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.
Классический agile построен на одной идее: выпускай чаще, получай обратную связь быстрее, итерируй непрерывно. Continuous deployment — несколько релизов в день — стандарт для многих успешных продуктовых команд.
В медицинском софте эта логика разбивается о суровую реальность: каждое изменение в системе, которая влияет на безопасность пациента, требует документированной валидации. Деплоить «несколько раз в день» здесь означает «несколько раз в день проходить процесс, который по умолчанию рассчитан на недели».
Но это не значит, что agile и DevOps бесполезны в медицине. Это значит, что их нужно адаптировать — и команды, которые научились это делать, получают серьёзное конкурентное преимущество.
Почему классический CI/CD не работает в чистом виде
Стандарт IEC 62304, который регулирует разработку медицинского ПО, требует формальной верификации и валидации для большинства изменений в коде. Risk management по ISO 14971 требует анализа, как любое изменение влияет на профиль рисков продукта.
Это означает: нельзя просто слить код в main и автоматически задеплоить в продакшен, как в типичном SaaS-продукте. Нужна документированная цепочка: что изменилось, почему, какие риски это создаёт, как это протестировано, кто одобрил.
Полностью автоматизировать этот процесс до уровня «деплой по нажатию кнопки» в строгом смысле нельзя — человеческая верификация требований регуляторики обязательна.
Как команды адаптируют agile под эти требования
Документация как часть definition of done. В обычном продукте задача считается выполненной, когда код работает и протестирован. В медицинском продукте definition of done включает обновление трассируемости требований, обновление risk-анализа и формальную проверку соответствия классу риска ПО. Команды, которые встраивают это в спринт с самого начала, а не оставляют на потом, двигаются значительно быстрее тех, кто пытается «доделать документацию в конце».
Разделение на risk-tiers. Не все изменения требуют одинакового уровня проверки. Изменение текста в интерфейсе и изменение алгоритма расчёта дозировки препарата — это совершенно разные уровни риска. Зрелые команды выстраивают процесс так, чтобы низкорисковые изменения проходили облегчённый цикл проверки, а высокорисковые — полный.
CI/CD для всего, кроме финального релиза в продакшен. Автоматизированное тестирование, статический анализ кода, проверка покрытия тестами — всё это можно и нужно автоматизировать так же, как в обычном DevOps. Узкое место — это финальный шаг релиза в клиническое использование, который требует формального sign-off. Хорошая инженерная практика — максимально автоматизировать всё до этой точки, чтобы сам момент проверки занимал минимум времени.
Feature flags для контролируемого внедрения. Вместо релиза новой функциональности всем пользователям одновременно — постепенное включение для ограниченной группы с тщательным мониторингом. Это снижает риск и даёт возможность быстро откатить изменение, если что-то пошло не так — даже в строго регулируемой среде.
Что DevOps-команды делают по-другому
Версионирование становится не просто хорошей практикой, а юридическим требованием — каждая версия ПО, развёрнутая у клиента, должна быть точно идентифицируема, и должна существовать возможность откатиться к предыдущей валидированной версии в любой момент.
Логирование и мониторинг приобретают дополнительное измерение: помимо технических метрик, нужен аудиторский след для регулятора — кто внёс изменение, когда, на основании какого требования.
Инфраструктура как код становится критически важной для воспроизводимости: регулятор должен иметь возможность убедиться, что развёрнутая система точно соответствует валидированной конфигурации.
Конкретный пример из практики
Зрелые медицинские IT-команды часто выстраивают так называемый «medical device pipeline» — модифицированный CI/CD, где после стандартных этапов сборки и тестирования добавляется этап генерации регуляторной документации: автоматическое обновление трассировочной матрицы требований, формирование отчёта об изменениях для системы менеджмента качества, проверка соответствия классу риска.
Это требует написания специализированных инструментов, которых не существует в стандартном DevOps-тулчейне — и именно здесь открывается пространство для инженерных решений.
Почему это важно для IT-команд, которые думают о MedTech
Команда, которая приходит в медицинский софт с менталитетом «agile = скорость без ограничений», обычно сталкивается с болезненным столкновением с реальностью в первые месяцы.
Команда, которая с самого начала встраивает регуляторные требования в инженерные процессы — превращает compliance из тормоза в часть архитектуры, которая ускоряет, а не замедляет долгосрочную разработку.
📌 DevOps в медицине — не про то, как обойти регуляторику ради скорости. Это про то, как встроить регуляторные требования в инженерные процессы так глубоко, что соответствие становится побочным продуктом хорошей разработки, а не отдельным тормозящим этапом.
Share
