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.
Low-code и no-code платформы изменили скорость разработки в большинстве индустрий. Бизнес-приложение, которое раньше требовало месяца программирования, теперь собирается за дни через визуальный конструктор.
Естественный вопрос: можно ли так же ускорить разработку медицинского софта?
Ответ — да, но избирательно. И понимание этой избирательности — ключевой навык для команд, работающих на стыке IT и здравоохранения.
Почему low-code привлекателен именно в медицине
Дефицит квалифицированных разработчиков, которые понимают и код, и клинический контекст — реальная проблема отрасли. Low-code снижает порог входа: клинические специалисты и бизнес-аналитики могут участвовать в создании решений напрямую, без необходимости писать традиционный код.
Скорость итерации особенно ценна на этапе прототипирования — когда нужно быстро проверить гипотезу с реальными пользователями-врачами до того, как инвестировать в полноценную разработку.
Где low-code реально работает в медицинском контексте
Внутренние операционные инструменты. Системы для управления расписанием персонала, учёта расходных материалов, внутренние дашборды для администрации клиники — задачи, не касающиеся напрямую клинических решений и безопасности пациента. Здесь low-code platforms вроде OutSystems или Mendix успешно используются крупными госпитальными сетями.
Формы сбора данных и опросники. Анкеты для пациентов, формы согласия, опросники для clinical research — структурированный сбор данных, где визуальные конструкторы форм значительно ускоряют процесс без компромисса по безопасности.
Дашборды и визуализация данных. Инструменты вроде Power BI или Tableau, по сути являющиеся no-code платформами для аналитики, широко используются для визуализации операционных и клинических метрик — без необходимости писать код с нуля для каждого нового отчёта.
Workflow-автоматизация непосредственно клинических процессов. Маршрутизация заявок, уведомления, эскалация задач между отделами — там, где логика прозрачна и не требует сложных клинических алгоритмов.
Где low-code создаёт реальный риск
Программное обеспечение, влияющее на клинические решения. Если система участвует в диагностике, дозировании препаратов, мониторинге жизненных показателей — IEC 62304 требует полной трассируемости требований и формальной верификации. Большинство low-code платформ не были спроектированы с учётом этих регуляторных требований — их внутренняя архитектура часто остаётся «чёрным ящиком» для разработчика.
Интеграция с критическими системами. Low-code платформы обычно оптимизированы для быстрой разработки, а не для глубокого контроля над безопасностью данных и устойчивостью к сбоям — критическими требованиями для систем, подключённых к медицинским устройствам или электронным медицинским картам.
Сертификация как медицинское устройство. Если софт классифицируется как Software as a Medical Device (SaMD), производитель платформы low-code, как правило, не несёт ответственности за регуляторное соответствие — вся нагрузка падает на команду разработки, которая должна доказать соответствие требованиям поверх инструмента, который не создавался для этой цели.
Практический подход, который работает
Зрелые MedTech-команды используют гибридную стратегию: low-code для всего, что не касается прямой клинической безопасности — операционка, аналитика, внутренние инструменты. Традиционная разработка с полным контролем над архитектурой — для компонентов, подлежащих регуляторному надзору.
Граница проводится не по технической сложности, а по риску: затрагивает ли система безопасность пациента напрямую или опосредованно.
Что это значит для разработчиков
Знание low-code инструментов становится дополнительной, а не основной компетенцией для MedTech-инженера. Способность быстро определить, какую часть системы можно собрать визуально, а какую нужно писать с полным контролем над кодом и документацией — именно это отличает опытного специалиста в регулируемой среде от новичка.
📌 Low-code в медицине — не универсальное ускорение, а инструмент с чётко очерченной зоной применения. Используйте его там, где скорость важнее регуляторного контроля — и держитесь традиционной, полностью документированной разработки там, где на кону безопасность пациента.
Share
