Учёные разработали систему искусственного интеллекта Merlin, которая анализирует объёмные изображения компьютерной томографии брюшной полости, помогает распознавать некоторые заболевания и может оценивать риск развития хронических болезней в ближайшие годы.
Описание модели и проверка её возможностей опубликованы 4 марта 2026 года в журнале Nature.
Почему это важно для лучевой диагностики
Компьютерная томография широко используется для выявления опухолей, инфекций и других заболеваний. Но каждый снимок должен оценить врач-рентгенолог, и на один случай может уходить до 20 минут.
Число КТ-исследований растёт, а количество специалистов не увеличивается такими же темпами. Поэтому ожидание заключения может затягиваться. Автоматический анализ снимков способен уменьшить нагрузку на врачей, но до сих пор многие модели лучше работали с двумерными изображениями, например с рентгенограммами.
Merlin создавали именно для работы с трёхмерными КТ-данными.
Как обучали Merlin
Исследовательская группа под руководством доктора Акшая Чаудхари обучила модель на более чем 15 000 КТ-исследований брюшной полости. Вместе со снимками использовались рентгенологические заключения и почти 1 млн связанных диагностических кодов.
Затем систему проверили более чем на 50 000 КТ-исследований из разных больниц и открытых наборов данных. Возможности Merlin оценивали по шести типам задач.
Насколько точно модель ставила диагноз
Для диагностической проверки учёные сравнили результаты Merlin с заключениями врачей-рентгенологов. В среднем по сотням диагностических кодов модель правильно предсказывала диагноз более чем в 81% случаев.
Для 102 диагностических кодов точность превышала 90%. Это показывает, что модель способна воспроизводить значительную часть экспертной интерпретации КТ-изображений, хотя не заменяет полноценную клиническую оценку.
Прогноз болезней на пять лет
Отдельно исследователи проверили, может ли Merlin по КТ-снимкам здоровых пациентов предсказать развитие хронических заболеваний в течение пяти лет.
По шести хроническим болезням модель определяла, у кого они появятся в ближайшие пять лет, с точностью 75%. Авторы считают, что система может улавливать признаки на КТ, которые остаются незаметными даже для подготовленного человеческого глаза.
Модель проверили и на снимках грудной клетки
Чтобы понять, насколько Merlin применим за пределами исходной задачи, его протестировали на КТ грудной клетки. Эти изображения не использовались при обучении модели.
Несмотря на это, Merlin показал результаты не хуже, а в некоторых случаях лучше моделей, специально обученных на КТ грудной клетки. Это говорит о потенциальной универсальности подхода, хотя для клинического применения такие системы всё равно требуют отдельной проверки.
Где ИИ пока ошибается
Merlin хуже справлялся с более сложными задачами. При автоматическом создании рентгенологических заключений модель склонна была не указывать часть находок. Ещё одной слабой стороной оказалось точное выделение и обведение органов в трёхмерном пространстве.
Поэтому авторы рассматривают ближайшее применение Merlin прежде всего в более простых задачах, где система сможет помогать врачу, а не работать самостоятельно.
Что это может изменить
Если такие инструменты пройдут необходимую проверку и будут допущены к клиническому применению, они смогут ускорить первичный анализ КТ и снизить нагрузку на специалистов. Особенно это важно там, где поток исследований велик, а врачей-рентгенологов не хватает.
Похожее направление развивается и в других областях медицинской визуализации: например, ИИ-атлас NextBrain помогает точнее сопоставлять микроскопические данные с томографией, что показывает, как алгоритмы постепенно становятся рабочим инструментом анализа сложных трёхмерных изображений.
Литература
Blankemeier L., Kumar A., Cohen J.P., Liu J., Liu L., Van Veen D., Gardezi S.J.S., Yu H., Paschali M., Chen Z., Delbrouck J.B., Reis E., Holland R., Truyts C., Bluethgen C., Wu Y., Lian L., Jensen M.E.K., Ostmeier S., Varma M., Valanarasu J.M.J., Fang Z., Huo Z., Nabulsi Z., Ardila D., Weng W.H., Junior E.A., Ahuja N., Fries J., Shah N.H., Zaharchuk G., Willis M., Yala A., Johnston A., Boutin R.D., Wentland A., Langlotz C.P., Hom J., Gatidis S., Chaudhari A.S. Merlin: a computed tomography vision-language foundation model and dataset // Nature. 2026. Mar 4. DOI: 10.1038/s41586-026-10181-8. Epub ahead of print. PMID: 41781626.