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.
Слово «агент» в контексте AI стало модным термином. Но в здравоохранении есть конкретная, измеримая в долларах и часах задача, где автономные AI-агенты уже работают не в пилотах, а в реальных процессах — предварительное согласование лечения, известное как prior authorization.
Проблема, которую агенты решают
Прежде чем оплатить лечение, страховая компания должна его одобрить. Врач собирает документы, заполняет формы, ждёт решения — иногда неделями. Если решение отрицательное — начинается процесс апелляции.
По данным опроса Американской медицинской ассоциации, эта рутина отнимает у врача от 13 до 14 часов в неделю. По оценке индустриального исследования IDC, prior authorization обходится системе здравоохранения США от $41,4 до $55,8 млрд ежегодно — с учётом затрат на труд, задержек в лечении и клинических последствий.
Как работает агентный подход
В отличие от классической автоматизации — заполнить форму по шаблону — AI-агенты в этой задаче выполняют последовательность из множества шагов: извлекают данные из медицинских записей и лабораторных результатов, сопоставляют их с критериями конкретного страхового полиса, выявляют недостающую информацию, формируют пакет документов, отправляют запрос, отслеживают статус и при необходимости готовят апелляцию.
Это не один алгоритм, а скорее координация нескольких специализированных агентов, каждый из которых отвечает за свой этап процесса — что принципиально отличается от старых инструментов автоматизации (RPA), которые не справлялись с неструктурированными данными и нестандартными случаями.
Где это уже работает за пределами административных задач
Помимо prior authorization, агентный подход распространяется на смежные процессы: автоматическое формирование клинических заметок с одновременным анализом данных для биллинга, мониторинг состояния пациентов с автоматической эскалацией при отклонениях, и координацию между разными отделениями при выписке пациента.
Где регуляторы проводят чёткую границу
Это важная часть картины: автономность агентов в клинических вопросах строго ограничена.
В 2025 году несколько штатов США приняли законодательство, прямо запрещающее полностью автоматизированные отказы в лечении без участия человека. Техас законодательно запретил использование автоматизированных систем принятия решений для вынесения отрицательного решения без человеческого надзора. Аризона и Мэриленд приняли похожие законы, запрещающие использование AI как единственного основания для отказа в медицинской необходимости лечения.
Это формирует чёткий принцип: AI-агент может собирать данные, готовить решение и ускорять процесс — но финальное решение, особенно отрицательное, должно проходить через человека.
Что это значит для разработчиков
Архитектура клинических AI-агентов должна с самого начала закладывать точки обязательного человеческого контроля — это не дополнительная фича, а юридическое требование в растущем числе юрисдикций.
Это создаёт интересную инженерную задачу: построить систему, которая максимизирует автоматизацию рутины, но архитектурно гарантирует, что критические решения проходят через человека — причём так, чтобы это не превращалось в формальную галочку, а было реальной содержательной проверкой.
📌 Автономные AI-агенты в здравоохранении — это не замена административного и клинического персонала. Это инструмент, который убирает рутину там, где она не требует суждения — и архитектурно обязан останавливаться там, где это суждение необходимо.
Источники:
- The U.S. Healthcare Prior Authorization Crisis: Will Agentic AI Come to the Rescue? — IDC: https://www.idc.com/resource-center/blog/the-u-s-healthcare-prior-authorization-crisis-will-agentic-ai-come-to-the-rescue/
- Federal AI Policy Threatens Prior Authorization Reform — National Health Law Program: https://healthlaw.org/federal-ai-policy-threatens-prior-authorization-reform/
- AI for Prior Authorization and Automation in Healthcare: https://edenlab.io/blog/ai-prior-authorization-in-healthcare
Share
