В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026), авторы Zhiqiang Shen, Qingshan Hou, Peng Cao, Jinzhu Yang, Huazhu Fu, Osmar R. Zaiane и Zhaolin Chen представляют новый метод полууправляемой сегментации медицинских изображений, устойчивый к смене доменов (domain generalization). Проблема заключается в том, что модели глубокого обучения, обученные на данных одного медицинского учреждения или сканера, резко теряют точность при применении к данным из других источников из-за различий в распределении изображений. Предложенный подход основан на совместном обучении (co-training) двух ветвей: ветви сегментации и ветви синтеза изображений. Ветвь синтеза генерирует разнообразные варианты изображений с различными стилистическими и доменными характеристиками, что позволяет ветви сегментации обучаться на более широком распределении данных без необходимости разметки новых доменов. Метод использует полууправляемую парадигму: лишь небольшая часть данных имеет аннотации, остальные используются в неразмеченном виде для улучшения обобщающей способности. Авторы провели эксперименты на нескольких публичных наборах данных медицинской сегментации, включая сегментацию сердца и полипов, и показали, что предложенный метод превосходит существующие подходы к доменной генерализации и полууправляемому обучению. В частности, метод демонстрирует значительное улучшение метрики Dice coefficient (до 5-7 процентных пунктов) по сравнению с базовыми моделями при тестировании на невидимых доменах. Работа имеет высокую практическую значимость, поскольку позволяет создавать более надежные модели сегментации, которые можно безопасно развертывать в различных клинических условиях без дорогостоящей повторной разметки данных. Код и модели планируются к публикации для воспроизводимости результатов.