В России создана нейросеть для совмещения медицинских снимков без предварительного обучения на больших данных
Исследователи Центра ИИ МГУ и факультета вычислительной математики и кибернетики МГУ разработали нейросетевой метод совмещения медицинских изображений, который не требует предварительного обучения на большой коллекции снимков. Подход был проверен на компьютерных томограммах лёгких и магнитно-резонансных томограммах мозга и сердца. По результатам испытаний в журнале Machine Learning and Knowledge Extraction была опубликована научная работа.
Искусственный интеллект в медицине чаще всего ассоциируется с поиском патологий: алгоритм смотрит на снимок и находит опухоль. Однако порой перед врачами стоит не менее сложная задача – отследить, как орган меняется со временем. Лёгкие деформируются при дыхании, сердце сокращается, а структуры мозга трансформируются из-за болезней. Просто наложить снимки друг на друга нельзя. Учёные Центра искусственного интеллекта и ВМК МГУ предложили решение этой проблемы, обойдя главное «узкое место» медицинского ИИ – потребность в гигантских базах данных.
Анатомия на лету
Традиционные нейросети для совмещения (регистрации) медицинских изображений требуют предварительного обучения на десятках тысяч снимков. Это создаёт массу проблем: данные трудно собирать из-за врачебной тайны, а снимки с разных томографов часто несовместимы.
Коллектив МГУ пошёл иным путём. В основу легли сети Колмогорова – Арнольда (KAN). Алгоритмы KAN-IDIR и его облегчённая версия RandKAN-IDIR не изучают миллионы примеров. Вместо этого они настраиваются непосредственно на ту конкретную пару снимков, которую нужно сопоставить в данный момент.
«В наших экспериментах предложенный подход сочетал точность совмещения с небольшим потреблением видеопамяти, умеренным временем работы и меньшей зависимости от случайных начальных настроек по сравнению с конкурирующими методами», – поясняет Никита Дроздов, аспирант факультета искусственного интеллекта МГУ имени М. В. Ломоносова, младший научный сотрудник Центра ИИ МГУ.
Тесты на КТ лёгких, МРТ мозга и сердца показали впечатляющие результаты. Облегчённая версия обрабатывает пару снимков менее чем за минуту, а ошибка совмещения анатомических ориентиров составляет порядка 1 мм. При этом алгоритм демонстрирует высокую устойчивость и требует меньше вычислительных мощностей.
Снятие зависимости от «больших данных»
Для российского сегмента MedTech эта разработка имеет стратегическое значение. Она снижает зависимость от масштабных обучающих выборок, которые отечественным клиникам и исследовательским центрам собирать крайне сложно.
Кроме того, оптимизация потребления видеопамяти делает технологию доступной для больниц и лабораторий, не располагающих суперкомпьютерами. Алгоритм может стать базовым модулем для российских систем поддержки принятия врачебных решений, позволяя точно оценивать динамику заболеваний и планировать лечение.
От математики к клинике
Перед нами пока не готовый медицинский продукт, а фундаментальная научная разработка. Путь от лабораторного алгоритма до монитора врача в районной клинике долог.
По данным Росздравнадзора, на август 2026 года в России зарегистрировано 59 отечественных медицинских решений с ИИ. Рынок формируется, но для внедрения метода МГУ потребуются независимые клинические испытания на оборудовании разных производителей и последующая государственная регистрация в качестве медицинского изделия. Авторы и сами подчёркивают, что метод нуждается в дополнительной проверке на данных с разным уровнем шумов.
Глобальный контекст и школа компьютерного зрения
На мировом уровне российская разработка конкурирует в нише деформируемого совмещения изображений, где активно работают, например, швейцарские создатели TotalSegmentator. Козыри российского метода – в индивидуальной настройке и устойчивости к случайным параметрам. В перспективе это открывает путь к экспорту не «железа», а российских алгоритмов и научных компетенций. Приоритетными направлениями для сотрудничества теоретически могут стать страны ЕАЭС и БРИКС, которые активно развивают собственные медицинские ИТ-системы. Однако до коммерческого экспорта необходимо решить вопросы лицензирования и адаптации алгоритма под зарубежные стандарты.
Работа МГУ – это часть формирующейся российской школы медицинского компьютерного зрения. Ретроспектива последних лет показывает развитие от проектов по сегментации микроскопических изображений (2022–2024) и алгоритма FNOReg, сократившего затраты памяти в восемь раз (2024), до трёхуровневых моделей совмещения МРТ мозга из СПбПУ (2026).
Российские исследователи совершают качественный переход. Они создают не просто «детекторы болезней», а фундаментальные инструменты анализа, позволяющие видеть организм в движении и развитии. Если клинические испытания подтвердят устойчивость сетей Колмогорова – Арнольда в реальных больницах, эта технология станет важнейшим элементом цифрового здравоохранения, доказав, что для прорыва в медицине иногда нужен не бесконечный объём данных, а точность математической мысли.
