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.
Представьте рецепт от врача — не на таблетки, а на приложение для смартфона.
Звучит непривычно. Но это уже происходит. И это не велнес-приложение для медитации. Это медицинский продукт с доказанной клинической эффективностью, который проходит регуляторное одобрение так же, как лекарство.
Это называется Digital Therapeutics — DTx.
Чем DTx отличается от обычного медицинского приложения
Граница принципиальная.
Обычное приложение для здоровья — трекер шагов, дневник питания, медитация — может быть полезным, но не проходит клинических испытаний и не доказывает терапевтический эффект формально.
DTx — это софт, который проходит те же этапы, что и лекарство: доклинические данные, клинические испытания на пациентах, статистически значимое доказательство эффективности, регуляторное одобрение FDA или аналогичного органа. И что особенно важно — DTx может быть единственным компонентом лечения или дополнением к традиционной терапии, и в некоторых случаях покрывается медицинской страховкой так же, как препарат.
Где DTx уже работает в клинике
Лечение зависимостей. reSET от Pear Therapeutics стал первым DTx, одобренным FDA, в 2017 году — для лечения зависимости от психоактивных веществ. Приложение использует когнитивно-поведенческую терапию, доступную пациенту в любой момент, а не только во время визитов к терапевту. Клинические испытания показали значимое улучшение удержания пациентов в программе лечения.
СДВГ у детей. EndeavorRx — первая в мире видеоигра, одобренная FDA как медицинское устройство для лечения синдрома дефицита внимания у детей. Это не метафора — настоящая игра на основе адаптивных алгоритмов, которая тренирует внимание через специально разработанные игровые механики. Клинические испытания показали улучшение показателей внимания, сопоставимое с альтернативными методами лечения.
Хроническая боль в спине. Уже упомянутая ранее AppliedVR — VR-программа для управления хронической болью — пример DTx на основе виртуальной реальности.
Диабет. BlueStar от WellDoc — приложение, которое помогает пациентам с диабетом 2 типа управлять заболеванием через персонализированные рекомендации, основанные на данных глюкометра, питания и активности. Исследования показали значимое снижение уровня гликированного гемоглобина у пользователей.
Депрессия и тревожность. Несколько DTx-продуктов для психического здоровья прошли клинические испытания и получили одобрение — предлагая структурированную когнитивно-поведенческую терапию через приложение, доступную между сессиями с терапевтом или вместо них при лёгких формах расстройства.
Почему это перспективная ниша именно сейчас
Несколько факторов сходятся одновременно.
Дефицит специалистов в области психического здоровья и хронических заболеваний делает масштабируемые цифровые вмешательства практически необходимыми — обычная терапия физически не может покрыть весь спрос.
Регуляторы начали выстраивать чёткие пути одобрения именно для программного обеспечения как медицинского продукта — Software as a Medical Device, SaMD. Это снижает неопределённость для разработчиков.
Страховые компании в нескольких странах начали покрывать DTx — это создаёт реальную бизнес-модель, а не просто продажу подписок напрямую пациентам.
Технические и регуляторные особенности
DTx-разработка живёт на стыке двух дисциплин: классической продуктовой разработки и медицинских регуляторных требований.
Это означает: клинический протокол должен быть встроен в архитектуру продукта с самого начала — не «давайте сделаем MVP и потом проверим эффективность», а «давайте спроектируем приложение так, чтобы оно соответствовало протоколу клинического испытания».
Каждое изменение в алгоритме после одобрения может потребовать повторной валидации — это принципиально отличается от обычного software-продукта, где можно деплоить новую версию когда угодно.
Удержание пациента — engagement — критически важно не только с продуктовой, но и с клинической точки зрения: терапия не сработает, если пациент не использует приложение регулярно. Это сближает DTx-дизайн с поведенческой психологией значительно теснее, чем обычные мобильные приложения.
Барьеры
Главный вызов — доказать клиническую эффективность достаточно убедительно для регулятора и достаточно убедительно для врача, который должен «прописать» приложение пациенту. Это требует серьёзных инвестиций в клинические испытания — на порядок больше, чем типичный продуктовый цикл в обычном IT.
Pear Therapeutics, пионер индустрии, обанкротился в 2023 году — несмотря на одобренные продукты. Причина была не в технологии, а в экономике: страховые компании медленно адаптировали модели покрытия, а продажи напрямую пациентам не покрывали стоимость разработки и клинических испытаний.
Это важный урок для отрасли: клиническая эффективность необходима, но недостаточна. Нужна жизнеспособная экономическая модель.
📌 Digital Therapeutics стирают границу между софтом и медициной в буквальном смысле — приложение, прописанное по рецепту, наравне с таблеткой. Технология работает. Вопрос, который индустрия ещё решает — как сделать бизнес-модель устойчивой.
Share
