Около 75% из 1400 медицинских устройств с ИИ, одобренных FDA к началу 2026 года, относятся к радиологии. ИИ в радиологии уже научился находить часть патологий не хуже, а иногда и лучше человека, но обещанной десять лет назад «смерти профессии» не случилось: врачей-рентгенологов, наоборот, становится больше. Для IT-аудитории здесь важен не только медицинский сюжет, но и более общий вывод: зрелый ИИ не обязательно увольняет экспертов, зато почти всегда переписывает их работу.
Как пишет Ars Technica, в 2016 году Джеффри Хинтон предсказал, что компьютеры заменят радиологов в течение пяти лет. В 2026-м эта реплика выглядит скорее как слишком ранний твит, чем как точный прогноз. По данным из статьи, численность специалистов в радиологии в ближайшие три десятилетия может вырасти минимум на 26%. При этом сам Хинтон ошибся не во всем: у радиологов действительно появился «кремниевый коллега», который умеет разбирать снимки на уровне человека, а в некоторых задачах и выше.
Радиология стала для медицины главным полигоном ИИ не случайно. Это дисциплина, где огромные массивы стандартизированных изображений, понятные метрики качества и высокая цена диагностической ошибки. Часть систем решает довольно прикладные задачи: помогает быстрее оформлять заключения или поднимать наверх срочные исследования. Но есть и более амбициозные инструменты: они выделяют контуры очагов, распознают подтипы опухолей и замечают отклонения, которые врач может пропустить. В статье приводится пример с анализом 43 клинических испытаний: колоноскопия с ИИ находит больше полипов, чем обычная. На фоне того, что средняя доля человеческих ошибок при интерпретации диагностических изображений оценивается в 3-5%, а в мировом масштабе это примерно 40 млн ошибок в год, интерес к таким системам выглядит не хайпом, а прагматикой.
Проблема в том, что сценарий «алгоритм точнее, значит человек больше не нужен» плохо работает в реальной клинике. Директор Stanford Center for Artificial Intelligence in Medicine and Imaging Кертис Лэнглотц объясняет это на простом примере: если гипотетическая система находит 95% легочных узелков на КТ грудной клетки, а радиолог в среднем 90%, это еще не означает автоматическую победу машины. Часть тех 5%, что ИИ пропустит, может увидеть человек. И наоборот. Машина просматривает каждый пиксель без усталости и отвлечений, а врач понимает контекст заболевания, сопутствующие факторы и клиническую картину пациента. Это не одно и то же мышление, а два разных типа интеллекта, которые иногда ошибаются в разных местах.
Отсюда и новая, довольно неприятная роль врача: не просто поставить диагноз, а постоянно решать, когда нужно согласиться с алгоритмом, а когда наложить вето. ИИ в радиологии чаще всего строится на нейросетях, а не на старых rule-based системах, которые хотя бы можно было логически разобрать. Электронные медкарты давно предупреждают врачей, например, о потенциально опасных лекарственных взаимодействиях, и такие предупреждения медики, по словам Лэнглотца, отменяют примерно в половине случаев. С нейросетями сложнее: они работают как черный ящик. Радиолог видит вывод, но не всегда понимает, почему модель решила именно так. Из-за этого меняется сама когнитивная нагрузка: врачу нужно не только смотреть снимок, но и постоянно калибровать доверие к системе, которая часто права, но ошибается не по-человечески.
Самый интересный слой этой истории для разработчиков и продуктовых команд связан не с точностью модели, а с поведением пользователя. В статье разбираются два типовых сбоя. Первый — automation bias, когда врач слишком охотно принимает вывод ИИ, включая ложноположительные сигналы. Второй — automation complacency, когда из-за привычки к надежной системе падает бдительность и пропускаются редкие, но критичные ошибки, например кровь в мозге на КТ или МРТ. Есть и обратная проблема: недоверие к ИИ. Достаточно одной глупой ложной тревоги, чтобы специалист махнул рукой на систему целиком. Именно поэтому в медицине внезапно становятся ключевыми вещи, которые IT-команды иногда считают второстепенными: интерфейс доверия, объяснимость, confidence score, сценарии эскалации и нормальное обучение пользователей. В статье приводится тревожная цифра из опроса American Medical Association за 2026 год: больше четверти врачей вообще не проходили обучение по ИИ, и только 11% сказали, что получили его в большом объеме.
Для отрасли это довольно жесткий сигнал. Главная ценность ИИ в профессиях с высокой ценой ошибки — не в замене головы, а в перенастройке конвейера решений. Если переносить этот вывод за пределы медицины, получается понятная картина и для других рынков: выигрывают не те компании, которые просто «прикрутили модель», а те, кто спроектировал совместную работу человека и машины, измерил типовые ошибки и встроил право на осмысленное вето. Радиологи, которые умеют работать с ИИ, уже получают преимущество перед теми, кто игнорирует новые инструменты. Для вендоров же ставка смещается с голой демонстрации accuracy в сторону более скучных, но гораздо более важных вещей: качества данных, обучения, UX и прозрачности границ, в которых модель ломается.
Следующий большой вопрос звучит уже не как «заменит ли ИИ радиолога», а как «кто лучше перестроит рабочее место эксперта под ИИ и кто возьмет ответственность за ошибки этой связки». В медицине ответ на него особенно дорогой, но для всей индустрии интеллектуального софта он, похоже, будет тем же самым. Подробнее об этом кейсе пишет .