«Скрининг за 45 секунд на глубине четырёх километров»: Google довела открытые модели до клиник шести стран

Узкое место — не модель, а рентгенолог

Туберкулёз излечим и предотвратим, но, по оценке Google, уносит около 1,23 млн жизней в год. Главный барьер в публикации назван прямо: радиология. В странах с высокой нагрузкой рентгенологов мало, а до аппарата иногда дни пути — это касается и жителей отдалённых сельских районов, и шахтёров, работающих глубоко под землёй. В результате миллионы активных случаев остаются невыявленными и продолжают передаваться дальше.

Отсчёт команда ведёт с 2019 года: тогда в журнале Radiology вышел бенчмарк, показавший, что алгоритм глубокого обучения выявляет активный туберкулёз лёгких на уровне опытных рентгенологов.

Дальше началась независимая проверка. В августе 2021 года Stop TB Partnership оценил программное обеспечение автоматического выявления (CAD) на разных когортах пациентов в The Lancet Digital Health и поставил модель Google в число лучших в мире. В том же году ВОЗ рекомендовала CAD для скрининга и сортировки при туберкулёзе.

В сентябре 2024 года в NEJM AI вышла проспективная многоцентровая валидация: скрининг с поддержкой ИИ сохранял высокую чувствительность, то есть реже пропускал случаи, на разных популяциях и попутно находил другие изменения в лёгких и сердце.

Разрыв между статьёй и прибором у постели

Опубликовать статью — только начало. Между алгоритмом и инструментом, которому доверяют врачи, лежит то, что в публикации называют translation gap: программа должна одинаково работать на разных рентгеновских аппаратах и без интернета, встраиваться в клинический процесс и проходить регулирование как медицинское изделие.

Эту часть взяла на себя Nexus AI — медицинская технологическая компания из Претории. Она перевела алгоритмы Google в сертифицированный диагностический инструмент и прошла три проверки. Первая — сертификация CE MDR class IIb по регламенту ЕС 2017/745: категория присваивается по результатам проспективных клинических оценок. Вторая — сертифицированное соответствие ISO 13485, стандарту системы качества для медицинских изделий. Третья — соглашение с FIND, чтобы двигаться к предквалификации ВОЗ (WHO PQ), без которой невозможны международные закупки через глобальные агентства; параллельно идёт путь к разрешению FDA в США.

Аппаратная часть — портативный комплекс MinXray с экраном и стойкой. В подписи к фотографии Google указывает, что устройство проверяет снимки грудной клетки на заболевания лёгких, включая туберкулёз, за 45 секунд и меньше.

Что показывают цифры на передовой

Сегодня инструмент Nexus Intelligence работает примерно в 40 медицинских учреждениях. Действующие рынки — ЮАР, Сьерра-Леоне и Кот-д'Ивуар; развёртывание ещё идёт в Демократической Республике Конго, Замбии и Камеруне. Разные стадии важно не складывать: шесть стран в тексте — это охват программы, а не шесть действующих национальных систем.

Более 90 клиницистов оценили свыше 25 000 рентгеновских снимков. Время до результата сократилось с недель до менее чем 45 секунд, что ускоряет быструю сортировку, но окончательное клиническое решение остаётся за медицинским работником.

Отдельно заявлена часть про равный доступ: Nexus AI провела более 3 000 бесплатных скринингов для малообеспеченных государственных клиник и идёт к цели в 10 000 спонсируемых обследований в год. Это цель, а не достигнутый результат.

Мпоненг: скрининг на глубине четырёх километров

Самый наглядный пример из публикации — золотой рудник Mponeng в ЮАР, один из самых глубоких в мире. Шахтёры глубоких горизонтов постоянно вдыхают кварцевую пыль, и риск болезней лёгких у них повышен. Вместе со Stop TB Partnership, Harmony Gold Mine и министерством здравоохранения ЮАР компания развернула сверхпортативные комплексы цифровой рентгенографии и ИИ, работающий офлайн, на глубине четырёх километров под землёй.

Шахтёров проверяют на месте за секунды, а тех, у кого заподозрили туберкулёз, сразу направляют на подтверждающее молекулярное исследование. Скрининг, сортировка и подтверждение укладываются в один визит — вместо пути, который обычно занимает недели.

От точечного решения к открытым моделям

Один партнёр и одно кастомное решение глобальную нагрузку не закрывают, поэтому Google перешла к открытым фундаментальным моделям. Через программу Health AI Developer Foundations (HAI-DEF) компания открыла эмбеддинги для снимков грудной клетки и MedSigLIP — лёгкую модель, которая сопоставляет медицинские изображения с клиническим языком. Разработчик может искать и классифицировать снимки обычными текстовыми метками или дообучить модель на небольшом локальном наборе примеров, не имея большого вычислительного парка.

Следующий шаг — MedGemma, семейство открытых мультимодальных моделей с 4 и 27 млрд параметров. Она умеет не только классифицировать: модель связывает находки на снимке с клинической историей, отвечает на вопросы врача обычным языком и работает локально на устройстве без доступа в интернет. По данным Google, MedGemma скачали более 10 млн раз по всему миру.

Пример национального масштаба — Индонезия, где нагрузка по туберкулёзу вторая в мире. Министерство здравоохранения ставит цель обследовать 50 млн граждан в год. Просмотреть 50 млн снимков вручную невозможно, а проприетарное облако упирается в требования к хранению данных внутри страны, поэтому ведомство дообучает MedGemma и MedSigLIP на отечественных снимках грудной клетки и держит модели на локальной инфраструктуре.

Слух вместо снимка: HeAR

Рентгеновский аппарат есть не в каждом медпункте, поэтому Google Research развивает и акустический скрининг. Модель Health Acoustic Representations (HeAR) обучена более чем на 300 млн аудиофрагментов и ищет признаки болезни по кашлю, записанному на микрофон обычного смартфона.

В Африке южнее Сахары подход проверяют в исследованиях с CIDRZ (Замбия), Институтом Аурум (Гана, при поддержке гранта Google.org на 250 тыс. долларов) и региональным объединением HELINA с бюджетом 1,5 млн долларов. Вместе акустическая сортировка, мобильная рентгенография и мультимодальное клиническое рассуждение складываются в одну диагностическую цепочку для тех, кому недоступна обычная помощь.

Что в публикации остаётся непроверенным

Точность самих развёрнутых установок в тексте не измерена: числа про чувствительность относятся к проспективной валидации сентября 2024 года в NEJM AI, а не к 25 000 снимков, прочитанных в 40 учреждениях. Размеров когорт, демографических деталей и частоты ошибок для текущих установок публикация не приводит.

45 секунд — это скорость получения ответа, а не качество диагноза. Предквалификация ВОЗ не получена: есть соглашение с FIND о движении к ней. Разрешение FDA в США описано как идущий путь, а не как выданный документ.

Наконец, это корпоративный исследовательский блог, приуроченный к конференции IDWeek 2026 в Вашингтоне, а не рецензируемая статья. Все цифры охвата взяты из него и другими источниками пока не подтверждены.