Google расширяет работу с учёными над диагностикой и лечением болезней с ИИ

Google опубликовала в корпоративном блоге материал о том, как вместе с учёными и исследовательскими партнёрами пытается сделать болезни более обнаруживаемыми, излечимыми и предотвратимыми. Заявка масштабная, а вот цифр в доступной редакции части анонса нет: ни названий моделей, ни метрик, ни списка клинических партнёров. Поэтому разберём, что сказано прямо, и сопоставим это с тем, что Google уже сделала в биологии и медицине. Для масштаба: база AlphaFold содержит более 200 млн предсказанных структур белков, а за эту работу Демис Хассабис и Джон Джампер получили Нобелевскую премию по химии 2024 года.

Что сказано в анонсе

Формулировка проста: компания работает с учёными, чтобы улучшать здоровье людей по трём направлениям. Первое — обнаружение болезней, то есть диагностика и скрининг. Второе — лечение, от понимания биологии заболевания до поиска терапевтических гипотез. Третье — профилактика. Без конкретики это скорее заявление о направлении, чем релиз продукта. Ни одного показателя, по которому можно сравнить новую работу с прежними, в тексте нет.

На чём стоит эта заявка

У Google в здравоохранении и биологии накоплен ощутимый багаж. Вот проекты, которые чаще всего упоминаются в таком контексте:

• AlphaFold: предсказание структуры белков, открытая база с более чем 200 млн записей;
• Med-PaLM 2: в 2023 году модель набрала 86,5% на вопросах в формате медицинского экзамена USMLE;
• AMIE: исследовательская диалоговая система для диагностических бесед с пациентом;
• AlphaGenome: модель, анализирующая регуляторные области ДНК на последовательностях длиной до 1 млн пар оснований;
• Cell2Sentence-Scale: семейство моделей для анализа данных отдельных клеток, разработанное совместно с Йельским университетом, крупнейшая версия на 27 млрд параметров;
• ARDA: скрининг диабетической ретинопатии по снимкам глазного дна.

Неясно, какие из них войдут в новый анонс. Но логика видна: структурная биология, геномика, клеточные данные и клиническая диагностика образуют цепочку от лабораторной гипотезы до пациента.

Где такие проекты обычно упираются в стену

Модель, которая хорошо решает тест, ещё не работает в клинике. Между бенчмарком и назначением лечения лежат три барьера. Первый — данные: медицинские наборы фрагментированы, смещены по популяциям и закрыты правилами о конфиденциальности. Второй — валидация: нужны проспективные исследования, а не ретроспективный разбор архивов. Третий — регуляторика: FDA, EMA и их аналоги по-разному оценивают ПО, которое влияет на диагноз.

Есть и организационная сторона. Слова «в сотрудничестве с учёными» означают, что часть результатов будет публиковаться в рецензируемых журналах и обретёт независимую проверку. Это хороший знак, но он не заменяет клинических данных. Лекарство-кандидат, найденное моделью в симуляции, ещё должно пройти доклинические испытания и три фазы исследований, а это годы и высокий процент отсева.

Как читать такие анонсы

Пока в блоге нет деталей, полезнее задавать вопросы, чем делать выводы. Если вы работаете в медтехе, фарме или инвестируете в этот сектор, проверьте четыре вещи, когда выйдут подробности:

• есть ли рецензируемая публикация с описанием метода и ограничений;
• на каких популяциях и в каких странах проверена модель;
• доступны ли веса, API или данные для независимого воспроизведения;
• каков регуляторный статус: исследовательский инструмент, одобренное ПО или пилот в клинике.

Для разработчиков и стартапов главный практический вопрос — откроет ли Google доступ к моделям и данным. Если да, вокруг них быстро вырастет экосистема, как это случилось с AlphaFold. Если нет, анонс останется демонстрацией интереса компании к рынку здоровья. Редакция вернётся к теме, когда появятся документы и цифры.