ИИ против диабетической ретинопатии: почему точный алгоритм — это ещё не спасённое зрение

Что вообще случилось

Группа авторов из офтальмологического отделения клиники в Китае опубликовала в журнале Frontiers in Public Health обзорную статью¹. Она не про новый препарат и не про новый прибор. Она про то, как мы вообще думаем о таком явлении, как автоматический скрининг глаз при диабете.

Суть в одной фразе: за последние годы искусственный интеллект научился неплохо распознавать диабетическую ретинопатию по снимкам глазного дна. Но научиться распознавать — и принести реальную пользу людям — это два разных умения. И вот про второе, по мнению авторов, мы знаем куда меньше¹.

Диабетическая ретинопатия — это поражение сетчатки, которое развивается при диабете. Сетчатка — тонкая светочувствительная «плёнка» на задней стенке глаза, которая превращает свет в сигналы для мозга. При долго текущем диабете мелкие сосуды, питающие сетчатку, повреждаются. Сначала это может никак не ощущаться, потом появляются изменения в поле зрения, а в запущенных случаях человек может терять зрение. Хорошая новость в том, что если вовремя заметить опасные изменения и начать лечение, тяжёлую потерю зрения часто можно предотвратить. Именно поэтому скрининг — то есть регулярная проверка глаз даже при отсутствии жалоб — так важен.

И вот здесь раньше была главная боль. Чтобы проверить глазное дно, нужен аппарат и подготовленный человек, который умеет читать снимки. А таких людей на всех не хватает. Поэтому уже много лет надеются на искусственный интеллект: пусть алгоритм сам посмотрит снимок и скажет, есть ли что-то опасное. Исследования, о которых рассказывает обзор, действительно показывают, что алгоритмы умеют это делать¹.

Но авторы статьи задают неудобный вопрос: а что дальше? Если алгоритм на снимке что-то нашёл, а человека никто не позвал, или позвал через полгода, или человек не дошёл до врача, или до врача дошёл, а дальше очереди и нехватки оборудования не пустили — стало ли зрение сохраннее? Нет. И именно эту разницу авторы предлагают считать главной.

Почему точный алгоритм — это ещё не победа

Давайте разберёмся, чем измеряется успех скрининга. Кажется, чего проще: посчитали, в скольких случаях алгоритм правильно угадал болезнь, — и всё. И действительно, в обзорах, которые цитируют авторы, точность выглядит солидно: например, в одном из них собрали 34 исследования в реальных условиях и получили чувствительность 94% и специфичность 89%, но — внимание — среди снимков, которые вообще можно было прочитать¹. Чувствительность простыми словами — это доля больных, которых алгоритм заметил. Специфичность — доля здоровых, которых он не потревожил напрасно. В другом обзоре разобрали 47 проспективных исследований и тоже увидели высокие показатели, особенно когда речь шла об угрозе зрению¹.

Звучит прекрасно. И авторы вовсе не спорят, что алгоритмы работают. Они спорят с другим: с привычкой считать это финишем, а не стартом.

Потому что исследование точности и программа скрининга считают разные вещи. Исследование берёт снимки, которые по каким-то причинам подошли, — и считает проценты. А программа скрининга отвечает за всех людей с диабетом на своей территории: за тех, кто пришёл, и за тех, кто не пришёл; за снимки, которые получились, и за те, которые вышли мутными; за тех, кого вовремя позвали, и за тех, про кого забыли. И вот в этом более честном знаменателе многие красивые проценты тают¹.

Авторы называют это сменой знаменателя — и это, пожалуй, самая важная мысль всего текста. Когда мы считаем качество только на удобных данных, мы невольно льстим себе. Программа, которая сверкает на бумаге, может выглядеть куда скромнее в жизни.

Где по дороге теряется зрение

Авторы разбирают путь человека как цепочку этапов и показывают: потерять результат можно на каждом¹.

Сначала — до снимка. Человека нужно пригласить или чтобы он сам вспомнил о проверке. Если приглашений нет, если до поликлиники далеко, если запись за месяц вперёд, если непонятно, зачем это вообще нужно, — часть людей просто не дойдёт. И алгоритм тут ни при чём: до него дело не дошло.

Потом — во время съёмки. Снимок может не получиться: помешал катаракта, узкий зрачок, мутные среды глаза, дрогнула рука, неудачно настроен аппарат. Такие нечитаемые снимки — отдельная головная боль. В исследованиях точности их обычно просто исключают из подсчёта. А в реальной программе их не выкинешь: это и есть люди, которых надо как-то довести до следующего шага — переснять, расширить зрачок, показать человеку-специалисту или сразу направить к врачу¹. Авторы прямо говорят: если считать только по читаемым снимкам, можно случайно решить, что программа безопаснее и эффективнее, чем она есть.

Потом — после вердикта алгоритма. Результат надо донести до человека понятно и вовремя. Нужно, чтобы был ясен следующий шаг: к кому идти, куда, как записаться. Авторы приводят примеры, когда всё это приходилось перестраивать вручную: в Таиланде, например, цифровой платформе с ИИ пришлось фактически заново выстроить не-цифровые рабочие процессы и наладить отслеживание пациентов¹. Отдельно упоминается исследование в Руанде, где автоматическая оценка улучшила доходимость людей по направлению — но именно потому, что результат и направление были встроены в целый сценарий, а не выданы как отдельный тест¹.

И наконец — лечение. Если у человека нашли опасные изменения, а в клинике нет записи, нет лазера, нет специалиста — толку от раннего обнаружения мало. Раннее обнаружение, которое ничем не заканчивается, не спасает зрение. Оно просто добавляет тревогу.

Авторы ссылаются и на работы, которые показывают, что даже после обычного, не искусственным интеллектом сделанного скрининга люди не всегда доходят до офтальмолога, лечения и повторных проверок¹. То есть проблема не в алгоритме. Проблема в самой цепочке, и она существует давно.

Кому это может быть особенно полезно

Скажем честно: если искусственный интеллект встроить грамотно, выиграть могут очень многие.

В первую очередь — люди, которым до офтальмолога далеко. Живущие в деревне, в маленьком городе, в районе, откуда до областной больницы несколько часов дороги. Если проверку сетчатки можно сделать прямо в поликлинике или даже в мобильном пункте, где человек всё равно бывает по поводу диабета, — это уже огромная разница. Человек не «собирается когда-нибудь выбраться», а проверяется по ходу дела.

Второй выигрыш — для тех, кто не любит лишние походы к врачам (а таких много и среди вполне сознательных людей). Один осмотр вместо двух, быстрый результат на месте — это снижает порог.

Третий — для врачей. Диабет ведут терапевты и эндокринологи, а не офтальмологи. Если у них появляется простой способ проверить глазное дно и решить, срочно направлять человека или можно спокойно продолжать наблюдение, — это снимает часть груза и с них, и с офтальмологов, у которых высвобождается время на действительно сложные случаи.

Четвёртый, менее очевидный — для системы в целом. Когда видно, сколько людей доходит, сколько снимков не получилось, сколько направлений сработало, можно наконец управлять процессом, а не надеяться на удачу.

Но именно в этой универсальности и прячется ловушка, о которой авторы говорят отдельно.

Где подвох: нечитаемые снимки и неравенство

Самая, наверное, сильная часть обзора — про справедливость. Авторы настаивают: равенство доступа — это не приятное дополнение к программе, а один из её главных результатов, который надо измерять¹.

Логика простая. ИИ может уменьшить неравенство: он приносит проверку сетчатки туда, где специалиста нет. Но он же может неравенство усилить. Если прибор есть только в крупных городах, если нужен стабильный интернет, если за обследование платит сам человек, если персонал не обучен, если алгоритм ведёт себя по-разному на снимках с разных аппаратов и у разных групп людей — польза распределится криво¹. Причём пострадают, скорее всего, те же самые люди, у которых и так мало доступа.

Нечитаемые снимки авторы разбирают как отдельную несправедливость. Катаракта, узкие зрачки, помутнения, пожилой возраст, плохие условия съёмки — всё это чаще встречается как раз у групп, которым и так сложнее получить помощь. А в подсчётах точности такие снимки просто выбрасывают. Получается, что программа выглядит отлично ровно потому, что самых трудных людей из уравнения убрали.

Авторы предлагают честный ход: считать долю нечитаемых снимков не технической мелочью, а полноценным показателем — по местам, по аппаратам, по возрасту, по сопутствующим болезням глаза, по удалённости и бедности района¹. И заранее прописать, что делать с таким результатом: переснять, расширить зрачок, отдать на просмотр человеку или сразу направить к врачу. Врач расширяет зрачок каплями перед осмотром — это обычная диагностическая процедура, и решение о ней принимает специалист. Имеются противопоказания, необходима консультация специалиста.

Есть и ещё один слой — ответственность. Авторы подчёркивают: непонятно, кто отвечает, если алгоритм обновили, аппарат заменили, а качество упало. Разработчик? Производитель? Клиника? Программа? Регион, который платит? Нужны понятные правила: сколько раз проверять алгоритм на новых данных, фиксировать версии, следить за работой после внедрения, замечать, когда реальность уходит от того, на чём алгоритм учили¹. Иначе получится система, которую никто не контролирует, а виноватого нет.

А что с деньгами: экономика скрининга

Отдельная глава — про деньги, и она отрезвляет. Авторы настаивают: экономика ИИ-скрининга — это экономика всего пути, а не одного алгоритма¹.

Тут есть тонкость, о которой редко говорят вслух. В странах с высоким доходом глубокообучающий скрининг выглядел в целом выгодно. В странах со средним доходом картина смешанная, и результат сильно зависел от того, насколько люди соблюдают рекомендации, от исходного контроля диабета и от начальных затрат на внедрение. По странам с низким доходом данных и вовсе мало¹.

Есть исследование из городского Китая, где модель с ИИ в районной телемедицине оказалась не автоматически выгоднее, чем ручной разбор снимков, — но её ценность росла, когда больше людей доходило по направлению¹. То есть деньги, вложенные в то, чтобы человек дошёл, окупаются лучше, чем деньги, вложенные в ещё одну десяточку точности алгоритма.

Исследование, которое авторы цитируют, показывает и вовсе парадоксальную вещь: самый точный алгоритм не обязательно самый выгодный. Какой баланс между пропусками и ложными тревогами лучше, зависит от того, насколько болезнь распространена, сколько стоит ошибиться в одну и другую сторону, сколько система готова платить и есть ли куда потом девать людей с находками¹.

Отсюда вывод, который стоит запомнить: нельзя сказать «вот эта модель самая лучшая». Автономный вариант, когда результат выдаётся прямо на месте; централизованный, когда снимки стекаются в одно место к специалистам; гибридный, когда алгоритм отсеивает, а человек дочитывает сомнительное, — у каждого свой характер. Автономный быстрее и меньше зависит от чужого графика, централизованный удобнее для контроля качества на много точек, гибридный оставляет человека там, где нужно тонкое суждение¹. Какой подойдёт — зависит от местных ресурсов, кадров, связи и, главное, от того, есть ли куда направить человека дальше. И бюджет надо считать не по числу сделанных снимков, а по всей цепочке вместе с лечением.

Что чувствует человек: не только снимки, но и тревога

И ещё один слой, который легко забыть, — как всё это переживает сам человек.

Скрининг обычно оценивают по процентам, по числу выявленных случаев, по стоимости. Но это промежуточные вещи. Настоящий вопрос — стало ли человеку лучше жить. Сохранилось ли зрение, не сузились ли привычные дела, стало ли меньше тревоги, устроил ли его сам процесс¹.

В обзоре, который цитируют авторы, собрали данные о связи тяжести ретинопатии и качества жизни, связанного со зрением. Вывод: чем тяжелее изменения, тем заметнее падает это качество. Причём даже не угрожающие зрению изменения могут быть связаны с ухудшением¹. И ещё: общие опросники о качестве жизни тут менее чуткие, чем специальные «зрительные», а одна острота зрения не объясняет всего, что человек чувствует. Двоим с одинаковыми цифрами на таблице может быть очень по-разному.

Практический вывод: цель раннего обнаружения — не аккуратно обвести пятнышко на снимке, а сохранить человеку повседневную жизнь.

И вот тут кроется неочевидная опасность быстрых результатов. Когда вердикт приходит в тот же день, скрининг перестаёт быть тихим сбором снимков и превращается в разговор о риске здесь и сейчас. Это может быть хорошо — если человеку объяснили, что значит положительный, отрицательный или нечитаемый результат, что делать дальше, куда идти и как записаться. А может быть плохо: быстрое «у вас что-то нашли» без толкового объяснения и маршрута добавляет не спокойствия, а тревоги и неопределённости¹.

Поэтому авторы предлагают измерять не только доходимость и удовлетворённость, но и тревогу, связанную со скринингом, и то, насколько человек в принципе принимает такой способ проверки¹. И честно признают: данных о том, что происходит с людьми дальше — после направления, во время лечения, с итоговым зрением, — пока заметно меньше, чем данных о точности алгоритмов¹.

Как это может выглядеть в России

Теперь про наши реалии — без цифр и без имён, потому что конкретных опубликованных данных о массовом ИИ-скрининге ретинопатии у нас немного.

Ребёнку 3–7 летПроверить зрение ребёнкуКартинки вместо букв — отдельно для правого и левого глаза. Ориентир, не диагноз.Открыть тест

Общая картина такая. Диабет у нас ведут в системе диспансерного наблюдения, и людей с диабетом много. Офтальмологический осмотр при диабете входит в стандарт наблюдения, но на практике до него доходят не все: кто-то не знает, зачем это нужно, кто-то добирается до специалиста с трудом, особенно если живёт не в большом городе. Нехватка офтальмологов и оборудования в отдалённых местах — знакомая история не только нам.

Телемедицина и цифровые сервисы в стране развиваются, искусственный интеллект в медицине обсуждают и в отдельных направлениях уже применяют. Но именно про скрининг глаз при диабете публичных, подробных и независимых данных мало: непонятно, как часто снимки выходят нечитаемыми, сколько людей доходит до врача после находки, сколько времени проходит от снимка до лечения. А это ровно те вещи, которые авторы обзора называют главными¹.

Если переносить их мысль на нашу почву, получится так. Нам важны не громкие запуски, а скучные детали: чтобы снимок можно было сделать там, где человек и так бывает по поводу диабета; чтобы нечитаемые снимки кто-то разбирал, а не терял; чтобы результат доходил до человека понятным языком и в разумный срок; чтобы после находки была работающая дорога к офтальмологу и к лечению; чтобы за всем этим кто-то отвечал и следил за качеством.

И ещё одна вещь, которую легко упустить: ничто из этого не отменяет простых правил. Регулярно проверять глаза при диабете; держать под контролем сам диабет и давление, потому что это влияет на сосуды сетчатки; замечать изменения зрения и не откладывать визит. Все решения о лечении — а речь может идти о лазерных процедурах, инъекциях или операции — принимает только врач после осмотра, и делает всё это тоже врач. Задач у читателя тут нет, кроме одной: не пропускать проверки.

Насколько можно доверять этой новости

А теперь честно о том, что это за текст и насколько ему можно верить.

Во-первых, это обзор, причём обзорного типа — так называемый Mini Review¹. Это не новое исследование на людях, не рандомизированное испытание и не метаанализ. Авторы не набирали пациентов, ничего не измеряли и не сравнивали группы. Они читали литературу и предлагали свою рамку для размышления. То есть перед нами не доказательство, а аргумент. Полезный, логичный, опирающийся на исследования — но аргумент.

Во-вторых, авторы сами пишут, что это не систематический обзор: формальной оценки риска смещения не проводилось, исчерпывающего включения исследований не было, количественного синтеза тоже¹. Проще говоря, они не пересчитали все данные мира, а собрали и осмыслили то, что сочли важным. Это нормальный жанр, но он не даёт гарантий полноты.

В-третьих, о поиске. Авторы искали работы в нескольких научных базах, охватывая период с января 2016 года по август 2026 года¹. Логика понятна: 2016-й — год знаменитых работ по глубокому обучению, дальше пошло внедрение. Но выбор статей всё равно остаётся выбором авторов.

В-четвёртых, о цифрах, которые есть в тексте. Все они взяты из исследований, которые цитируют авторы, а не получены ими самими. Когда встречаете 94% и 89% — это результат обзора, собравшего 34 исследования в реальных условиях, причём по читаемым снимкам¹. Это важно: цифра честная, но она именно про удобную часть данных, о чём авторы и предупреждают. То же с 47 исследованиями¹.

В-пятых, о контексте. Есть данные и из стран с высоким доходом, и из стран со средним, а из стран с низким доходом их мало¹. Значит, переносить выводы с одной системы здравоохранения на другую напрямую нельзя. Авторы это подчёркивают сами.

В-шестых, об авторах. Это офтальмологи из клиники в Китае, конфликта интересов они не заявляли, финансирования не получали. Они отметили, что генеративный ИИ использовался только для языковой правки и подготовки схемы, а не для отбора литературы или выводов¹. Академическая честность здесь есть, но независимой проверки их рамки пока не было — это мнение специалистов, а не установленный факт.

Итог по доверию: как повод подумать и как набор критериев для оценки программ — ценно. Как доказательство «ИИ работает / не работает» — нет, это не про то.

Частые вопросы

Так ИИ всё-таки хорошо распознаёт ретинопатию или нет? По тем данным, которые собрали авторы, распознаёт в целом надёжно, особенно когда речь об угрозе зрению, и это подтверждают крупные обзоры, включая 34 исследования в реальных условиях и 47 проспективных исследований¹. Спор не о качестве алгоритма, а о том, что происходит с человеком после его вердикта.

Это уже где-то работает по-настоящему? Да, авторы описывают не только лабораторные проверки, но и реальные проекты: национальную программу в Таиланде, исследование в Руанде, работу с молодёжью в рамках отдельного испытания, проекты в Канаде и Китае¹. Но почти везде это отдельные программы, а не повсеместная практика.

Главная проблема — техника или люди? По логике обзора, техника в основном уже неплоха, а слабое звено — организация: приглашение, съёмка, читаемость снимков, передача результата, доходимость по направлению, наличие места, где реально лечат¹. Именно поэтому авторы предлагают оценивать всю цепочку.

Что делать человеку с диабетом прямо сейчас? Проверять глаза регулярно, как рекомендует врач, и не пропускать эти визиты, даже если ничего не беспокоит. Следить за самим диабетом и давлением. Если появились изменения зрения — не откладывать визит. Все решения о лечении принимает только врач после осмотра. И если в вашей поликлинике появится проверка глазного дна с помощью алгоритма — это не повод отказываться от наблюдения у офтальмолога.

Значит, раннее обнаружение бесполезно, если дальше не дойти до врача? Обнаружение само по себе не лечит. Авторы прямо пишут: польза появляется только когда за находкой следует завершённая, своевременная и справедливо доступная помощь¹. Если маршрут к врачу не выстроен, ранняя находка добавляет тревогу, а не сохранённое зрение.

Можно ли считать, что этот обзор что-то доказал? Нет. Это обзор-мнение с предложенной рамкой из четырёх областей: техническая надёжность, встраивание в службу, влияние на людей и справедливость вместе с устойчивостью¹. Он задаёт правильные вопросы, но не даёт готовых ответов и не заменяет настоящие испытания.

Наш вывод

Самое ценное в этом обзоре — не открытие, а смена оптики. Авторы предлагают перестать спрашивать «умеет ли алгоритм находить ретинопатию» и начать спрашивать «при каких условиях это приводит к тому, что человек реально получает помощь и сохраняет зрение»¹. Ответ на первый вопрос мы в целом знаем. Ответ на второй — нет.

Из этого следуют довольно простые и, честно говоря, не слишком эффектные вещи. Приглашать людей на проверку так, чтобы они доходили. Считывать нечитаемые снимки как проблему, а не как мелкое неудобство. Говорить с человеком понятно о том, что значит результат. Строить дорогу от находки до лечения, а не только до экрана с результатом. Считать деньги на всю цепочку. И следить за тем, чтобы польза распределялась честно, а не только там, где и так всё хорошо.

Искусственный интеллект тут не волшебник и не злодей. Это инструмент, который работает ровно настолько, насколько продумана система вокруг него. Если алгоритм стоит в конце плохо устроенной дороги — он почти ничего не изменит. Если в начале хорошей — может сэкономить людям время, нервы и зрение.

А пока всё это выстраивается, у каждого из нас остаётся самое надёжное, что есть: не пропускать проверки глаз при диабете и не откладывать визит к врачу, если что-то изменилось. Это скучно, это старо как мир, и именно это пока работает лучше всего.

Подробнее о том, как диабет влияет на сетчатку и что происходит с глазом при ретинопатии, мы разбирали в материалах «Диабет и зрение: что такое ретинопатия и как её остановить» и «Диабетическая ретинопатия: почему диабет бьёт по сетчатке и что с этим делать», а клинические рекомендации пересказывали простым языком здесь.