Международная группа исследователей определила основные препятствия, мешающие внедрению электрохимических сенсоров с искусственным интеллектом в клиническую практику. Ключевыми проблемами стали нехватка данных, непрозрачность алгоритмов и трудности в интеграции ИИ в компактные медицинские устройства.
Ученые из Томского государственного университета совместно с коллегами из России, Чехии, Китая и Индии проанализировали более 130 научных публикаций, вышедших в период с 2016 по 2025 год. На основе этого анализа была создана «сетевой карта доказательств» (Network Evidence Map), которая позволяет систематизировать и количественно оценить факторы, затрудняющие внедрение ИИ-сенсоров в медицину. Результаты работы опубликованы в журнале Biosensors.
Электрохимические сенсоры измеряют состав жидкостей или газов и преобразуют химические реакции в электрические сигналы. Например, глюкометр является известным примером такой технологии. С добавлением алгоритмов ИИ сенсор способен анализировать более сложные сигналы, разделяя перекрывающиеся данные и компенсируя изменения в характеристиках датчика.
Исследователь Амрит Лал Уй пояснил, что такие технологии могут быть полезны для ранней диагностики различных заболеваний, включая рак, мониторинга экологии, контроля безопасности продуктов и разработки носимых устройств для отслеживания состояния здоровья. Однако большинство из существующих разработок пока находятся на стадии лабораторных прототипов.
Информация в статье носит справочный характер и не заменяет консультацию врача. Перед применением рекомендаций обратитесь к специалисту.
Одной из выявленных проблем является недостаточная оценка надежности ИИ. В 83% проанализированных работ алгоритмы давали точечные прогнозы без указания уровня неопределенности. Также было замечено, что в 85% исследований доступ к исходным данным предоставлялся только по запросу, что затрудняет независимую проверку результатов. Медианный размер выборки составил 68 образцов.
Кроме того, ученые отметили, что объясняемость алгоритмов оставляет желать лучшего. Только в одном из рассмотренных исследований использовались методы Explainable AI (XAI), позволяющие понять, какие характеристики сигнала повлияли на выводы системы. Это важно для медицинских технологий, так как специалистам нужно иметь возможность проверять логику работы алгоритмов.
Дополнительные ограничения связаны с аппаратным обеспечением. Сложные модели могут требовать графических процессоров или облачных вычислений, в то время как устройства для диагностики должны быть компактными, недорогостоящими и энергоэффективными. Также важно учитывать, что характеристики электрохимических электродов могут варьироваться от партии к партии, что может повлиять на работу модели, обученной на одном наборе сенсоров.
Наша карта показывает, что совершенство алгоритмов не может компенсировать низкое качество исходных данных. Мы выявили цепочку взаимосвязанных факторов: ограниченный доступ к данным, отсутствие оценки неопределенности и непрозрачность моделей образуют единый комплекс проблем — это системный кризис прозрачности.
Фото: hi-tech.mail.ru
Медицинский эксперт
Это объединение практикующих врачей и специалистов в области медицины, принимающих участие в подготовке, проверке и редактуре медицинских материалов на сайте.В состав медицинской коллегии входят врачи различных специальностей: терапевты, инфекционисты, эпидемиологи, гастроэнтерологи, офтальмологи, аллергологи-иммунологи, психотерапевты, стоматологи, а также специалисты в области репродуктивной медицины, скорой помощи и медицинской журналистики.
Материалы проходят проверку с учетом современных клинических рекомендаций, научных данных и практического опыта врачей. Основная задача Медколлегии — обеспечить достоверность, актуальность и понятность медицинской информации для пользователей.