небольшого улучшения точности. Программа, работающая рядом с врачом, должна быть не только эффективной, но также понятной и контролируемой.

CLEAR пока не превращает нейросеть в полноценного рентгенолога. Но исследование показывает важное направление развития: от непрозрачных алгоритмов, которым предлагают просто доверять, к системам, логику которых специалист может проверить и при необходимости исправить.

Источник:
Tianyu Han и соавторы. «CLEAR: an auditable foundation model for radiology grounded in clinical concepts». Nature Biomedical Engineering, 22 июля 2026 года.

Оригинал исследования:
https://www.nature.com/articles/s41551-026-01741-4