В России представили новый медицинский ИИ — симптом-чекер от компании «К-Скай», резидента «Сколково». Он анализирует жалобы и данные пациента, чтобы предсказать более 6 тысяч заболеваний. Результат — список кодов МКБ-10 с указанием вероятности. Сервис встроен в систему Webiomed и ориентирован на врачей: предполагается, что он поможет быстрее и точнее оформлять диагнозы в электронных картах, а значит — улучшит работу с отчётностью и качественными метриками. Разработчики подробно описали архитектуру модели, и по описанию это скорее классический классификатор, чем большая языковая модель (LLM). Он не ведёт диалог, не даёт объяснений в привычной форме, не отвечает на свободные вопросы. На выходе — только список диагнозов. Такой подход может быть оправдан, если цель — быстрая автоматизация рутинных процессов в поликлиниках. Особенно важно, что модель уже адаптирована под русскоязычные данные и может работать в локальной инфраструктуре, что критично для соблюдения законодательства в области персональных данных. С другой стороны, остаётся ощущение, что потенциал ИИ в медицине может быть реализован шире. В мире уже появились модели, способные не только распознавать заболевания, но и вести полноценный диалог с врачом, помогать с интерпретацией анализов и даже анализировать снимки. Например, Med-PaLM 2 от Google показывал 86,5% точности на медицинском экзамене USMLE. Более свежая модель MedGemini достигла 91,1% на бенчмарке MedQA, а MedGemma 27B — 87,7% на тех же задачах. Это тяжёлые мультимодальные модели, обученные на огромных медицинских корпусах, способные работать с текстом, изображениями и клиническими записями. Даже более лёгкая модель Gemma 4B, которую можно запустить на одном GPU, показывает достойные результаты на медицинских тестах. Есть и коммерческие продукты вроде Isabel DDx и Ada, работающие как помощники врача или пациента, с интерактивными интерфейсами и широкой клинической оценкой. Webiomed пока не сравнивался с такими решениями в открытом тестировании. В пресс-релизе указано, что модель обучалась на 7 миллионах документов, тестировалась на 1,8 млн и показывает 80% точности по метрике top-3. Но конкретных данных — какие заболевания, как распределена точность, что с редкими случаями — нет. И жаль, что для российской медицины по-прежнему нет открытого бенчмарка, где можно было бы сравнить разные подходы — от простых классификаторов до больших языковых моделей. Это помогло бы честно понять, где ИИ работает лучше, а где — пока нет. Важно, что такие модели в России вообще появляются и развиваются — это непростая задача, особенно в условиях ограниченного доступа к международным решениям. Но хочется, чтобы ИИ в медицине работал не только на заполнение кодов, а и на здоровье человека — помогал ставить диагноз, объяснять риски, "быть рядом" в сложных ситуациях. Технологии для этого уже есть.