Искусственный интеллект в здравоохранении: исторический путь, вызовы и перспективы (1960-2025 гг.)

Введение

Искусственный интеллект (ИИ) в современном понимании представляет собой совокупность свойств и возможностей искусственно созданных систем выполнять интеллектуальные и творческие задачи, которые традиционно относились исключительно к сфере человеческой деятельности. В отличие от концепции искусственного сознания, ИИ ориентирован не на воспроизведение субъективного опыта, а на разработку алгоритмов и технологий, позволяющих моделировать процессы восприятия, анализа, принятия решений и генерации новых решений [1]. С научной точки зрения ИИ является междисциплинарным направлением, объединяющим методы информатики, математики, когнитивных наук и инженерии для создания интеллектуальных машин и программных систем. Одним из его ключевых аспектов выступает использование вычислительных ресурсов для исследования, моделирования и воспроизведения механизмов человеческого мышления, при этом применяемые методы не обязательно копируют биологические процессы, лежащие в основе естественного интеллекта [2].

Цель исследования — описать эволюцию развития ИИ в здравоохранении в период с 1960 по 2025 гг., выявить ключевые этапы его развития и внедрения, показать трансформацию медицинской практики под влиянием интеллектуальных технологий, а также обозначить перспективы и вызовы дальнейшего применения ИИ в медицине.

Задачи исследования:

1. Проследить историю развития ИИ в медицине — от первых экспертных систем и алгоритмов (1960-1970-е гг.) до современных генеративных моделей и базовых архитектур.
2. Рассмотреть ключевые технологические этапы: появление систем поддержки принятия клинических решений (СППКР), внедрение нейронных сетей и глубокого обучения.
3. Оценить российский контекст развития ИИ в здравоохранении: регистрацию медицинских изделий (МИ) с ИИ, создание платформы "МосМедИИ", формирование этических и правовых рамок.
4. Выявить основные вызовы применения ИИ — "черный ящик", предвзятость данных, риск утраты клинической компетентности, технические ограничения генеративных моделей.
5. Определить долгосрочные перспективы развития ИИ в медицине, включая гипотезу рекурсивного самосовершенствования и концепцию сверхразумного ИИ.

История развития: как ИИ менял здравоохранение с 1960-х гг. до наших дней

Анализ трансформации здравоохранения под влиянием ИИ невозможен без изучения эволюции самих интеллектуальных технологий — от первых алгоритмических и экспертных систем до современных высокоточных архитектур глубокого обучения. Развитие ИИ в медицинской сфере отражает не только технологический прогресс, но и глубокие изменения в парадигме клинической практики: переход от строго регламентированных процедур обработки данных к адаптивным, самообучающимся системам, способным интегрировать и анализировать разнородную медицинскую информацию в реальном времени [3].

Технологическую эволюцию ИИ можно представить в виде вложенной иерархической структуры, где каждая последующая ступень формируется на основе предыдущей, расширяя ее функциональные возможности и спектр применения. На рисунке 1 показана иерархия ключевых направлений в виде концентрических кругов: внешний круг охватывает всю сферу ИИ, внутренние уровни отражают более специализированные подходы — машинное обучение (Machine Learning), нейронные сети (Neural Networks) и глубокое обучение (Deep learning) [4].

Предложенная структура подчеркивает, что многие современные медицинские ИИ-решения — от анализа медицинских изображений до интеграции разнородных клинических данных — напрямую связаны с прогрессом в области глубокого обучения. Постепенная интеграция данных технологий в клиническую практику изменила подходы к диагностике, прогнозированию, планированию лечения и организации медицинских процессов. Визуализированная хронология ключевых этапов этого развития представлена на рисунке 2, что позволяет проследить логику и динамику технологической трансформации.

Первые шаги ИИ в медицине (1960-1970-е гг.)

В 1960-х гг. появились первые прототипы медицинских программ, демонстрировавших возможность автоматизации отдельных аспектов врачебной деятельности. Одним из таких проектов стал чат-бот ELIZA, имитировавший элементарные психотерапевтические беседы и ставший ранним примером использования методов обработки естественного языка в медицинском контексте [5].

В 1963 г. в базе данных PubMed/MEDLINE была опубликована первая научная статья, посвященная применению ИИ в медицине [6]. Данный факт обозначил начало систематического научного интереса к ИИ в медицинской науке и стал отправной точкой для дальнейших исследований в данной области.

В этот же период основу развития ИИ в здравоохранении составили экспертные системы — программные комплексы, работающие по заранее заданным правилам и алгоритмам, призванные помогать врачам в диагностике и выборе лечебной тактики. Среди них особое место занимает разработанная в начале 1970-х гг. система MYCIN, ориентированная на диагностику инфекционных заболеваний, а также антибактериальной терапии. Клинические испытания MYCIN показали, что система обеспечивает точность рекомендаций на уровне 65%, что превышало средние показатели начинающих врачей и интернов (30-45%). Однако внедрение в практику было ограничено из-за длительного времени взаимодействия (около 30 мин на одного пациента) и отсутствия юридической ответственности за принимаемые системой решения [7].

Другой значимый проект того времени — CASNET (Causal Associational Network), использовавшийся для поддержки диагностики и лечения глаукомы, предоставляя врачу структурированную модель причинно-следственных связей заболевания [8]. Данное цифровое решение считается одним из первых примеров узкоспециализированного применения ИИ в офтальмологии.

Развитие стандартов и СППКР в 1980-е гг.

В 1980-х гг. стремительное увеличение объема медицинских данных стимулировало развитие стандартов их хранения и передачи. Ключевым достижением стал протокол DICOM (Digital Imaging and Communications in Medicine), обеспечивший унифицированный обмен и обработку медицинских изображений [9]. Параллельно появились СППКР нового типа, ориентированные на работу с данными, а не только с фиксированными правилами. Примером служит DXplain (Гарвард, 1987 г.) — система дифференциальной диагностики, способная генерировать список вероятных заболеваний на основе введенных симптомов [10].

Прорыв в анализе медицинских изображений (конец 1980-2010-е гг.)

Конец 1980-х гг. ознаменовался прорывом в области компьютерного анализа изображений благодаря появлению сверточных нейронных сетей (Convolutional Neural Networks), способных эффективно извлекать и обрабатывать сложные визуальные признаки, что нашло особое применение в распознавании опухолей и их автоматизированной диагностике [11]. В дальнейшем именно сверточные нейронные сети стали основой для развития глубокого обучения, а публикация архитектуры AlexNet в 2012 г. стала поворотным моментом, продемонстрировав беспрецедентную точность в задачах классификации изображений и задав новый стандарт в применении ИИ к медицинской визуализации [12].

Алгоритмы глубокого обучения и обработки естественного языка (2000-2015-е гг.)

С начала 2000-х гг. в области медицинского ИИ произошел качественный сдвиг, обусловленный развитием методов глубокого обучения и обработки естественного языка (Natural Language Processing). Появление и совершенствование обработки естественного языка позволило автоматизировать анализ медицинских текстов, что открыло возможности для масштабной оценки врачебных заключений, автоматического кодирования диагнозов и интеллектуального поиска информации в медицинских базах данных [13]. С 2011 г. значительную роль в развитии ИИ в медицине сыграли нейронные сети, способные обучаться на размеченных и неразмеченных медицинских данных.

Появление архитектуры Transformer (с 2017 г.)

Значительный прогресс был достигнут и в области медицинской визуализации. В 2017 г. компания Arterys первой получила одобрение управления по санитарному надзору за качеством пищевых продуктов и медикаментов США на использование клинической облачной платформы глубокого обучения, изначально предназначенной для анализа результатов кардиологических исследований. В дальнейшем функционал системы был расширен для обработки данных компьютерной томографии печени, легких и головного мозга, рентгенографии и других методов визуализации¹.

Тот же год ознаменовался внедрением системы IBM Watson для анализа биомедицинских данных в задачах, связанных с нейродегенеративными заболеваниями. Используя методы обработки естественного языка, Watson была применена для выявления РНК- (рибонуклеиновая кислота)-связывающих белков, имеющих значение в патогенезе бокового амиотрофического склероза [14].

Ключевым технологическим прорывом стало появление архитектуры Transformer. Представленная модель, основанная на механизмах приоритизации, заменила традиционные рекуррентные и сверточные подходы к обработке естественного языка, обеспечив беспрецедентную гибкость и точность при обработке больших текстовых массивов. На основе архитектуры Transformer были разработаны высокоэффективные большие языковые модели, такие как BERT (Bidirectional Encoder Representations from Transformers) и GPT (Generative pre-trained transformer), которые радикально изменили сферу обработки естественного языка и открыли новые горизонты для применения ИИ в медицине, включая автоматизацию медицинской документации, поддержку клинических решений и персонализированную коммуникацию с пациентами [15].

Эра базовых моделей (foundation models) (с 2020-х гг.)

С начала 2020-х гг. наступила новая эпоха в развитии ИИ — эпоха генеративных моделей. Генеративный ИИ — это класс систем, способных создавать новый контент: тексты, изображения, программный код, аудио- и видеоматериалы, но "базовые модели"² — универсальные крупномасштабные архитектуры, обученные на широких данных (обычно с использованием самообучения в больших масштабах) и адаптируемые к широкому спектру последующих задач.

Такие модели, например, ChatGPT, Med-PaLM, BioGPT (примеры базовых языковых моделей, способных формировать ответы на медицинские запросы, помогать в интерпретации медицинских исследований и создавать клинические отчеты), стали ключевым этапом в эволюции медицинских ИИ-систем. Их предварительная многозадачная подготовка позволяет адаптироваться к широкому кругу прикладных задач без необходимости полного переобучения. В отличие от традиционных предметно-ориентированных решений, базовые модели обладают высокой степенью универсальности, что делает их эффективной платформой для создания специализированных приложений в различных областях — от анализа медицинских изображений до автоматизации документооборота [16].

Особое значение имеет возможность объединения различных источников информации — текстовых, визуальных и геномных — в рамках интегрированных СППКР [17]. Такой подход способствует более глубокому пониманию сложных взаимосвязей в медицинских данных и формирует основу для развития персонализированной и прецизионной медицины.

Развитие ИИ в здравоохранении Российской Федерации

Впервые регистрация МИ на основе технологий ИИ в Российской Федерации (2020 г.)

К концу 2020 г. в Российской Федерации началась активная регистрация МИ, использующих технологии ИИ³. Первые цифровые решения, зарегистрированные Федеральной службой по надзору в сфере здравоохранения (Росздравнадзор), обозначили новый этап цифровой трансформации здравоохранения и заложили фундамент для развития единого цифрового контура и внедрения ИИ в здравоохранение.

К числу таких цифровых решений относятся:

— WEBIOMED — платформа для анализа медицинских данных и формирования рекомендаций на основе алгоритмов машинного обучения [18].

— "Botkin.AI" — комплекс для визуализации и автоматизированной обработки медицинских изображений в формате DICOM, который используется для вывода данных компьютерной томографии, рентгенографических данных и ряда других исследований (зарегистрировано первое в Российской Федерации программное обеспечение с ИИ для анализа медицинских снимков) [19].

— Нейросетевая система Care Mentor AI — инструмент для интерпретации медицинских изображений и оптимизации процессов клинической диагностики [20].

В этом же году, в соответствии с Федеральным законом от 24.04.2020 № 123-ФЗ⁴, был установлен экспериментальный правовой режим для города Москвы с целью создания необходимых условий для разработки и внедрения технологий ИИ в субъекте Российской Федерации, а также для последующего возможного использования результатов их применения. В рамках реализации данного режима была создана платформа "МосМедИИ" — цифровая инфраструктура, предназначенная для аккумулирования решений на основе ИИ и обеспечения государственных медицинских организаций возможностью их бесплатного подключения в различных регионах страны. Деятельность платформы способствует формированию условий для масштабного внедрения интеллектуальных технологий в клиническую практику [21].

В последующие годы темпы регистрации МИ с применением технологий ИИ в Российской Федерации демонстрировали устойчивый рост (рисунок 3).

Если в 2020 г. было зарегистрировано лишь 3 МИ на основе технологий ИИ, то уже в 2021 г. их количество увеличилось до 10. В 2022 г. было зарегистрировано 7 МИ, в 2023 г. — 5, в 2024 г. — 14, а за период с января по 13 августа 2025 г. — еще 8 МИ. Такая динамика свидетельствует о поступательном развитии рынка и постепенном расширении практического применения ИИ в здравоохранении.

Основные направления использования технологий ИИ в здравоохранении Российской Федерации в 2025 г.

По состоянию на 13 августа 2025г в Российской Федерации зарегистрировано 47 МИ, функционирующих на основе технологий ИИ³. Их структура распределена по трем ключевым направлениям, включающим восемь специализированных категорий применения (рисунок 4).

Рисунок 4 демонстрирует общую структуру зарегистрированных МИ на основе технологий ИИ в Российской Федерации (по состоянию на 13 августа 2025 г.)⁵. В таблице 1 эти данные уточняются: из 47 МИ 7 (14,9%) относятся к анализу клинико-диагностических данных, 39 (83%) — к анализу медицинских изображений, включая радиологию, эндоскопию, электрокардиограммы, ультразвуковые исследования и иные методы визуализации, а 1 (2,1%) — к клиническому планированию и прогнозированию. Такое распределение подчеркивает доминирование радиологии при одновременном расширении спектра применения ИИ в других клинических областях.

Анализ представленных данных показывает, что наибольшее количество зарегистрированных МИ с ИИ приходится на сегмент анализа медицинских изображений, что отражает общемировую тенденцию приоритетного внедрения интеллектуальных технологий в радиологию и смежные диагностические направления. Вместе с тем, значительная часть разработок относится к сфере интеллектуальной обработки клинико-диагностических данных, а также к задачам клинического планирования и прогнозирования, что свидетельствует о постепенном расширении функционального спектра ИИ в здравоохранении Российской Федерации.

Отдельного внимания заслуживает опыт Платформы "МосМедИИ", созданной для централизованного тестирования и внедрения цифровых решений на основе ИИ. По состоянию на август 2025 г. на платформе агрегировано 17⁶ ИИ сервисов, из которых 15 относятся к числу зарегистрированных МИ и двух (CVISIONLAB и "АИ Диагностик компьютерная томография органов грудной клетки (КТ ОГК) комплекс"), которые представляют собой специализированные сервисы автоматизированного анализа, не имеющих формального статуса МИ. Весь сегмент направлен на анализ медицинских изображений, включая автоматическую интерпретацию данных компьютерной томографии, рентгенографии, маммографии и других методов лучевой диагностики.

Такое распределение подтверждает ключевую роль радиологических технологий как основной области практического применения ИИ в медицинской сфере на текущем этапе цифровой трансформации здравоохранения в Российской Федерации.

Этические и нормативно-правовые аспекты применения ИИ в медицине

Развитие и внедрение сложных систем ИИ в медицинскую практику неизбежно сопровождается появлением целого комплекса этических, нормативно-правовых вопросов и социально-технических вызовов. Ключевыми из них являются вопросы прозрачности и воспроизводимости алгоритмов, а также распределения ответственности за возможные ошибки.

Одной из наиболее серьезных проблем считается феномен "черного ящика", когда логика принятия решений алгоритмом остается недоступной для внешнего наблюдателя. В подобных условиях становится затруднительным определение источников возможных ошибок, а возложение полной моральной ответственности на медицинский персонал представляется проблематичным. Выявление и корректировка ошибок требуют все более глубокого технического понимания принципов работы ИИ-моделей, что выходит за рамки традиционной клинической подготовки. К этическим вызовам также относятся вопросы принятия ИИ-технологий медицинским сообществом, готовности пациентов доверять таким решениям [22].

В настоящее время врачи обязаны проверять достоверность результатов, полученных с применением ИИ. Однако в долгосрочной перспективе возникает вопрос о реализуемости этого требования, особенно с учетом риска "систематической ошибки автоматизации", при котором прогнозы ИИ воспринимаются как безусловно верные и становятся основой для принятия решений без дополнительной верификации. В Российской Федерации этические ориентиры закреплены в "Кодексе этики применения ИИ в сфере охраны здоровья" (Этический кодекс ИИ)⁷. Документ определяет рамки безопасного и этичного применения ИИ на всех этапах жизненного цикла — от проектирования и валидации до эксплуатации и вывода из использования. Этический кодекс ИИ включает требования к прозрачности и объяснимости алгоритмов, защите персональных данных, предотвращению дискриминации и обеспечению равного доступа к технологиям.

Тем не менее, чрезмерная автоматизация несет и обратную угрозу — постепенную утрату клинической компетентности, т.е. "дескиллинг"⁸. С ростом "цифровой грамотности" у медицинских работников может наблюдаться снижение уровня "клинической грамотности", что затруднит как контроль качества работы алгоритмов, так и поддержание качественных коммуникаций между врачом и пациентом [23].

Наряду с этическими вызовами сохраняются и технические ограничения. Генеративные модели подвержены так называемым "галлюцинациям" — выдаче ложной, вымышленной или неподтвержденной информации, что особенно критично для высокочувствительных диагностических и терапевтических областей [24]. Дополнительными проблемами остаются предвзятость обучающих данных, влияющая на обобщающую способность моделей, а также значительные затраты на внедрение и эксплуатацию ИИ-систем. В этих условиях выбор между методами глубокого обучения и классическими алгоритмами, основанными на знаниях и логике, должен определяться особенностями клинической задачи, требованиями к объяснимости и допустимому уровню риска [25].

Долгосрочные перспективы развития ИИ в здравоохранении: от современных технологий к рекурсивному самосовершенствованию

Глобальные тенденции

На текущем этапе развития медицинские технологии, основанные на ИИ, демонстрируют значительные успехи в клинической практике. Современные системы все чаще достигают высокой степени автономности и точности, однако их функционал пока ограничен рамками узкоспециализированных задач — анализа медицинских изображений, обработки клинико-диагностических данных, прогнозирования исходов лечения и СППКР. Их эффективность напрямую зависит от архитектуры алгоритмов и качества обучающих данных, что пока не позволяет выйти за пределы уровня "слабого ИИ".

В долгосрочной перспективе развитие ИИ в здравоохранении может перейти на качественно новый уровень, связанный с рекурсивным самосовершенствованием⁹ — "процессом, в ходе которого ранняя или слабая система общего ИИ расширяет свои возможности и интеллект без вмешательства человека, что приводит к сверхразуму или интеллектуальному взрыву" [26].

Под сверхразумным ИИ подразумеваются гипотетические системы, интеллектуальные способности которых значительно превосходят возможности лучших представителей человечества во всех областях, включая медицину, биоэтику, научные исследования и эмоциональный интеллект [27]. В контексте интеллектуального здравоохранения сверхразумный ИИ сможет не только соперничать, но и превосходить ведущих специалистов: предсказывать эпидемиологические вспышки до их возникновения, разрабатывать новые лекарственные препараты и методы лечения, а также управлять глобальными системами здравоохранения с беспрецедентной точностью и эффективностью [28].

I. Автономное обнаружение знаний

Гипотетически сверхразумная медицинская система могла бы:

— ежедневно анализировать тысячи новых научных публикаций;

— проектировать и инициировать клинические испытания;

— моделировать фармакологическое действие препаратов на молекулярном и клеточном уровнях;

— разрабатывать индивидуализированные планы лечения с учетом генетических и эпигенетических особенностей пациента.

Такие системы, вероятно, будут базироваться на усовершенствованных версиях современных ИИ с внедренными рекурсивными механизмами самообучения и стратегической ориентацией на долгосрочные цели.

II. Управление глобальными системами здравоохранения

Помимо индивидуального клинического применения, сверхразумный ИИ теоретически сможет управлять системами здравоохранения на национальном и международном уровнях: оптимизировать распределение ресурсов между странами, прогнозировать и предотвращать пандемии, а также принимать взвешенные решения в сложных биоэтических ситуациях [29]. Как отмечают исследователи (Thorn R, et al.), подобные системы могут также ускорять проведение метаисследований, выявлять системную предвзятость и разрабатывать новые методологии в медицинской науке [30].

III. Интеграция этического, эмоционального и социального интеллекта

Важным направлением станет развитие эмоционального интеллекта у ИИ — способности учитывать культурные, психологические и социальные особенности пациента, что позволит вести терапевтический диалог эффективнее врача, повышая доверие и качество взаимодействия [31]. Morley J, et al. подчеркивают, что потенциал ИИ в этой области должен учитываться уже сегодня при формировании этических норм, стандартов прозрачности и механизмов подотчетности [32].

Несмотря на то, что концепция сверхразумного ИИ и рекурсивного самосовершенствования остается гипотетической, она служит важным ориентиром для стратегического планирования и разработки рамок ответственного внедрения технологий в здравоохранение [33]. Такой подход может обеспечить баланс между научным прогрессом, безопасностью пациентов и этическими нормами, определяя траекторию развития "интеллектуальной медицины" на десятилетия вперед.

Российский контекст

Траектория развития ИИ в российском здравоохранении в целом сопоставима с мировыми тенденциями, при этом по ряду направлений страна демонстрирует высокий уровень "цифровой зрелости" [34]. Одним из ключевых недавних шагов стало принятие Этического кодекса ИИ, который формирует основу для практического применения технологий в медицинской сфере. Несмотря на его рекомендательный характер, документ задает вектор для формирования нормативно-правовой базы, обеспечивающей прозрачность алгоритмов, возможность проверки результатов, защиту персональных данных и справедливое распределение ответственности между разработчиками, медицинскими организациями и регуляторами.

Значимым преимуществом российского подхода является активное участие профессионального медицинского сообщества в разработке критериев качества и безопасности, что позволяет более гибко адаптировать ИИ-решения к потребностям клинической практики.

Таким образом, Россия не только следует глобальным трендам, но и создает предпосылки для укрепления собственного технологического суверенитета в области ИИ в здравоохранении. Данные таблицы 2 демонстрируют сопоставимость отечественных достижений с мировым опытом и отражают общий вектор развития медицинских технологий в сторону более интеллектуальных систем, конечной точкой эволюции которых может стать переход к концепции "сверхразума", или так называемого "интеллектуального взрыва".

Заключение

Развитие ИИ в здравоохранении в период 1960-2025 гг. показало переход от простых экспертных систем к многоуровневым цифровым платформам, интегрированным в клиническую практику. ИИ сегодня становится не только инструментом СППКР, но и основой новой парадигмы медицины, ориентированной на профилактику, предикцию и персонализацию лечения.

Наряду с очевидными преимуществами сохраняются вызовы: непрозрачность алгоритмов ("черный ящик"), риск утраты клинической компетентности, предвзятость данных и необходимость нормативно правового регулирования.

Долгосрочная перспектива связана с гипотезой рекурсивного самосовершенствования и концепцией "сверхразума", или "интеллектуального взрыва", которые пока остаются теоретическими, но задают вектор для стратегического развития медицины будущего.

Таким образом, эффективность применения ИИ в здравоохранении будет определяться балансом между научным прогрессом, безопасностью пациентов и этическими принципами, что формирует фундамент для эры интеллектуальных медицинских систем XXI в.