ИИ в медицине: почему громкие обещания пока не оправдываются

Компании, занимающиеся искусственным интеллектом, часто делают громкие заявления о его роли в медицине. Например, Alphabet’s Isomorphic обещает, что «передовая ИИ-технология откроет новые научные горизонты, ускорит прорывы и создаст лекарства, способные изменить жизни». А стартап Lila уверяет, что его ИИ ускоряет открытия «во всех областях, где важны революционные научные достижения».

Некоторые компании вкладывают миллионы в развитие таких технологий. Так, Anthropic недавно приобрела стартап Coefficient Bio за $400 млн. Однако единственный реальный критерий успеха ИИ в медицине — это проверка на людях: помог ли он создать лекарство, которое спасло чью-то жизнь? Пока таких примеров крайне мало.

Взглянем на статистику: у Isomorphic нет одобренных препаратов, как и у Lila. Маркетинговые обещания ИИ-стартапов редко выдерживают столкновение с реальностью. Почему так происходит?

Почему разработка лекарств остаётся сложной задачей

Создание нового лекарства — это долгий и дорогостоящий процесс. Чтобы проверить эффективность препарата, его необходимо пройти через III фазу клинических испытаний, которая обычно занимает около 10 лет и требует инвестиций в $2 млрд. Для диагностических инструментов тоже нужны доказательства клинической пользы, прохождение строгих независимых тестов и создание системы управления качеством, прежде чем продукт допустят к применению в клинике.

Открытие и подтверждение новых биологических механизмов может занять десятилетия экспериментов. ИИ способен ускорить этот процесс, но только если его модели проходят проверку на реальных данных.

Как компании приближают ИИ к реальной медицине

Лучшие игроки рынка уже работают над тем, чтобы сократить разрыв между обучением ИИ и его применением в клинической практике. Например:

• Insilico Medicine и Recursion продвигают препараты, разработанные с помощью ИИ, через клинические испытания.
• Owkin вывела свой онкологический препарат OKN4395 в Ia фазу клинического исследования INVOKE.
• Компания также обучала свои модели на реальных данных пациентов на протяжении нескольких лет и внедрила продукт MSIntuit CRC в европейскую клиническую практику после получения сертификата CE.

Эти примеры показывают, что путь от ИИ-модели до реального лекарства требует не только технологических инноваций, но и упорной работы над адаптацией решений к реальным условиям.

ИИ должен учиться на реальных данных

В Owkin мы убеждены, что проверка моделей на реальных пациентах — это не просто этап, а основа для улучшения ИИ. В отличие от традиционных клинических испытаний, где анализируются только ключевые показатели успеха, мы используем обратную связь в реальном времени.

Если прогнозы ИИ о реакции пациентов оказываются неточными, мы переобучаем модели на основе реальных данных. Это создаёт положительный цикл: чем больше информации мы получаем от пациентов, тем лучше становится ИИ, тем эффективнее он работает для медицины, и тем больше новых моделей мы можем тестировать.

Таким образом, будущее ИИ в медицине зависит не от громких обещаний, а от кропотливой работы по интеграции технологий в реальные условия. Только так можно создать решения, которые действительно спасут жизни.