The post has been translated automatically. Original language: Russian
The radiologist looks at the CT scan. There are hundreds of slices and thousands of details in front of him. He reviews dozens of such studies per day. By the end of the shift — fatigue, decreased concentration, cognitive load.
The computer vision algorithm looks at the same image. He doesn't get tired. He doesn't get distracted. Processes each pixel with the same accuracy — the first image per shift and the last one.
This does not mean that the algorithm is better than the doctor. This means that they are good at different things. And it is this combination that changes the medical diagnosis.
Why medical imaging is an ideal task for computer vision
Computer vision works best where there is a large amount of labeled data and a clear criterion for the correct answer.
Medical imaging is ideal: decades of CT scans, MRI scans, X-rays, and histological preparations with verified diagnoses. Millions of images where the correct answer is known. This is an ideal training dataset.
Convolutional neural networks (CNNs) are able to extract hierarchical features from images: from edges and textures at a low level to complex anatomical patterns at a high level. This is what makes them a powerful tool for analyzing medical images.
Where computer vision is already changing diagnostics
Oncology. The detection of skin cancer from dermatoscopic photographs is one of the first areas where algorithms have achieved the accuracy of a dermatologist. A 2017 Stanford study showed that CNN diagnoses melanoma with an accuracy comparable to an experienced specialist based on a sample of 130,000 images.
Screening of cervical cancer by cytological smears, detection of polyps during colonoscopy in real time, analysis of biopsy preparations for prostate cancer — everywhere algorithms are already working in clinical practice or are undergoing final tests.
Ophthalmology. Diabetic retinopathy is one of the leading causes of blindness in the world. Screening requires the analysis of fundus images by an experienced ophthalmologist. There are not enough specialists, especially in countries with developing medicine.
Google has developed an algorithm that detects diabetic retinopathy with 90% sensitivity and 98% specificity — surpassing the average ophthalmologist. The system has already been deployed in clinics in Thailand and India, where the shortage of specialists is critical.
Radiology. Pneumonia, pneumothorax, fractures on X—rays - algorithms detect them with high accuracy. Stanford's CheXNet detects pneumonia on an X-ray better than the average radiologist on a standard dataset.
An important caveat: "better than the average radiologist on a standard dataset" does not equal "better in real clinical practice." The real pictures are dirtier, the patients are more complex, and the context is richer. This is an honest limitation that is important to understand.
Pathology. The analysis of histological preparations is one of the most time—consuming processes in oncology. The pathologist spends hours examining tissue sections under a microscope. Computer vision algorithms can automatically segment cells, classify tissue types, and detect malignant changes — many times faster than humans.
Where does the algorithm see what a human is missing
This is the most interesting part. There are tasks where computer vision detects patterns that humans are physically unable to see.
Prediction of cardiovascular risk based on retinal imaging. It sounds incredible, but Google's algorithm has found that based on the characteristics of the blood vessels in the fundus image, it is possible to predict the patient's age, gender, diabetes, and risk of heart attack. The human eye does not see these patterns — they are statistically significant only in large samples.
Prediction of genetic mutations based on histological images of a tumor — without expensive genetic testing. The algorithm finds visual correlates of genetic changes that the pathologist is not trained to notice.
Technical challenges
There are several problems that engineers are solving right now.
Data quality and markup. Medical images from different clinics — different equipment, different protocols, different quality. A model trained on data from one clinic may not work well in another. Domain adaptation — adapting the model to new data sources is an active area of research.
Explainability. The doctor should understand why the algorithm made this particular diagnosis. Activation visualization methods — Grad-CAM, SHAP — show which areas of the image the model is looking at. But there is no complete explainability yet.
Rare diseases. The algorithm is good where there are many training examples. For rare pathologies, there is little data, and accuracy drops sharply. Few-shot learning and synthetic data augmentation partially solve the problem.
What does this mean for IT developers?
Medical computer vision is a specialized field with its own standards. DICOM, a medical image format, requires specific libraries and an understanding of metadata. The regulatory requirements for model validation are much stricter than in a conventional CV.
But the market is huge. It is estimated that the market for AI-based medical imaging solutions alone will exceed $20 billion by 2030. And this is one of the few areas where AI has already proven its clinical value with a solid evidence base.
Computer vision is not a substitute for a radiologist or pathologist. It makes their work more accurate, faster and more accessible where there are not enough specialists. This is a rare case when AI in medicine has gone from hype to real clinical results.
Двадцать лет назад каждый банк строил свою инфраструктуру в изоляции. Сегодня финтех-стартап может за недели интегрироваться с десятками банков через открытые API и предложить продукт, недоступный ни одному банку по отдельности.
Здравоохранение проходит похожий, но более медленный путь. И понимание того, где этот путь уже открылся — реальная возможность для IT-команд.
Что изменилось за последние годы
Долгое время медицинские информационные системы были закрытыми экосистемами. Хочешь интегрироваться с конкретной МИС — заключай дорогой контракт с вендором, жди месяцами кастомной разработки.
Регуляторное давление изменило эту картину. В США правило о Information Blocking, вступившее в силу в 2021 году, юридически обязало крупных поставщиков медицинских IT-систем предоставлять открытый API-доступ к данным пациентов по стандарту HL7 FHIR. Европа движется в аналогичном направлении в рамках European Health Data Space.
Это не техническая деталь — это фундаментальный сдвиг рынка. Закрытые системы, которые годами удерживали клиентов через несовместимость, теперь юридически обязаны открываться.
Где API-экономика уже создаёт новые бизнес-модели
Агрегаторы медицинских данных. Компании вроде Particle Health и 1upHealth построили бизнес на агрегации данных пациента из множества разрозненных систем через FHIR API — предоставляя единую точку доступа разработчикам, которым иначе понадобились бы десятки отдельных интеграций.
Платформы для разработчиков сторонних приложений. Apple Health Records интегрируется с сотнями больничных систем через стандартизированные API, позволяя пациентам видеть свою медицинскую историю в одном приложении — независимо от того, в скольких разных клиниках они лечились.
Специализированные сервисы поверх существующей инфраструктуры. Вместо того чтобы строить собственную МИС с нуля — что требует огромных инвестиций и времени — стартапы создают узкоспециализированные продукты, которые подключаются к существующим системам через API: инструменты для координации лечения хронических заболеваний, платформы для clinical trial matching, сервисы для управления медикаментозной терапией.
Телемедицинские платформы как API-слой. Современные телемедицинские решения редко строят всё с нуля — они комбинируют API для видеосвязи, API для электронных рецептов, API для интеграции с медицинскими картами в единый пользовательский опыт.
Технические особенности медицинского API-ландшафта
FHIR — Fast Healthcare Interoperability Resources — стал доминирующим стандартом, построенным на привычной для разработчиков логике REST API с ресурсами в формате JSON или XML. Это значительно снижает порог входа по сравнению с предыдущими медицинскими стандартами обмена данными, которые были громоздкими и сложными в реализации.
Однако специфика остаёть: каждый ресурс FHIR — пациент, наблюдение, медикамент, процедура — имеет строго определённую структуру с десятками опциональных полей, и правильная работа с этой структурой требует понимания клинической семантики, а не просто умения парсить JSON.
Аутентификация и авторизация в медицинских API строятся на стандарте SMART on FHIR — расширении OAuth2, специально адаптированном под требования здравоохранения к контролю доступа на уровне конкретных типов данных и согласия пациента.
Где остаются барьеры
Не все системы одинаково открыты. Крупные вендоры МИС выполняют регуляторные требования по минимуму, оставляя многие полезные данные за пределами обязательного API-покрытия. Качество и полнота данных через API сильно варьируется между организациями — теоретический стандарт не гарантирует практической полноты.
Казахстан и страны Центральной Азии находятся на более ранней стадии этого перехода — национальная инфраструктура электронного здравоохранения развивается, но открытая API-экосистема для сторонних разработчиков пока далека от уровня зрелости западных рынков.
Почему это перспективное направление именно сейчас
Рынок только открывается. Регуляторное давление продолжает расти, вендоры постепенно адаптируются, а количество качественных продуктов, построенных поверх открытых медицинских API, пока значительно меньше спроса.
Для разработчиков это означает: компетенция в работе с FHIR и медицинскими интеграциями сегодня значительно более востребована, чем количество специалистов, которые ею реально владеют.
📌 API-экономика в здравоохранении повторяет путь, который финтех прошёл десятилетие назад — от закрытых систем к открытым интеграциям, создающим целые новые категории продуктов. Разница в том, что в медицине этот переход происходит сейчас, и окно возможностей для новых игроков ещё широко открыто.
Share
