Доверенный ИИ в цифровой медицине и анализе ЭКГ - Андрей Бурсов, ИСП РАН

Андрей Бурсов, представитель ИСП РАН, на конференции «Технологии искусственного интеллекта 2026» от Cnews представил опыт создания системы автоматизированного анализа ЭКГ, основанной на классическом машинном обучении и принципах доверенного ИИ.

Вызовы современной цифровой медицины

Цифровая трансформация здравоохранения сталкивается с системными барьерами. Одной из главных проблем является фрагментация данных: в России функционирует около 94 различных медицинских информационных систем, каждая из которых использует свои форматы хранения. Это создает сложности при агрегации данных и требует разработки специальных шлюзов адаптации. Кроме того, остро стоит вопрос вычислительных ресурсов и кибербезопасности. В контексте использования языковых моделей возникают риски их применения в деструктивных целях, что делает критически важным создание независимой от зарубежных производителей инфраструктуры.

Проблема экспертной субъективности

Одной из ключевых сложностей при обучении медицинского ИИ является отсутствие абсолютного эталона истины. Как отмечает Андрей Бурсов, «медицина достаточно субъективна», и даже группа профильных специалистов может разойтись во мнениях при анализе одного и того же клинического случая. Для минимизации этого риска команда ИСП РАН реализовала стратегию внутреннего контроля: вместо использования разрозненных внешних выборок был нанят собственный штат врачей, что позволило добиться высокой согласованности аннотирования данных.

Путь от исследования к медицинскому изделию

Разработка системы анализа 12-канальных ЭКГ началась в 2019 году с фундаментальных работ по анализу цифровых сигналов. Процесс превращения алгоритма в легальный продукт занял два года, что, по словам автора, является «катастрофическим сроком для искусственного интеллекта» из-за высокой скорости обновления технологий. Тем не менее, этот путь позволил получить регистрационное удостоверение Росздравнадзора на изделие третьего класса риска. Это достижение выделяет ИСП РАН как первый государственный НИИ в IT-сфере, добившийся такой регистрации.

Техническая реализация и масштабирование

Система была обучена на массиве из 1,5 миллиона ЭКГ, собранных в различных регионах России. Первоначально набор распознаваемых синдромов был ограничен 11-ю позициями (один был исключен в ходе клинических испытаний из-за малой выборки), но на текущий момент список расширен до более чем 35 патологий. Опыт международного тестирования, в том числе в Мавритании, выявил физиологические и внешние факторы влияния: сухая кожа пациентов или особенности анатомии могут препятствовать качественному контакту электродов, что приводит к сбоям в работе системы.

Переход к мультимодальному анализу

Стратегия развития продукта предполагает постепенное упрощение интерфейса взаимодействия при сохранении диагностической ценности. 12-канальная ЭКГ требует специализированного оборудования и персонала. Переход на 6-канальные системы открывает возможности для телемедицины и домашнего мониторинга. Наиболее амбициозным направлением является одноканальный анализ, ориентированный на носимые устройства (Apple Watch, Samsung Galaxy, Huawei и др.). Хотя в одноканальном сигнале невозможно обнаружить инфаркт, он позволяет эффективно выявлять жизнеугрожающие нарушения ритма.

Борьба с шумами и данные Москвы

С 2025 года ИСП РАН проводит масштабный эксперимент по сбору обезличенных данных в больницах Москвы, объединяя 1- и 12-канальные записи. Основной технической задачей здесь является борьба с артефактами: движениями пациента, шумами при дыхании или особенностями кожи. Очистка сигнала от этих помех критически важна для корректной работы моделей машинного обучения в реальных условиях эксплуатации.

Экономика и архитектура будущего

Важным аспектом является разрыв связи между оборудованием и аналитикой. Традиционно алгоритмы «зашиты» в кардиографы, что создает жесткую зависимость от вендора. Использование форматов EDF, DICOM и Voiform позволяет создать универсальный слой анализа. В настоящее время ИСП РАН сотрудничает с пятью отечественными производителями оборудования, с двумя из которых уже подписаны контракты на внедрение системы в регионы.

Перспективы развития

Будущее диагностики видится в переходе к VLM (Vision-Language Models), где возможности больших языковых моделей будут интегрированы с классическим машинным обучением для обогащения результатов анализа. Это позволит объединить точность математических алгоритмов и гибкость интерпретации данных, характерную для современных LLM. Как подчеркивает автор, «вендорная зависимость оттуда должна просто в принципе уходить», что станет возможным при полной реализации мультимодального подхода.

Кибербезопасность и суверенитет как фундамент цифрового здравоохранения. Внедрение ИИ в медицину невозможно без обеспечения полной независимости от зарубежных вендоров, так как медицинские системы являются критической инфраструктурой. Риски использования внешних LLM включают не только утечку данных, но и возможность их милитаризированного применения, что требует создания доверенного отечественного ПО и верифицированных инструментов разработки.

Преодоление субъективности медицинской диагностики через Big Data. Проблема человеческого фактора проявляется даже на уровне узких специалистов: три кардиолога могут дать разные интерпретации одного снимка. Решением становится обучение моделей на массивах данных, превышающих миллион записей (в кейсе ИСП РАН использовано 1,5 млн ЭКГ), и создание собственного штата врачей-аннотаторов для обеспечения согласованности разметки.

Эволюция диагностических модальностей от клиники к носимым устройствам. Развитие продукта прошло путь от сложных 12-канальных систем (стационар) через 6-канальные комплексы (телемедицина) к одноканальным решениям (смарт-часы). Каждый этап требует разного подхода: если в стационаре приоритетом является точность и полнота данных, то в носимых устройствах главной проблемой становится фильтрация шумов, вызванных физиологией пациента или его движениями.

Ликвидация вендорной зависимости через открытые стандарты. Современная функциональная диагностика часто заблокирована внутри проприетарных алгоритмов производителей оборудования. Переход на международные форматы данных, такие как EDF, DICOM и Voiform, позволяет отвязать анализ сигнала от конкретного «железа», превращая диагностику в независимый IT-сервис, который может работать с данными любого производителя.