Учёные ТГУ выяснили, что мешает внедрению ИИ-сенсоров в медицину

Фото: пресс-служба ТГУ
Среди главных барьеров — закрытость данных, непрозрачность моделей и несовместимость с простыми устройствами.

Международная группа учёных из Томского государственного университета совместно с коллегами из России, Чехии, Китая и Индии разработала «сетевую карту доказательств», которая показывает, что мешает внедрению в медицину электрохимических сенсоров на основе искусственного интеллекта. Об этом сообщили в пресс-службе ТГУ.

Электрохимические сенсоры — это устройства, которые анализируют химический состав растворов или газов, преобразуя химические реакции в электрические сигналы. Примером такого устройства является глюкометр, используемый для измерения уровня сахара в крови. С внедрением искусственного интеллекта эти сенсоры становятся «умными» системами.

В традиционных датчиках физические и химические процессы ограничены материалом электрода. Искусственный интеллект преодолевает эти ограничения на программном уровне, разделяя перекрывающиеся сигналы, компенсируя дрейф показаний и позволяя одновременно определять несколько веществ. Биосенсоры, оснащённые ИИ, обладают потенциалом для ранней диагностики рака, мониторинга окружающей среды и создания носимых устройств.

Тем не менее, большинство таких разработок остаются на стадии лабораторных прототипов, и их практическое применение в клиниках встречается редко. Учёные проанализировали более 130 научных работ, опубликованных в период с 2016 по 2025 год, и выявили ключевые проблемы.

Во-первых, в 83% исследований искусственный интеллект предоставляет точечные прогнозы без оценки их надёжности, что критично для врачей, которым необходимо понимать возможные погрешности.

Во-вторых, в 85% случаев доступ к данным предоставляется только по запросу, что затрудняет независимую проверку. Средний объём выборки составляет всего 68 образцов, что недостаточно для обучения надёжных моделей.

В-третьих, лишь в одном исследовании применялись инструменты Explainable AI, позволяющие врачам проверять логику системы.

В-четвёртых, сложные модели требуют мощных процессоров и облачных вычислений, тогда как для диагностики у постели пациента необходимы маломощные микроконтроллеры.

В-пятых, из-за вариативности производства электродов модель, успешно обученная на одной партии, часто не работает с другой партией.

«Наша карта показывает, что совершенство алгоритмов не может компенсировать низкое качество исходных данных. Мы выявили цепочку взаимосвязанных факторов: ограниченный доступ к данным, отсутствие оценки неопределённости и непрозрачность моделей образуют единый комплекс проблем — это системный кризис прозрачности», — прокомментировал Амрит Лал Уй.

В научном сообществе обсуждают идею создания открытых баз данных электрохимических параметров. Также предлагается внедрить инструменты Explainable AI в модели и разрабатывать компактные версии ИИ-систем для автономных устройств уже на стадии проектирования. Публикация по этой теме появилась в журнале Biosensors (рейтинг Q1, импакт-фактор 6.2).

Пока одни исследователи выясняют, что мешает внедрению сенсоров в клиники, другие создают новые устройства для контроля лекарств в крови. Как рассказывала интернет-газета «ЖУК», калининградские учёные разработали оптический сенсор, который позволяет «увидеть» концентрацию лекарства в сыворотке крови.

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Рейтинг
( Пока оценок нет )
Виолетта Биенко/ автор статьи
Загрузка ...
Интернет-газета «ЖУК»

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: