5 статей
В статье представлен обзор роли публичных наборов данных маммографии в разработке и клинической валидации ИИ-моделей для обнаружения рака молочной железы. Авторы анализируют ключевые характеристики этих наборов (размер, качество аннотаций, демографическое разнообразие) и подчеркивают, что качество и репрезентативность данных критически важны для обобщаемости моделей от традиционного машинного обучения до современных трансформеров.
В статье представлена новая архитектура искусственного интеллекта FairEnc, предназначенная для диагностики глаукомы на основе анализа медицинских изображений. Модель базируется на парадигме vision-language (визуальный язык), где ключевой инновацией является внедрение специализированных кодировщиков для визуальных и текстовых данных, обеспечивающих справедливость (fairness) предсказаний. Исследователи акцентируют внимание на устранении смещений (bias) в алгоритмах, которые часто возникают из-за неравномерного распределения данных по демографическим группам. Методология включает совместное обучение кодировщиков для достижения высокой точности при одновременном обеспечении эгалитарного отношения к разным подгруппам пациентов. Результаты демонстрируют значительное улучшение метрик справедливости по сравнению с существующими базовыми моделями, сохраняя при этом высокую диагностическую точность. Это исследование имеет критическое значение для клинической практики, так как позволяет создавать более надежные и этичные системы поддержки врачебных решений. Внедрение таких моделей может снизить риск ошибочных диагнозов для уязвимых групп населения и повысить доверие к ИИ-технологиям в офтальмологии.
Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.
Исследование опубликовано в рецензируемом журнале npj Digital Medicine 3 августа 2026 года и посвящено критически важной проблеме справедливости искусственного интеллекта в медицинской диагностике. Работа фокусируется на визуально-языковых моделях (VLM) — современном классе нейросетей, сочетающих обработку изображений и текста, — применяемых для классификации заболеваний по медицинским снимкам. Центральная тема исследования — интерсекциональная справедливость, то есть оценка того, как алгоритмы работают для пациентов с множественными пересекающимися демографическими характеристиками (пол, раса, возраст, социально-экономический статус). Проблема актуальна, поскольку медицинские ИИ-системы часто демонстрируют смещённые результаты для меньшинств, что может усугублять неравенство в здравоохранении. Полное содержание статьи недоступно в предоставленном материале, однако публикация в npj Digital Medicine указывает на высокий научный стандарт и практическую значимость для разработчиков медицинских ИИ-систем, регуляторов и клиницистов, внедряющих диагностические алгоритмы.
В статье представлен FairGen — инновационный метод на основе диффузионных моделей, разработанный для решения проблемы демографического смещения при синтезе медицинских изображений. Исследователи внедрили механизм выравнивания предпочтений (preference-alignment), который позволяет генерировать высокореалистичные медицинские данные, сохраняя при этом справедливость в отношении различных демографических групп (пол, возраст, этническая принадлежность). Методология направлена на устранение систематических ошибок, которые часто возникают в обучающих выборках и приводят к снижению точности диагностики для определенных групп населения. Результаты показывают, что FairGen значительно улучшает репрезентативность синтетических наборов данных, обеспечивая высокое качество визуализации, сопоставимое с реальными снимками. Использование данного подхода критически важно для создания сбалансированных датасетов, на которых обучаются диагностические системы ИИ, что напрямую влияет на минимизацию медицинских ошибок и обеспечение равного качества медицинской помощи для всех пациентов. Технология открывает новые возможности для обучения нейросетей в условиях дефицита специфических клинических данных.
