Google Research опубликовал в JAMA Network Open результаты проспективного мультицентрового исследования ИИ-системы, которая оценивает срок беременности по «слепому» ультразвуковому сканированию. Съёмку по протоколу blind sweep выполняли медработники без подготовки сонографов на портативном датчике Clarius C3, а срок считала модель. На когорте из 385 участниц в Чикаго и Найроби средняя ошибка ИИ составила 4,18 дня против 4,48 дня у экспертов и уложилась в заранее заданный порог неинфериорности в один день, причём для Найроби модель не дообучали под местную популяцию. Исследование подтверждает, что связка простого протокола сканирования, дешёвого датчика и ИИ может давать точность экспертного уровня там, где квалифицированного акушерского УЗИ нет.

image
image

Что произошло

Google Research опубликовал в журнале JAMA Network Open (2026, DOI 10.1001/jamanetworkopen.2026.22484) результаты проспективного мультицентрового исследования ИИ-системы оценки гестационного возраста, то есть срока беременности. Основную когорту составили 385 участниц со сроком 16–36 недель: 192 в Northwestern Medicine в Чикаго и 193 в Jacaranda Health в Найроби. Сканирование выполняли неспециалисты по протоколу blind sweep на портативном датчике Clarius C3, а срок по полученной записи определяла модель. Средняя абсолютная ошибка ИИ составила 4,18 дня против 4,48 дня у экспертов-сонографов; в Чикаго ошибка модели равнялась 4,10 дня, в Найроби — 4,27 дня, при этом локальная адаптация под кенийскую популяцию не проводилась. Разница с экспертами осталась в пределах заранее заданного порога неинфериорности в один день. Параллельно Google описал исследование в своём блоге.

Контекст

Гестационный возраст — базовый параметр ведения беременности: от точного срока зависят план обследований, распознавание осложнений и тактика родоразрешения. Обычно его определяет сонограф — специалист с многолетней подготовкой, работающий на дорогостоящем стационарном оборудовании, поэтому в низкоресурсных регионах качественное акушерское УЗИ часто малодоступно. Протокол blind sweep упрощает съёмку: оператор без специальной подготовки просто проводит датчиком по животу, не выполняя измерения вручную, а срок вычисляет модель по полученной записи. Использованная в исследовании система была обучена ранее на 1968 участницах из США, где сбор данных шёл в Северной Каролине, и Замбии — на датчиках Sonosite, GE и Butterfly Networks. Под новый портативный датчик Clarius C3 её минимально дообучили всего на 120 участницах из Чикаго, то есть примерно на порядок меньше данных, чем потребовалось для исходного обучения.

Почему это важно для индустрии

Для индустрии это первый проспективный мультицентровый тест переносимости ИИ-ультразвука одновременно на новую аппаратную платформу и новую популяцию без локальной дообучки. Ценность здесь скорее методологическая, чем продуктовая: исследование задаёт шаблон доказательства переносимости — раздельные когорты по центрам, заранее заданный критерий неинфериорности и сравнение с экспертами на тех же данных. Подтверждён и рецепт экономной адаптации: дообучение под новый датчик заняло 120 сканов против 1968 в исходном обучении. Связка простого протокола захвата данных с моделью, переносимой между датчиками, оказывается жизнеспособной на дешёвых портативных зондах и минимально обученных операторах, и это готовая архитектурная подсказка для команд, строящих медицинский ИИ: такой дизайн внешней валидации стоит брать как внутренний стандарт доказательства и сверять с ним собственные модели. Вероятным, но не гарантированным следствием станет давление на вендоров портативных зондов встраивать ИИ-инференс в собственные приложения.

Почему это важно для пользователей

Практический смысл для читателя: оценку срока беременности экспертного уровня может получить не сонограф с многолетней подготовкой, а фельдшер или медсестра после минимального обучения, работающая с портативным датчиком. Для пациенток в регионах с дефицитом специалистов это шанс на корректно определённый срок даже там, где штатного сонографа и стационарного аппарата нет, а вместе с ним — правильное планирование ведения беременности и более раннее выявление осложнений. Масштаб проблемы, на который нацелена технология, значителен: по данным ВОЗ, с отсутствием доступа к диагностике связано более 250 000 предотвратимых материнских смертей ежегодно. Если переносимость такого решения подтвердится на новых датчиках и в новых популяциях, сценарий «неспециалист, портативный датчик и ИИ» сможет стать стандартным компонентом пренатального скрининга в низкоресурсных регионах.

Что пока неизвестно / ограничения

Уточнять стоит несколько вещей. Во-первых, проверена ровно одна пара «новое железо и новая популяция»: один датчик Clarius C3 и одно дообучение на 120 участницах, поэтому из результата нельзя выводить общее свойство переносимости ИИ-моделей между аппаратными платформами. Во-вторых, средняя ошибка в 4,18 дня не показывает хвосты распределения, а в пренатальной практике клинически опасны именно грубые промахи в оценке срока; их частота в источниках не раскрыта. В-третьих, результаты получены в исследовательских условиях двух центров, Northwestern Medicine и Jacaranda Health, вне этих протоколов система не работает, а продукта или API на её основе не существует. Наконец, ожидания волны воспроизведений на других датчиках и регуляторных дискуссий о переносе медицинских ИИ-моделей между устройствами — это прогнозы, а не подтверждённые факты.

Источники

Автор

Look at AI, редакция