Когда софт — это хард: как программные решения прокачивают медицинское «железо»

Существует расхожее представление, что технологичное медицинское оборудование — это, прежде всего, про наукоемкое «железо»: точная механика, сложная физика, проектирование, отладка. Программная часть в этой картине часто отходит на второй план, как алгоритмическая «начинка», обслуживающая аппаратуру. Возможно, отчасти это и так, но в последние несколько лет я работаю с ПО и вижу другое: значительный потенциал медицинского «железа» сокрыт именно в софте.

Я занимаюсь разработкой на стыке инженерии и машинного обучения — в первую очередь там, где накопленные данные позволяют переосмыслить, как устройство взаимодействует с пациентом. В сфере медтеха я поработал в нескольких направлениях, и о двух из них — нейросетевых диагностических ассистентах и продвинутых системах управления протезом — расскажу подробнее. Но начать хочу с другой показательной истории, касающейся протезирования.

В 2025 году в издании Nature вышла статья ученых из США о том, как с помощью искусственного интеллекта можно «научить» бионический протез работать с хрупкими предметами.

Инженеры оснастили пальцы протеза инфракрасными датчиками приближения, которые «чувствуют» объект еще до касания, и барометрическими сенсорами давления, фиксирующими момент контакта.

Пользователь управляет таким протезом через поверхностную электромиографию — напрягает мышцы предплечья, а они генерируют слабые электрические импульсы, которые считываются электродами с кожи.

Алгоритмы бионической конечности в реальном времени анализирует паттерн этих импульсов с десятков каналов и расшифровывают намерение — какой палец и как сильно следует согнуть.

Таким образом нервная система человека и машинная нейросеть здесь работают в тандеме по принципу shared control — совместного контроля.

Главная цель разработчиков в данном случае — избавить пользователя от размышлений над тонкостями самого процесса. Помните историю про сороконожку, которая задумалась, как именно она переставляет ноги, и не смогла сдвинуться с места? Человек с протезом рискует оказаться в такой же ситуации. Сознательно контролировать каждый палец означает тратить всё внимание на механику захвата вместо самого действия. Shared control решает эту проблему.

Кейс с shared control показывает, как с помощью ПО можно разгрузить биологическую систему. Мы с командой в рамках стартапа Sutura Medtech тоже решали задачу развития системы управления протезами, но перед нами стоял, в каком-то смысле, противоположный вопрос: как нагрузить мышцы пациента на то время, пока он находится на реабилитации. Почему это важно? На практике процесс оформления и изготовления протеза нередко растягивается на несколько месяцев. За это время потерявший конечность рискует утратить мышечный тонус ее оставшейся части — культи. Происходит это потому, что без регулярной нагрузки мышцы слабеют, и управлять протезом потом значительно труднее.

Традиционный путь здесь — недели в реабилитационной клинике, фантомная гимнастика под наблюдением врача, постепенное возвращение мышц в рабочее состояние и только потом первые шаги с протезом. Мы предложили решать ту же проблему иначе: дать человеку инструмент, с которым он может тренироваться дома, без специального оборудования и реабилитолога рядом.

Так появился наш концепт продвинутой системы управления протезом Sutura Myoband, который сначала выступает в роли виртуального тренажера, а затем может быть полноценным цифровым посредником между человеком и протезом.

Внешне всё выглядит просто: манжета с миоэлектрическими датчиками надевается на культю. Как и в устройстве из публикации Nature, она считывает малейшие электрические импульсы от сокращений мышц, но на этом сходство проектов заканчивается, ведь самого протеза еще не существует, он не изготовлен.

Вместо него манжета передает сигнал на планшет или компьютер, где в реальном времени отображается 3D-модель, имитирующая будущий протез. Человек напрягает нужные мышцы, датчики ловят паттерн импульсов, алгоритм классифицирует его — и на экране визуализируется, как повел бы себя протез, будь он уже на месте. А когда приходит время его установки, пациент, как опытный дирижер, уже умеет им оркестрировать — манжета просто интегрируется в изделие.

Sutura Myoband — отечественная разработка, но ее идея родилась из проекта канадской компании Thalmic Labs. В 2017 году они представили прототип миографического браслета Myo.

На первый взгляд наша разработка — почти то же самое, что и у канадцев. Но на деле не совсем так. Отличие — в персонализации. Они сделали интересный контроллер для ПК, а мы, попробовав их наработки, использовали каналы с датчиков миографии для расширения пула единовременных схватов на протезе. Проще говоря — предоставили пользователю возможности по настройке собственных жестов.

Впрочем, у такой персонализации пока остаются свои ограничения, связанные с серийным выпуском самих протезов и тем, что большинство производителей зашивают в изделия фиксированную библиотеку паттернов. Записать принципиально новый жест, которого в библиотеке нет, при отсутствии к ней доступа не получится.

Сейчас российская система проходит тестирование в реальных клинических условиях. После сбора обратной связи коллеги планируют выпустить первую серию. В стартапе я уже не работаю, но внимательно слежу за успехами команды. Буду искренне рад, если у них получится всё задуманное в срок.

В самом начале 2026 года мы в МЭИ c коллективом Alteya завершили проект Dermatology Analytics, построенный на работе с визуальными данными. К нам обратилась компания-производитель медицинского оборудования с задачей превратить обычный аналоговый стационарный дерматоскоп в цифровой.

Само по себе базовое устройство — это просто мощная лупа. Оно умеет только увеличивать картинку и помогает врачу измерять образования на коже вручную за счет нанесенных на линзы шкал. Заказчику же хотелось, чтобы техника не просто показывала, но и делала снимок, в цифре отправляла на компьютер и, самое главное, помогала его проанализировать.

Учитывая эти пожелания, мы создали ассистивную технологию для врача — инструмент-подсказку, на основе нейросети, которая сравнивает фото пациента с обширной базой изображений патологий. Часть этой базы предоставил сам заказчик, часть мы нашли в открытом доступе на просторах сети, где хранятся вполне качественные датасеты дерматоскопических снимков.

Медперсонал заказчика выдал нам четкий перечень признаков, на которые нужно обращать внимание при анализе. Он и стал сводом правил, по которым нейросеть оценивает каждый кадр.

Как отразилась такая модернизация на «железе»? Со стороны перемен не заметить. Устройство выглядит как привычный стационарный дерматоскоп, только теперь в его корпусе линза объединена с видеокамерой. Она делает кадр, который мгновенно уходит в блок обработки нейросетью, и через пару секунд на экране появляется результат: снимок с уже выделенной зоной патологии и текстовое описание предполагаемого диагноза.

Здесь уточню: последнее слово всегда остается за специалистом. Он смотрит на выводы нейросети и решает, доверять подсказке или нет. Однако этот новый софт как минимум фокусирует его внимание на подозрительных участках снимка, работая в каком-то смысле как те самые алгоритмы из публикации Nature, то есть снижая когнитивную нагрузку на врача-диагноста, разгружая его для других задач.

Эта технология уже применяется, а стек легко адаптировать под любую прикладную задачу, где нужно анализировать графическую информацию.

Разработок с акцентом на программные решения, таких, как наши, с каждым годом в медицине становится всё больше. Еще один проект вырос из дипломных работ моих студентов в МЭИ — программный модуль STRIX. Он пока существует как научный труд, но я очень надеюсь, что со временем эта работа выйдет на рынок.

Идея в следующем: мы пробуем обучать нейросеть на больших корпусах данных, чтобы она могла оценивать состояние пациента по небольшому фрагменту электрокардиограммы — буквально по первым секундам. Сейчас, чтобы понять, есть ли у человека отклонения в работе сердца, врачу нужна длинная запись ЭКГ, и именно поэтому эта процедура растягивается на несколько минут.

Пока мы работаем с данными, полученными в лабораторных условиях, и еще не решали вопрос упаковки в конечный продукт. Но возможно, его и вовсе не понадобится, ведь все необходимые датчики уже встроены в фитнес-трекеры и умные часы. Данные с них не идеальны, но они умеют их собирать. А раз так, то задача у нас одна — научиться обрабатывать эту информацию быстро и качественно.

Выше я рассказал про наши собственные проекты, но на рынке много интересных решений, которые достойны упоминания. Здесь отмечу некоторые из них.

Платформа «Третье мнение» предлагает аналитические ИИ-сервисы для маммографии, диагностики заболеваний органов грудной клетки и мозга. Применение алгоритмов платформы, согласно подсчетам разработчиков, сокращает время на описание исследования на 30%, а на диагностику рака молочной железы до 57%.

Компания Pirogov.AI использует алгоритмы ИИ для выявления ЛОР-заболеваний. Разработчики решения утверждают, что технология ставит диагноз эндоскопическим фото- и видеоизображениям на 45% точнее, чем врачи.

Команда Diagnocat внедряет ИИ в работу стоматологических клиник и лабораторий. Алгоритмы Diagnocat выявляют признаки кариеса и другие патологии, оценивают общее состояние костной ткани и выделяют на снимке проблемные области.

Медицинская система «Удар» от Sber Med AI помогает оперативно госпитализировать пациентов с подозрением на инсульт, где каждая минута критична. Решение уже внедрено в Приморском крае.

Большой прорыв 2025 года — совместная разработка команды Yandex Cloud и Школы анализа данных. Команда создала нейросеть, которая помогает врачам за несколько минут определять объемы серого и белого вещества на МРТ-снимках головного мозга младенцев. Выявление аномалий по этим показателям позволяет с первых дней жизни ребенка заподозрить ДЦП, а также другие неврологические нарушения, и направить его на углубленную диагностику.

Сегодня рынок медицинского оборудования интенсивно меняется, и на нём появляется всё больше отечественных разработок. Российское ПО использовалось в медицине и раньше, особенно в системах хранения и маршрутизации данных, но сейчас вместе с заменой зарубежной аппаратуры закономерно обновляется и софт. Появляются реально работающие инструменты, которые интегрируются в клинический процесс.

Совместные проекты моей команды в МЭИ с отраслью, STRIX от нашего коллектива Alteya, разработка команды Sutura MedTech, проекты Sber Med AI и Yandex Cloud, Diagnocat, Pirogov.AI — всё это уже коммерческие продукты, а не лабораторные разработки. И если обобщить, то за этими проектами стоят три основных тренда.

• Первый — ускорение диагностики за счет того, что накопленные данные начали использоваться, а не просто храниться.
• Второй — самообследование становится работающим инструментом: носимые устройства и смартфоны теперь не просто собирают цифры, а дают обратную связь в форме уже готовой аналитики.
• Третий — персонализация, когда мы уходим от шаблонных подходов и подстраиваем лечение под конкретного человека.

Все эти тренды как раз и обеспечивают тот рост, который мы сейчас видим в сегменте отечественных медицинских решений.