Георгий Лебедев о передовых исследованиях в области больших данных и искусственного интеллекта
Сеченовский университет утверждает свою лидирующую позицию в создании и внедрении передовых цифровых решений для здравоохранения. Это подтверждается победой его собственной крупной языковой модели на V Всероссийском конгрессе «ИТМ Петербург» в июне 2025 года, где соревновались медицинские ИИ-модели.
Эта победа — больше, чем просто успех в состязании; она ярко демонстрирует, что будущее медицины принадлежит мультиагентным нейросетям. Эти системы могут объединять возможности различных интеллектуальных агентов для анализа огромных объемов медицинских данных. Разработки Сеченовского университета в области ИИ, изначально предназначенные для диагностики заболеваний легких, уже применяются в обучении и в клинике. Университет обладает значительным преимуществом благодаря доступу к обширной базе обезличенных данных пациентов, что способствует эффективному обучению моделей.
Директор Центра цифровой медицины Георгий Лебедев рассказал «Ъ-Науке» о том, как петербургская победа трансформируется в конкретные проекты, какие передовые исследования в сфере больших данных и искусственного интеллекта активно проводятся в университете, и почему он считает, что человечество находится на пороге медицинской революции.
— Георгий Станиславович, ИИ-модель Сеченовского университета недавно превзошла ведущие российские нейросети Gigachat и YandexGPT на конгрессе «ИТМ Петербург». Что послужило причиной этого успеха?
— На конкурсе нейросетей в Петербурге запросы направлялись к общедоступным версиям известных языковых моделей. Мы, в свою очередь, использовали нашу мощную мультиагентную нейросеть, специально настроенную для медицинских целей. Хотя наша разработка не превосходит конкурентов по всем параметрам, в открытом доступе их продукты не могут обеспечить такой же уровень точности и качества ответов.
— Расскажите, что представляет собой мультиагентная ИИ-система?
— Мультиагентная система включает не одну, а целый ансамбль больших языковых моделей (LLM). В такой системе каждая модель получает идентичный запрос и контекст, но генерирует слегка отличающиеся ответы. Затем эти ответы анализируются, что позволяет достигать исключительно точных результатов. В нашем ансамбле, помимо отечественных, применяются и зарубежные модели, однако все они размещены на серверах Сеченовского университета, исключая необходимость трансграничной передачи данных. Недавно исследователи Microsoft также опубликовали работу, подтверждающую выдающиеся результаты применения мультиагентных нейросетей в медицине, что свидетельствует о нашем соответствии мировым стандартам исследований.
— Нашла ли ваша система уже практическое применение?
— Да, мы уже достигли впечатляющих результатов в диагностике пульмонологических заболеваний. Клинический центр Сеченовского университета славится своей ведущей экспертизой в пульмонологии, располагая обширной базой знаний и высококлассными специалистами, такими как академик РАН Сергей Авдеев. В сотрудничестве с ним было проведено масштабное клиническое исследование нашей мультиагентной модели. Для этого использовались данные пациентов с ХОБЛ, астмой и пневмонией, из которых были исключены специфические показатели (например, анализ дыхания на астму), оставив лишь первичную информацию, полученную при поступлении пациента. После загрузки этих данных в большую языковую модель мы зафиксировали точность диагностики, превосходящую стандартные врачебные показатели: ХОБЛ определялась с точностью 94%, астма — 86%, а пневмония — почти в 99% случаев. Этот подход обещает кардинально улучшить всю систему первичной медицинской помощи в будущем.
— Каков был процесс создания и обучения этой модели?
— В прошлом году мы организовали всероссийский конкурс совместно с Фондом НТИ и Фондом Сколково для отбора оптимальной ИИ-системы, соответствующей нашим потребностям. Для тестирования моделей был сформирован датасет пациентов с разнообразными легочными заболеваниями из нашей клинической базы данных. Десять врачей-пульмонологов вручную разметили эти данные. Дополнительно мы интегрировали аналогичные сведения из восьми региональных клинических центров по России, учитывая, что проявления одних и тех же болезней могут варьироваться в зависимости от климата. Итоговый датасет насчитывал 3500 записей, а его разметка заняла полгода трудоемкой работы врачей. Разработка крупной языковой модели в пульмонологии открывает широкие возможности. В данный момент мы работаем над созданием референсного Центра по пульмонологии на базе нашего клинического центра. Он будет анализировать данные пациентов из региональных пульмонологических центров и поликлиник. Врачи смогут оперативно отправлять данные в Москву и получать ценные рекомендации, а при необходимости — расширенные исследования и полную стратегию лечения.
— Не станет ли преградой для этого недостаточная цифровизация в регионах?
— Для этого не потребуются значительные ресурсы. Электронные медицинские карты доступны почти во всех учреждениях здравоохранения. Врач сможет формировать выписку в формате эпикриза и отправлять её в центральный ИИ-сервис. Таким образом, пока пациент находится на приёме в отдалённом регионе, врач уже будет иметь доступ к заключению референсного центра из Москвы, получая моментальное представление о клинической картине.
— На какой стадии находится внедрение ИИ-систем в настоящее время?
— В настоящее время модель референсного центра активно тестируется в пульмонологии. Планируется её расширение на другие области, включая невропатологию, неврологию, акушерство-гинекологию и онкологию. Сеченовский университет обладает потенциалом для разработки собственных LLM и формирования экспертно-контрольных советов по всем медицинским специальностям. Теоретически, система может быть адаптирована под любую медицинскую область, с созданием соответствующего глоссария знаний. Мы стоим на пороге значительной революции в медицине. Ещё одним важным проектом является нейросеть для поиска биомедицинской литературы, способная находить наиболее релевантные научные публикации по заданному запросу. Например, на запрос «исследования о пациентах с почечной недостаточностью и коронавирусом» система выдаст отсортированные по релевантности статьи из рецензируемых журналов, что крайне ценно для диссертаций, клинических исследований и создания рекомендаций. Наши коллеги также демонстрируют значительные успехи. Так, Институт персонализированной кардиологии, используя ИИ и генетический анализ, научился выявлять гены, влияющие на исход инфаркта. Если ранее ИИ в кардиологии опирался на базовые показатели (температура, рост, вес, пульс, давление, состав крови), то теперь добавление генетики значительно повышает точность моделей. Совместно с кафедрой травматологии, ортопедии и хирургии катастроф под руководством Алексея Лычагина мы разрабатываем систему компьютерного зрения для мониторинга восстановления пациентов после сложных операций. Например, после переломов система анализирует движения суставов пациента через видеопоток с телефона, определяя угол отклонения конечности и функциональность сустава. Наши ключевые конкурентные преимущества — это обширная база данных пациентов клинического центра и наличие высококвалифицированных медицинских специалистов, чего нет у многих других.
— Каковы ваши прогнозы относительно развития ИИ-технологий в университете на ближайшие десять лет?
— Я убеждён, что в течение ближайшего десятилетия Сеченовский университет превратится в основной центр по разработке медицинских ИТ-систем, управляющий несколькими референсными центрами в различных медицинских дисциплинах. У нас есть все возможности, чтобы стать ведущей платформой в России для обучения ИИ-специалистов, а также для создания и внедрения новых ИИ-моделей. Развитие искусственного интеллекта в медицине — это глобальный тренд, и мы стремимся быть в авангарде этого процесса в нашей стране.
