Искусственный интеллект для медицины: реалии 2025 года

В последнее время каждое общение с заказчиком и каждое ИТ-мероприятие превращается в обсуждение вопросов, связанных с искусственным интеллектом (ИИ). Это топовая инновация, которую каждый пытается применить в работе. На конференции «Цифровая индустрия промышленной России 2025» (ЦИПР) в рамках индустриального центра компетенций ИЦК «Фармацевтика» были выделены три ключевых направления использования ИИ.

1. В клинических исследованиях — сокращение сроков и, соответственно, экономия выделенных на исследования бюджетов.
2. Молекулярное моделирование. Молекулярный САПР.
3. Поиск наиболее эффективной схемы лечения.

Инвестиции в создание лекарств и биофарму занимают лидирующие позиции как в России, так и в мире, однако медицинские центры фокусируются на более прикладных и быстрых решениях, тем самым получая возврат инвестиций «здесь и сейчас».

Предпосылки: почему без ИИ уже не обойтись?

Современная наука оперирует колоссальными объемами данных: в бесплатной поисковой системе по биомедицинским исследованиям PubMed хранится 38 млн публикаций, а расшифровка человеческого генома требует анализа 3 млрд нуклеотидов.

Традиционные методы не справляются с такими масштабами — нужны алгоритмы машинного обучения и искусственный интеллект.

Но дело не только в науке. Экономика диктует свои правила: разработка нового препарата занимает 8-15 лет и обходится в $3 млрд в среднем. Именно поэтому фармацевтические компании стали одними из главных инвесторов в ИИ, стремясь ускорить исследования и снизить затраты.

6 ключевых этапов разработки лекарств, где ИИ уже меняет правила игры*

1. Поиск мишени: что именно лечить?

Прежде чем искать лекарство, нужно понять, на что воздействовать. Например, алкоголизм — не моногенное заболевание, а сложный комплекс генетических и биохимических факторов. ИИ анализирует геномные данные, выявляя 10 ключевых генов и их сочетания, чтобы определить оптимальную мишень (например, конкретный фермент или рецептор).

2. Дизайн молекул: чем лечить?

Раньше ученые перебирали сотни мышей и тысячи чашек Петри, чтобы найти перспективные соединения. Теперь ИИ за секунды сканирует базы данных белковых структур и фармакологических молекул, предсказывая аффинность (степень связывания) с мишенью.

• Отбор кандидатов: вместо случайного скрининга — 50 тыс. виртуальных молекул, проанализированных на стабильность и усвояемость.
• Оптимизация структуры: как в случае с аспирином, где добавление ацетильной группы увеличило эффективность в 100 раз.
• Генерация новых молекул: ИИ создает ранее неизвестные соединения с заданными свойствами.

3. Прогноз токсичности: не яд ли это?

Препарат должен воздействовать только на мишень, а не на весь организм. ИИ моделирует:

• С какими еще молекулами может связываться лекарство.
• Какие побочные эффекты возможны.
• Есть ли токсичные метаболиты (как ацетальдегид — продукт распада алкоголя, повреждающий ДНК).

4. Фармакокинетика: как поведет себя лекарство в организме?

Даже безопасное вещество может накапливаться в тканях (как метиленовый синий, окрашивающий мозг) или превращаться в токсины. ИИ предсказывает:

• Всасывание, распределение, выведение.
• Образование промежуточных метаболитов.
• Риски долгосрочного накопления (как ртуть в костях).

5. Доклинические испытания: автоматизация in vitro

Даже в пробирке анализ клеток требует сверхчеловеческой точности. Компьютерное зрение:

• Отличает здоровые клетки от поврежденных.
• Выявляет микроскопические изменения, незаметные глазу.
• Прогнозирует выживаемость (например, эмбрионов в ЭКО).

6. Клинические испытания и персонализированная медицина

На этапе тестирования на людях ИИ помогает:

• Оптимизировать дизайн исследований, сокращая сроки и затраты.
• Подбирать пациентов с высокой вероятностью отклика на терапию.
• Минимизировать риски (чтобы «никто не умер»).

*Сергей Харитонов, молекулярный биолог, н. с. факультета почвоведения МГУ им. М. В. Ломоносова. Выступление на Positive Hack Days.

Железо для ИИ — фундамент для сбора, хранения и управления данными

Графические процессоры GPU

Основа для работы с ИИ – это серверы с GPU. Использование GPU заместо CPU обусловлено большей производительностью для параллельных вычислений. Так в самом новом и топовом процессоре максимум 128 ядер, а в видеокарте для ИИ Nvidia H100 - 14 592 ядер CUDA и 456 тензорных ядер.

С 2016 по 2025 год производительность видеокарт NVIDIA выросла более чем в 11 раз – и этот рост не собирается останавливаться. Генеративный ИИ стал возможным благодаря бешеной эволюции GPU.

В период золотой лихорадки больше всех зарабатывает продавец лопат. NVIDIA долгое время была монополистом на рынке ускорителей ИИ, но ситуация меняется, и в скором времени мы увидим китайские аналоги. Однако сейчас идеальные GPU для моделей ИИ – NVIDIA A100, H100 и относительно новая H200.

• Если важны энергоэффективность и доступность, и задача использовать уже обученную модель — A100.
• Если основной фокус на обучении и инференсе крупных языковых моделей (LLM) — H100.
• Если требуются максимальная мощность, работа с масштабными данными и сложными моделями — H200.

Есть и достойные альтернативы попроще — NVIDIA L40S, RTX A6000

Центральный процессор CPU

Оптимальными являются топовые процессоры Intel Xeon Gen5 (есть реестровое исполнение) или Intel Xeon Gen6 и AMD EPYC Zen4 (только нереестровое исполнение).

У Intel Gen 4/5/6 все изделия поддерживают расширения AMX (Advanced Matrix Extensions), обеспечивающие ускорение рабочих нагрузок ИИ и машинного обучения. AMX поддерживает формат операций вычислений FP16, что обеспечивает эффективную предварительную обработку данных и выполнение критических задач CPU в рабочих нагрузках ИИ.

Это интересно!

Процессоры Intel Gen5 Emerald Rapids работают до 42% быстрее в задачах ИИ (например, чат-боты, генерация текста), чем прошлое поколение, в случаях, если используется относительно небольшая языковая модель (до 20 млрд параметров).

Оперативная память DDR

Времена оперативной памяти DDR4 уходят в прошлое. DDR5 — это уже не премиум, а норма, и любой новый сервер без нее выглядит архаично.

Коммутаторы

Высокоскоростные коммутаторы Ethernet 100-800 GbE в коммутаторах ядра SAN и коммутаторы внутренней сети InfiniBand: Mellanox, Huawei, Cisco, H3C, Элтекс, Qtech.

Хранение медицинских данных

Объектные S3-хранилища – идеальное решение для неструктурированных данных.

В зависимости от типа данных и задач для хранения медицинских данных используются разные архитектуры: Data Warehouse, Data Lake и LakeHouse.

Data Warehouse (DWH) — структурированная аналитика

Структурированные данные для отчетов — гигантская библиотека с идеальной системой каталогизации.

Для DWH характерны порядок и высокая скорость:

• 100-200ТБ структурированных данных, упакованных в строгие таблицы.
• Идеальное решение для отчетности и BI-систем.
• 100% гарантия целостности благодаря ACID-транзакциям.

Особенность: работает только с «чистыми» и подготовленными данными — дорого и негибко.

Data Lake: работа с большим количеством «сырых» данных

Можно хранить все подряд: сырые данные, логи, картинки, видео — от excel-таблиц до снимков МРТ.

• До 100 петабайт «сырых» данных — в 500 раз больше, чем вмещает средний DWH.
• 70% экономии на хранении по сравнению с классическими хранилищами.
• Zero Structure — идеальная среда для AI/ML-решений.

Особенность: за кажущейся свободой скрывается хаос

• Поиск нужной информации занимает в 3-5 раз дольше, чем в DWH.
• Каждый третий проект превращается в «болото данных» из-за отсутствия управления.
• Никаких гарантий — данные могут потеряться.

LakeHouse или склад-трансформер: хранение хаоса и мгновенное упорядочивание данных

Преимущества LakeHouse:

• Снижение совокупной стоимости владения (TCO) в 8,2 раза для гибридных нагрузок.
• 30% ускорение ML-разработки благодаря встроенному Feature Store.
• 60% экономия на инфраструктуре за счет разделения storage/compute.

И в перспективе 90% новых ИИ-проектов будут запускаться на архитектуре LakeHouse.

ИИ – новый «радий»?

В конце XIX века открытие радия вызвало всеобщий восторг — его добавляли в зубную пасту, косметику и даже продукты питания, пока не выяснилось, что он смертельно опасен. Сегодня искусственный интеллект переживает похожий бум. Его внедряют повсюду — от чат-ботов до медицины. Но так ли он безопасен?

Идеального ПО не бывает — Даже самый продвинутый ИИ не может гарантировать 100% отсутствие ошибок — это доказано математически (спасибо теории Тьюринга). Как шутят программисты: «Последняя найденная ошибка — всегда предпоследняя».

Реальность российского ИТ-рынка — Гигантов уровня Microsoft или SAP у нас пока нет, а малые и средние компании часто вынуждены сосредоточиться на разработке, а не на глубоком тестировании и долгосрочной поддержке ПО.

Импортозамещение: не только плюсы, но и риски — Отказываясь на пути импортозамещения от иностранного ПО в целях улучшения безопасности, мы одновременно рискуем увеличить число непреднамеренных дефектов в новом российском ПО, поскольку качественное сопровождение всего жизненного цикла ПО пока скорее редкость, чем правило.

Чем это опасно для медицины? — Нарушение технологического процесса фармпроизводства в результате кибератаки может привести к техногенной и экологической катастрофе. Здесь самое страшное — это каскадное или цепное воздействие, когда первичная атака запускает целую лавину вторичных воздействий, те в свою очередь — воздействия третьего уровня и т.д.

ИИ в медицине: вместе с человеком, а не вместо

ИИ не заменит врача-человека. Он может служить инструментом оптимизации диагностики и анализа данных, но не в состоянии воспроизвести межличностное доверие и ответственность, лежащие в основе врачебной деятельности. И в перспективе за общение с живым человеком будут доплачивать — профессия «человек-человек» обретает новую ценность.

Медицина богата данными. Благодаря алгоритмам машинного обучения выявляются скрытые закономерности и формируются рекомендации. Согласно McKinsey, 71% пациентов ожидают от медицинских сервисов индивидуального подхода.

При этом, по данным Gartner, около 50% пилотных проектов с использованием ИИ не достигают стадии промышленной эксплуатации. Однако отказ от инноваций — не выход: необходимо тестировать гипотезы и анализировать результаты.

Рынок ИИ в здравоохранении демонстрирует стремительный рост: к 2030 году его объем в России достигнет 78 млрд рублей (1% от мирового показателя) при ежегодном росте на 34–39%. Уже сегодня в этом сегменте работают около 50 компаний, а такие решения, как «Третье мнение», внедрены в 58 регионах страны.

*Прогноз сделан в исследовании «Искусственный интеллект в здравоохранении» «Яков и Партнеры» совместно с «Медси», 2025.

Решения ИИ для медицины

Зрелым продуктом, использующим ИИ, является платформа «Третье мнение», в том числе:

• Автоматизированная расшифровка лучевой диагностики. Включает анализ рентгенограмм ОГК, флюорограмм, маммограмм и КТ (грудная клетка, головной мозг). Анализ снимка занимает от 15 сек. до 3 мин. 96% точность независимой оценки наличия/отсутствия патологии, что минимизирует риск ошибок и сокращает количество претензий.

• Видеомониторинг пациентов в стационаре. Система анализа видеоданных в палатах с лежачими больными для контроля безопасности. Автоматически оповещает о тревожных событиях (поворот, нарушение режима, выход из палаты, отключение прибора). Снижается нагрузка на медперсонал за счет круглосуточного мониторинга и удобного поста медсестры. Повышается качество ухода и безопасности пациентов. На 50% меньше травм и на 80% меньше риск образования пролежней. Также такая видеоаналитика позволяет увеличить оборот койко-места.

Robovoice SL Soft — запись на прием с помощью бота, напоминание, подтверждение, перенос, отмена записи. Внедрен в «Гемотесте» для автоматизации ответов по статусам заказов и опросов, что решило проблему очереди звонков и сэкономило затраты колл-центра на 40%.

Voice2Med ЦРТ — голосовой помощник, автоматически формирующий протокол осмотра в режиме реального времени. Внедренный в ФГБУ «ФМИЦ им. В. А. Алмазова», он сокращает среднее время приема на 5-7 минут. Иностранные аналоги: Microsoft, Dragon Copilot.

Robin SL Soft. Программный робот, который показал высокие результаты в медицине. Проект для МИАЦ Самарской области победил в номинации «Проект года» Global CIO: в 102 медицинских организациях области роботизированы процессы персонального мониторинга состояния беременных пациенток, предоставления нормативно-справочной информации анестезиологам, автоматизированы три больших отчета. Robin также используется Федеральным фондом обязательного медицинского страхования для автоматизации работы с входящей корреспонденцией, формирования отчетов по заработным платам, распознавания и классификации текста.

«Преферентум» SL Soft — высокоуровневые решения для обработки документов. Обладают преднастроенным набором правил и технологий для автоматизации различных предметных областей — бухгалтерии, закупок, управления персоналом, права, технической поддержки, маркетинга. Обеспечивает интеллектуальный поиск документов во внутренних или внешних подключаемых источниках

Ожидаемый эффект от внедрения ИИ в медицине выше, чем в других отраслях

1. Экономия расходов. 5-10% от текущих расходов здравоохранения в мире* (по прогнозу McKinsey).
2. Экономия времени. Изобретение лекарств занимает не 10-20 лет, а до 2 лет. Оценка лучевых снимков с помощью «Третьего мнения» занимает от 3 сек. до 2 мин. и на 20% освобождает время диагносту. Голосовые помощники экономят 5-7 мин. на каждом приеме врача.
3. Улучшение здоровья. Рост продолжительности жизни на 4-5 лет. Более быстрое восстановление после операций.
4. Снижение текучести кадров врачей и среднего медперсонала. У специалистов останется одна задача — лечить.
5. Решение проблемы нехватки кадров за счет доступности телемедицины.

Каждое решение из статьи доступно у Softline, как разработчика или партнера. Мы готовы к совместным проектам в области ИИ, где на первом месте – польза для пациентов и комфорт врачей.

По любым вопросам, связанным с проектами ИИ для медицины, вы можете обращаться к менеджеру развития производителей Softline Юлии Кальмаевой на email: Yuliya.Kalmaeva@softline.com