Alibaba Unveiled MAOSS AI Model for Early Detection of Fatty Liver Disease

Alibaba DAMO Academy представила MAOSS — AI-модель, которая ищет признаки жировой болезни печени в обычных КТ без контраста и помогает раньше отбирать пациентов на углубленную диагностику. Для медицины это важный кейс не про «AI вместо врача», а про то, как извлекать больше пользы из уже существующих обследований.

Почему это важно

Жировая болезнь печени, которую в англоязычной литературе все чаще называют steatotic liver disease, долго может не давать симптомов. Из-за этого пациенты нередко попадают к врачу уже на стадии фиброза или цирроза, когда окно для раннего вмешательства заметно сужается. По данным Alibaba DAMO Academy, сейчас заболевание затрагивает около 30% населения мира и к 2040 году может вырасти до 55,7%.

Обычный ультразвук и сывороточные маркеры не всегда достаточно чувствительны, а более точные методы доступны не во всех клиниках. Именно на этот разрыв и нацелена MAOSS. Модель разрабатывали вместе с Shengjing Hospital of China Medical University и Nanjing Drum Tower Hospital, а результаты опубликовали в Nature Communications.

Система комбинирует несколько типов данных: неконтрастные КТ, показатели крови и вычисляемые признаки вроде текстуры, плотности и формы печени. Идея в том, чтобы не заставлять больницу закупать новый редкий инструмент, а дообучить уже привычный поток обследований так, чтобы он подсказывал, кого нельзя отпускать без дополнительной проверки.

Что умеет MAOSS

По данным статьи в Nature Communications, модель обучали и проверяли на нескольких выборках: от внутреннего набора на 2071 случай до реального массива из 18 504 обследований. Отдельно анализировали когорту из 1192 пациентов, где задача заключалась не просто в поиске стеатоза, а в отборе людей с повышенным риском более тяжелого течения — стеатогепатита и выраженного фиброза. Такой дизайн важен: он показывает, что систему тестировали не только в лабораторных условиях, но и ближе к обычному клиническому потоку.

Ключевые результаты выглядят так: доля выявленных пациентов высокого риска выросла с 16,6% до 52,4% AUC для разных стадий стеатоза составил 0,904–0,917 средний AUC радиологов без помощи модели был 0,709 при использовании MAOSS как ассистента точность врачей выросла до 0,798 Самый интересный момент в другом: модель ищет сигнал там, где пациент вообще мог прийти по другому поводу. Если человеку уже сделали стандартное КТ, система может использовать этот снимок для дополнительного оппортунистического скрининга, не требуя отдельной дорогой процедуры. Для систем здравоохранения это сильный аргумент, потому что стоимость внедрения часто упирается не только в алгоритм, но и в необходимость менять маршрут пациента.

Здесь Alibaba пытается встроиться в уже существующую инфраструктуру.

Не вместо врача В подаче

Alibaba это не «цифровой гепатолог», а инструмент поддержки принятия решений. MAOSS не заменяет диагноз, биопсию, клиническую оценку и последующее ведение пациента, а помогает раньше заметить тех, кого стандартный маршрут может пропустить. Такой подход выглядит прагматично: модель не обещает автономную медицину, а снижает долю пропущенных случаев и делает ранний отбор дешевле.

Это хорошо укладывается в более широкую стратегию DAMO Academy, которая уже продвигает AI-скрининг рака и сообщает о более чем 50 миллионах людей, охваченных медицинскими AI-проверками в десяти странах и регионах. Но переоценивать результат тоже не стоит. Речь идет о ретроспективной валидации и исследовательской публикации, а не о том, что модель уже стала универсальным стандартом для больниц по всему миру.

Любой такой инструмент требует локальной проверки, настройки под конкретный поток пациентов и понятной ответственности врача. Иначе даже сильная метрика на бумаге может упереться в ложные срабатывания, перегрузку специалистов или проблемы с интерпретацией результатов в реальной практике.

Что это значит

История с MAOSS показывает, куда медицинский AI движется быстрее всего: не в сторону разговорных ассистентов, а в сторону тихих систем, которые извлекают дополнительный сигнал из уже собранных данных. Если такой подход масштабируется, обычное КТ может постепенно превращаться не только в снимок для текущей жалобы, но и в ранний фильтр для хронических болезней, которые сегодня слишком часто замечают поздно.