Очень хороший ответ на вопрос «Почему, умея ставить диагнозы намного лучше радиологов, ИИ до сих пор не заменил радиологов и вряд ли в ближайшее время их заменит».

***

Полный текст: https://www.worksinprogress.news/p/why-ai-isnt-replacing-radiologists

Модель CheXNet умеет выявлять пневмонию точнее, чем группа сертифицированных радиологов. Она появилась в 2017 году, была обучена на более чем 100 000 рентгенов грудной клетки, работает быстро, бесплатно и запускается даже на одной потребительской видеокарте. В больнице она способна классифицировать новый снимок менее чем за секунду.

С тех пор компании вроде Annalise.ai, Lunit, Aidoc и Qure.ai выпустили системы, которые определяют сотни заболеваний на разных видах снимков — быстрее и точнее людей в тестах на бенчмарках. Некоторые решения умеют переставлять очередность заданий радиологов, чтобы критические случаи обрабатывались первыми, подсказывать следующие шаги для врачебных команд или автоматически формировать структурированные черновики отчётов, которые сразу интегрируются в больничные базы данных. А такие продукты, как IDx-DR, получили одобрение на работу вообще без участия врача при чтении изображений. Всего на сегодняшний день FDA одобрило более 700 радиологических моделей, и это около трёх четвертей всех медицинских устройств на основе ИИ.

Радиология вообще выглядит как идеальное поле для замены человека: входные данные цифровые, задача — распознавание образов, метрики понятны и легко проверяются. В 2016 году лауреат премии Тьюринга Джеффри Хинтон даже заявил, что «обучать радиологов больше не стоит». Если бы самые радикальные прогнозы о влиянии ИИ на занятость и зарплаты были верны, радиология должна была бы стать той самой «канарейкой в шахте».

Но произошло обратное: спрос на человеческий труд только вырос. В 2025 году в США программы ординатуры по диагностической радиологии предложили рекордные 1208 мест по всем специальностям — на 4 % больше, чем в 2024-м, при этом уровень незакрытых вакансий остаётся рекордно высоким. Радиология в 2025 году оказалась второй по уровню доходов медицинской специальностью в стране: средний доход составил 520 000 долларов, что на 48 % выше среднего уровня 2015 года. Почему так произошло?

Первое — разрыв между тестами и реальной практикой.

Алгоритмы обучаются на тщательно подготовленных датасетах. Эти снимки сделаны в стандартизированных условиях, на схожем оборудовании, с минимальным «шумом». В реальных же клиниках аппаратура разнородна, протоколы разные, снимки могут быть обрезаны или некачественные. На таких данных точность резко падает. Поэтому успех на академическом бенчмарке ещё не означает клиническую пользу.

Второе — правовые и регуляторные ограничения.

Даже если алгоритм в среднем работает лучше человека, почти нигде не разрешено, чтобы он принимал решения без врачебного контроля. Причина проста: кто отвечает за ошибку? Пока у системы нет «правового лица», вся ответственность ложится на врача или клинику. Страховые компании, лицензирующие органы и профессиональные ассоциации не готовы допускать автономное использование ИИ. Поэтому даже лучшие алгоритмы остаются в роли «второго мнения», а не замены.

Третье — работа радиолога намного шире, чем чтение снимков.

Часто предполагается, что их задача — только идентифицировать патологию. На самом деле значительная часть работы связана с коммуникацией: консультации с другими врачами, обсуждение планов лечения, корректировка протоколов обследований, обучение коллег. Радиологи встроены в систему медицинского принятия решений. Алгоритм может взять на себя часть технической нагрузки, но это лишь освобождает специалистов для других функций, а не исключает их.

Есть ещё и экономическая логика. Когда обработка изображений становится проще и дешевле, снимков начинают делать больше. Это известный эффект Джевонса: удешевление ресурса ведёт не к его исчезновению, а к росту потребления. В итоге не меньше, а больше работы оказывается у тех, кто умеет интерпретировать и использовать результаты.