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.
Разработка нового лекарства занимает в среднем 10–15 лет и стоит более $2 млрд. Большая часть этого времени уходит не на клинические испытания, а на самый первый этап — поиск молекулы, которая теоретически может работать.
Квантовые вычисления обещают ускорить именно этот этап. И в отличие от многих хайповых тем, здесь есть реальная физическая причина, почему это может сработать.
Почему классические компьютеры плохо справляются с химией
Молекула — это квантовый объект. Электроны в ней не находятся в фиксированных позициях — они существуют в виде вероятностных облаков, подчиняющихся законам квантовой механики.
Чтобы точно рассчитать, как поведёт себя молекула — как она свяжется с белком-целью, какую конформацию примет, насколько стабильна будет — нужно решить уравнение Шрёдингера для системы из множества взаимодействующих частиц.
Это вычислительно адски сложно. Для классического компьютера сложность расчёта растёт экспоненциально с числом электронов в системе. Уже для молекул среднего размера точный квантово-механический расчёт становится практически невозможным даже на самых мощных суперкомпьютерах — приходится использовать приближения, которые теряют точность.
Почему квантовый компьютер теоретически подходит лучше
Квантовый компьютер сам оперирует кубитами, которые работают по тем же законам квантовой механики, что и молекулы. Это означает: вместо того, чтобы классически моделировать квантовую систему — что неэффективно — можно использовать одну квантовую систему для прямого моделирования другой.
Это не аналогия. Это структурное соответствие задачи и инструмента, которое выделяет квантовую химию как одну из самых перспективных областей применения квантовых вычислений — наряду с криптографией и оптимизацией.
Что уже происходит на практике
Важно различать два уровня реальности: лабораторные демонстрации и индустриальное применение.
Лабораторный уровень. Google, IBM и несколько академических групп уже продемонстрировали расчёт энергии простых молекул на квантовых компьютерах — пока речь о молекулах из нескольких атомов, далёких от сложности реальных лекарств.
Гибридные алгоритмы. Наиболее реалистичный путь сегодня — не полностью квантовые расчёты, а гибридные алгоритмы вроде VQE (Variational Quantum Eigensolver), где квантовый компьютер решает наиболее сложную квантово-механическую часть задачи, а классический компьютер оптимизирует параметры. Это позволяет получать пользу от ограниченных современных квантовых процессоров, не дожидаясь полноценных fault-tolerant квантовых компьютеров.
Партнёрства фармы с квантовыми компаниями. Roche сотрудничает с Cambridge Quantum Computing над применением квантовых алгоритмов к молекулярному моделированию. Boehringer Ingelheim инвестирует в квантовые вычисления для разработки лекарств совместно с Google Quantum AI. Это не PR-активность — это реальные исследовательские программы с конкретными научными публикациями.
Где хайп опережает реальность
Здесь важна честность: индустриальное квантовое преимущество в разработке лекарств пока не достигнуто.
Современные квантовые компьютеры — NISQ-эра, noisy intermediate-scale quantum — страдают от шума и ошибок, которые ограничивают размер и точность задач, которые можно реально решить. Молекулы, релевантные для реальной фармацевтики — белки, крупные органические соединения — пока на порядки сложнее того, что квантовые компьютеры способны точно моделировать.
Большинство реального прогресса в AI-ускоренном поиске лекарств сегодня происходит на классических компьютерах с использованием глубокого обучения — AlphaFold от DeepMind, например, не использует квантовые вычисления вообще, и при этом совершил прорыв в предсказании структуры белков.
Что это означает для горизонта планирования
Большинство экспертов сходятся на том, что практическое квантовое преимущество в молекулярном моделировании для фармацевтики — это перспектива 5–15 лет, а не завтрашнего дня. Это не означает, что инвестировать в эту область рано — наоборот, компании, которые выстраивают экспертизу сейчас, окажутся в выигрышной позиции, когда технология созреет.
Почему это важно для IT-специалистов уже сегодня
Квантовое программирование — это новая инженерная дисциплина с растущим спросом. Фреймворки вроде Qiskit от IBM или Cirq от Google снижают порог входа. Специалисты, которые понимают одновременно квантовые вычисления и молекулярную биологию — крайне редкая и высоко востребованная комбинация компетенций.
📌 Квантовые компьютеры не заменят классический AI в разработке лекарств завтра. Но в долгосрочной перспективе они могут решить задачу, которая принципиально недоступна классическим вычислениям — точное моделирование квантовой природы молекул. Это медленная революция, которая уже идёт.
Share
