Разработчик создал анализатор МРТ позвоночника на Python и Gemini

Десять часов в день за монитором, хроническая боль в пояснице и очередной визит к неврологу — знакомая история для сотен тысяч разработчиков по всему миру. Но один из них решил не просто терпеть, а написать собственный инструмент для анализа МРТ-снимков позвоночника. Так появился Spine Advisor — десктопное приложение на Python, которое за считанные секунды разбирает медицинские изображения с помощью мультимодальной модели Gemini 3 Flash.

История проекта, опубликованная на Хабре, начинается банально и узнаваемо. Автор — практикующий программист, годами игнорировавший сигналы собственного тела. Когда редкие «прострелы» превратились в постоянный дискомфорт, визиты к врачу стали регулярными, а вместе с ними накопилась стопка МРТ-снимков. Каждый раз специалист тратил время на сравнение результатов, объяснение динамики и интерпретацию заключений. Разработчик задался логичным вопросом: можно ли переложить хотя бы часть этой рутины на языковую модель?

Оказалось, что можно. Spine Advisor работает как цифровой дневник спины с встроенным ИИ-ассистентом. Пользователь загружает снимки МРТ, а мультимодальная модель Gemini 3 Flash анализирует изображения, выделяя ключевые паттерны — протрузии, грыжи, изменения в межпозвоночных дисках. Приложение позволяет сравнивать результаты в динамике, отслеживая прогресс лечения от визита к визиту. По сути, это персональный медицинский трекер, который говорит на понятном пациенту языке вместо того, чтобы оставлять его наедине с непроницаемой терминологией рентгенологических заключений.

Технический выбор автора заслуживает отдельного внимания. Gemini 3 Flash — относительно свежая мультимодальная модель от Google, которая хорошо справляется с анализом изображений при высокой скорости работы и умеренных затратах на API. Для десктопного приложения, ориентированного на обычных пользователей, это разумный компромисс между качеством интерпретации и стоимостью. Python в качестве основного языка тоже неслучаен: богатая экосистема библиотек для работы с медицинскими изображениями, от pydicom до nibabel, делает его стандартом де-факто в медицинском ML.

Впрочем, проект поднимает вопросы, которые выходят далеко за пределы одного приложения. Мы наблюдаем формирование нового класса медицинских инструментов — созданных не корпорациями с многомиллионными бюджетами на сертификацию, а самими пациентами для решения собственных проблем. Это одновременно вдохновляет и настораживает. С одной стороны, мультимодальные модели действительно достигли уровня, на котором они способны извлекать осмысленную информацию из медицинских снимков. Исследования последних двух лет показывают, что крупные языковые модели на ряде радиологических задач приближаются к точности врачей-интернов. С другой стороны, ни одна из этих моделей не является сертифицированным медицинским устройством, и их интерпретации не должны заменять профессиональную диагностику.

Автор, к его чести, позиционирует Spine Advisor именно как вспомогательный инструмент, а не замену врачу. Приложение помогает пациенту подготовиться к визиту, сформулировать вопросы и отследить изменения — но финальное слово остаётся за специалистом. Это важная оговорка, которую нередко забывают энтузиасты медицинского AI. Регуляторы по всему миру, от FDA до Росздравнадзора, пока не выработали единого подхода к таким «пациентским» инструментам, и правовой статус подобных приложений остаётся в серой зоне.

Тем не менее тренд очевиден. По мере того как мультимодальные модели становятся дешевле и доступнее, а API крупных провайдеров упрощают интеграцию, барьер входа для создания медицинских AI-ассистентов стремительно снижается. Сегодня один разработчик за неделю собирает анализатор МРТ на коленке. Завтра подобные инструменты могут стать стандартным дополнением к электронной медицинской карте. Вопрос лишь в том, успеют ли регуляторные рамки за технологией — или пациенты, вооружённые Python и API-ключами, снова окажутся на шаг впереди системы здравоохранения.