По данным FDA, к 2026 году регулятор одобрил уже более 1600 медицинских устройств на основе искусственного интеллекта — больше, чем за все предыдущие годы вместе взятые. Прорывы при этом происходят не только в лабораториях: ИИ уже стоит в клиническом контуре, читает снимки, ищет молекулы для новых лекарств и перерабатывает миллионы научных статей. В этом материале — только проверяемые факты и направления, где эффект подтверждён исследованиями. Оценки помечены отдельно.

Диагностика по снимкам: самый зрелый рынок ИИ в медицине

Изображения — самая развитая область применения. По данным анализа более тысячи одобренных FDA устройств, около 84% используют изображения как основной вход (Nature npj Digital Medicine, 2025). Это логично: распознавание образов — сильнейшая сторона нейросетей, а в медицине накоплены огромные размеченные архивы снимков.

Самый показательный пример — шведское рандомизированное исследование MASAI (The Lancet Oncology). ИИ-поддержка при чтении маммограмм позволила найти на 20% больше раков молочной железы, чем стандартное двойное чтение двумя радиологами, — без роста ложноположительных результатов. Дополнительный бонус: нагрузка на радиологов сократилась на 44%. Финальные результаты (2025) подтвердили: чувствительность выше, а частота «промежуточных» раков не хуже, чем без ИИ.

Работает это и в патологии: компания Paige получила одобрение FDA на ИИ для выявления рака предстательной железы в биопсиях — один из первых инструментов такого класса в цифровой патологии. А системы скрининга сетчатки глаза (Google, Verily) прошли клиническую валидацию и применяются в программах скрининга диабетической ретинопатии в Индии и других странах.

Главный ограничитель — «чёрный ящик»

Модель может быть точной на данных, на которых её обучали, и заметно хуже работать на другом оборудовании или другой популяции. Поэтому любой ответственный проект требует валидации на своих данных и врача в контуре: модель подсвечивает, решение принимает человек.

Поиск лекарств: от идеи до клинических испытаний

Здесь ИИ закрывает два этапа: поиск биологической цели (какой белок «выключить», чтобы вылечить болезнь) и генерацию молекул, которые на эту цель действуют.

Показательный прецедент — INS018_055 от Insilico Medicine: первое лекарство, где и цель (белок TNIK), и молекула найдены генеративным ИИ. От старта проекта до доклинического кандидата прошло около 18 месяцев — примерно вдвое быстрее среднего по отрасли. В 2023 году препарат против фиброза лёгких дошёл до II фазы клинических испытаний в США и Китае и получил статус орфанного от FDA; полное описание пути опубликовано в Nature Biotechnology (2024).

Масштаб вложений подтверждает тренд: Isomorphic Labs — спин-офф DeepMind — в 2024 году заключил партнёрства с Eli Lilly и Novartis; суммарная стоимость соглашений оценивается примерно в 4 миллиарда долларов (оценка по открытым заявлениям компаний).

Отдельная линия — предсказание эффекта мутаций: модель AlphaMissense классифицировала 71 миллион миссенс-вариантов, то есть почти все возможные. Это помогает генетикам переводить «варианты неизвестного значения» в категории «вероятно патогенные» или «вероятно доброкачественные».

Чего пока нет

Большинство ИИ-кандидатов не доходит до поздних фаз — статистика клинических испытаний жёсткая для всех. Скорость на доклинике не гарантирует успех в испытаниях. Реальный эффект ИИ в фарме станет виден через годы, а не месяцы.

Анализ исследований: ИИ как второй читатель

В PubMed — крупнейшей базе биомедицинской литературы — больше 30 миллионов статей, и поток растёт. Врачу или исследователю физически невозможно уследить за всем даже по своей узкой теме.

ИИ-инструменты закрывают эту дыру: Elicit и Consensus находят статьи по описанию задачи и делают сводки со ссылками на источники; сервис scite показывает, как конкретную статью цитируют — с поддержкой, опровержением или простым упоминанием. Это не замена чтения, а способ не пропустить ключевое.

Тот же принцип — RAG, подключение модели к своим документам: клиники и фармкомпании подключают ИИ-ассистентов к протоколам, регламентам и архивам испытаний. Это ровно та технология, на которой строятся корпоративные ИИ-агенты.

Границы

Модели могут выдумывать ссылки и смешивать похожие исследования. Правило простое: сводка — для ориентира, решение — по первоисточнику.

Что это значит для бизнеса

ИИ в медицине — это не замена врача, а инструмент, который убирает рутину и расширяет возможности: больше снимков проанализировано, больше кандидатов проверено, больше статей прочитано. Компании, которые встраивают такие инструменты в свои процессы уже сейчас, получают операционное преимущество — до того, как это станет стандартом.

1600+устройств с ИИ одобрено FDA (2026)
20%больше раков находит ИИ-скрининг (MASAI)
18 месот идеи до кандидата на лекарство (Insilico)
Главное правило ИИ в медицине — человек в контуре. Модель ускоряет и подсвечивает, решение принимает специалист. Любая система, которая пытается заменить врача целиком, — это не технология, а риск.

Если ваш бизнес работает с медициной или фармой и вы хотите встроить ИИ в процессы — от обработки документов до анализа обращений, — обсудим задачу на ваших данных.