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.
Чтобы обучить хороший медицинский AI, нужны данные тысяч пациентов. Но реальные медицинские данные — дорогие, дефицитные и максимально защищённые законом.
Получается парадокс: лучшие AI-модели требуют большего объёма данных, а доступ к этим данным становится только сложнее с каждым новым витком регуляторики о приватности.
Один из самых интересных ответов на эту проблему — синтетические данные. Искусственно сгенерированные пациенты, которые статистически похожи на настоящих, но не существуют в реальности.
Что такое синтетические медицинские данные
Это не фейковые случайные числа. Это данные, сгенерированные алгоритмом — обычно генеративной моделью вроде GAN или диффузионной модели — так, чтобы статистические свойства совпадали с реальным датасетом, но конкретные записи не соответствовали ни одному реальному человеку.
Представьте: у вас есть 10 000 реальных историй болезни пациентов с диабетом. Модель обучается на распределении этих данных — корреляциях между возрастом, весом, уровнем глюкозы, осложнениями. Затем она генерирует 100 000 новых, полностью искусственных «пациентов», которые статистически выглядят так же реалистично, но не являются копиями реальных людей.
Зачем это нужно, если данных и так не хватает
Звучит нелогично — генерировать искусственные данные вместо того, чтобы собирать настоящие. Но есть несколько конкретных причин, почему это работает.
Решение проблемы малых выборок. Редкие заболевания — классическая проблема медицинского AI. Если в реальном мире зафиксировано всего 200 случаев конкретного редкого синдрома, обучить на этом надёжную модель невозможно. Синтетическая аугментация позволяет сгенерировать дополнительные реалистичные примеры, сохраняя статистические закономерности исходных данных.
Устранение проблемы приватности. Синтетические данные, при правильной генерации, не содержат информации о реальных пациентах — а значит, их можно свободно передавать между организациями, использовать для исследований и публиковать вместе с научными статьями без риска нарушения конфиденциальности.
Балансировка датасетов. Если в обучающих данных слишком мало примеров определённой демографической группы — скажем, пациентов конкретной этнической принадлежности с конкретным заболеванием — модель будет работать хуже именно для этой группы. Синтетическая генерация позволяет искусственно дополнить недопредставленные категории, делая модель более справедливой.
Тестирование систем без риска. Перед тем как развернуть медицинскую AI-систему в реальной больнице, её нужно протестировать на разнообразных сценариях — включая редкие и критические случаи. Синтетические данные позволяют создавать тестовые сценарии, которые было бы неэтично или невозможно собрать на реальных пациентах.
Где это уже применяется
MIT и Massachusetts General Hospital используют синтетические данные для обучения моделей предсказания осложнений в реанимации — там, где реальных случаев критических состояний недостаточно для надёжного обучения.
Several pharma-компании, включая крупные фармацевтические корпорации, используют синтетические контрольные группы — synthetic control arms — в клинических испытаниях. Это позволяет сократить количество реальных пациентов, которым нужно давать плацебо, особенно в испытаниях тяжёлых заболеваний, где это этически проблематично.
NHS в Великобритании экспериментирует с синтетическими версиями национальных медицинских датасетов, чтобы дать исследователям доступ к данным, статистически репрезентативным для населения, но без риска утечки персональной информации.
Технические сложности
Главный риск синтетических данных — потеря важных, но редких паттернов. Если генеративная модель обучена недостаточно качественно, она может «сгладить» именно те аномалии, которые клинически наиболее значимы — редкие, но критические комбинации симптомов.
Второй риск — false confidence. Модель, обученная на синтетических данных, может показывать отличные метрики на синтетическом тестовом наборе — но плохо работать на реальных пациентах, потому что синтетические данные не полностью отражают сложность реального мира.
Поэтому золотой стандарт — гибридный подход: синтетические данные дополняют реальные, а не заменяют их полностью. Финальная валидация модели всегда происходит на реальных, тщательно собранных клинических данных.
Почему это важно для IT-разработчиков
Генерация качественных синтетических медицинских данных — отдельная инженерная специализация. Нужно понимать не только генеративные модели, но и клиническую значимость данных, которые вы синтезируете — иначе легко создать датасет, который выглядит правдоподобно, но клинически бесполезен или даже опасен для обучения.
Рынок инструментов для синтетических данных в здравоохранении растёт быстро — несколько стартапов уже привлекли значительные инвестиции именно на этой узкой, но критически важной задаче.
📌 Синтетические данные не решают проблему дефицита медицинской информации полностью. Но они дают индустрии инструмент для работы с дефицитом, не нарушая приватность пациентов и не дожидаясь десятилетий для накопления достаточной выборки редких случаев.
Share
