Google Research описала путь MedGemma к скринингу туберкулёза

23 октября 2026 года Google Research опубликовала блог-пост Прити Сингх (Lead, Technical Program Manager) и Шравьи Шетти (Distinguished Software Engineer), приуроченный к конференции IDWeek 2026 в Вашингтоне. В нём команда подводит итог пяти лет работы над скринингом туберкулёза (ТБ): от исследовательского алгоритма до сертифицированного инструмента в клиниках и далее до открытых моделей для систем здравоохранения. Отправная точка в посте: ТБ уносит оценочно 1,23 млн жизней в год, а главное узкое место, радиология: в отдалённых районах и у шахтёров рентгенологов мало, а снимки часто делают в днях пути, поэтому много активных случаев остаётся невыявленными.

Путь к инструменту авторы описывают по этапам. В 2019 году в журнале Radiology вышел бенчмарк: алгоритмы глубокого обучения выявляли активный лёгочный ТБ на уровне опытных рентгенологов. В августе 2021 года Stop TB Partnership в The Lancet Digital Health оценила программы автоматического компьютерного анализа снимков (CAD) и поставила модель Google среди лучших алгоритмов скрининга ТБ в мире; в тот же год ВОЗ рекомендовала CAD для скрининга и сортировки пациентов. В сентябре 2024 года в NEJM AI описана проспективная многоцентровая проверка: ИИ-скрининг сохраняет высокую чувствительность в разных группах пациентов и заодно надёжно находит другие случайные лёгочные и сердечные отклонения. Конкретных цифр чувствительности или специфичности в посте нет.

Дальше начинается то, что авторы называют «разрывом при переносе» (translation gap): софт должен работать на разных рентгеновских аппаратах и без интернета, встраиваться в клинические процессы и проходить регуляторные требования к медицинским изделиям. Для этого Google Research объединилась с Nexus AI, медтех-компанией из Претории, которая превратила алгоритмы в сертифицированный клинический диагностический инструмент (в тексте он назван CE-сертифицированным). Сегодня инструмент работает примерно в 40 медучреждениях в шести странах: названы ЮАР, Сьерра-Леоне и Кот-д'Ивуар, а расширение идёт в ДР Конго, Замбии и Камеруне. По данным поста, свыше 90 врачей оценили более 25 000 рентгенограмм, а время получения заключения сократилось с недель до менее чем 45 секунд; окончательные решения остаются за врачами. Nexus AI провела более 3000 бесплатных скринингов для государственных клиник с нехваткой ресурсов и движется к цели в 10 000 спонсируемых скринингов в год.

Наглядный пример, золотой рудник Mponeng в ЮАР, один из самых глубоких в мире. Совместно со Stop TB Partnership, Harmony Gold Mine и Минздравом ЮАР Nexus AI развернула сверхпортативные цифровые рентгеновские комплекты и автономный ИИ на глубине четырёх километров. Шахтёров проверяют на месте за секунды, а тех, у кого подозревают ТБ, сразу направляют на подтверждающий молекулярный тест. Скрининг, сортировка и подтверждение укладываются в один визит, тогда как обычно путь занимает недели.

Чтобы масштабироваться, Google Research перешла от отдельных внедрений к открытым основам. Через платформу Health AI Developer Foundations (HAI-DEF) опубликованы эмбеддинги (векторные представления) рентгенограмм грудной клетки и MedSigLIP, лёгкая модель, связывающая медицинские изображения с клиническим языком. Её можно использовать для классификации и поиска снимков по текстовым меткам или дообучить под конкретную задачу на небольшом наборе местных примеров, без больших вычислительных ресурсов. Следом вышла MedGemma, семейство открытых мультимодальных моделей (конфигурации на 4 и 27 млрд параметров). Она переходит от классификации к клиническому рассуждению: сопоставляет находки на снимках с историей болезни, отвечает на вопросы врачей на естественном языке и работает локально на устройстве без интернета. С момента запуска MedGemma скачали более 10 млн раз.

Первый крупный пример на открытых моделях, Минздрав Индонезии, у которой, по словам авторов, второе по величине бремя ТБ в мире. Цель, проверять 50 млн граждан в год; ручной разбор такого числа снимков невозможен, а проприетарное облако создаёт проблемы с хранением данных внутри страны. Поэтому министерство дообучает MedGemma и MedSigLIP на отечественных рентгенограммах и запускает их на локальной инфраструктуре, так что данные пациентов остаются в границах страны. Результатов этого дообучения пост не приводит.

Отдельно упомянута модель Health Acoustic Representations (HeAR), обученная на более чем 300 млн звуковых фрагментов: она позволяет проводить неинвазивный скрининг по звуку кашля, записанному на обычный микрофон смартфона. Её применяют в совместных исследованиях в странах Африки к югу от Сахары: с CIDRZ (Замбия), Aurum Institute (Гана, грант Google.org в $250 000) и региональным объединением HELINA на $1,5 млн. Вместе кашлевая сортировка (HeAR), мобильный рентген (HAI-DEF) и мультимодальное рассуждение (MedGemma) авторы называют «диагностическим каскадом» для недостаточно обеспеченных групп населения. Клинических результатов по HeAR нет: партнёры только собирают доказательную базу.

Итог авторов: Nexus AI расширяется на новые страны, Индонезия встраивает скрининг ТБ в национальную программу, а роль Google, снабжать партнёров открытыми моделями, исследованиями и сопровождением.

Ключевые факты

• Инструмент Nexus AI на основе алгоритмов Google работает примерно в 40 медучреждениях в шести странах; по данным поста, более 90 врачей оценили свыше 25 000 рентгенограмм, а время заключения сократилось с недель до менее чем 45 секунд.
• На руднике Mponeng в ЮАР на глубине четырёх километров с автономным ИИ шахтёров проверяют за секунды и сразу направляют на подтверждающий молекулярный тест: скрининг и подтверждение возможны за один визит.
• Google открыла MedSigLIP и эмбеддинги рентгенограмм через HAI-DEF, а также выпустила MedGemma (4 и 27 млрд параметров), которую скачали более 10 млн раз; модель работает локально без интернета.
• Минздрав Индонезии дообучает MedGemma и MedSigLIP на отечественных снимках на локальной инфраструктуре, чтобы данные оставались внутри страны; цель, 50 млн проверок в год.
• Модель HeAR, обученная на более чем 300 млн звуковых фрагментов, исследуется для скрининга ТБ по кашлю на смартфоне; клинические доказательства ещё собираются.

Почему это важно

Туберкулёз по оценке авторов уносит около 1,23 млн жизней в год, а нехватка рентгенологов и техники в бедных и удалённых районах оставляет многие случаи невыявленными. Пост показывает редкую для медицинского ИИ полную цепочку: публикация в рецензируемых журналах, независимая оценка Stop TB Partnership, рекомендация ВОЗ по CAD-программам в целом, сертификация и работа в реальных клиниках, а затем открытые модели, которые другие страны могут адаптировать сами. Авторы называют промежуточное звено «разрывом при переносе» (translation gap) и считают, что публикации статьи для медицинского ИИ мало.

Кому это важно

Министерствам здравоохранения и организациям общественного здравоохранения в странах с высокой нагрузкой ТБ; разработчикам медицинского ИИ, которые могут дообучать MedSigLIP и MedGemma на небольших локальных наборах данных; медтех-компаниям, которым нужен пример пути от алгоритма до сертифицированного изделия; исследователям, изучающим акустический скрининг по кашлю.

Как это применить

По описанию поста, MedSigLIP можно использовать для классификации и поиска снимков по текстовым меткам или дообучить на небольшом числе местных примеров, а MedGemma (4B и 27B), запускать локально на устройстве без интернета и использовать для сопоставления находок на снимках с историей болезни. Индонезия показывает сценарий для страны: дообучение на отечественных рентгенограммах на собственной инфраструктуре, чтобы данные не покидали страну. Цены, лицензионные условия и стоимость инструмента Nexus AI в тексте не приводятся, кроме объёма бесплатных скринингов.

Можно ли доверять

Это блог самой Google Research, то есть рассказ о собственных результатах, а не независимая оценка. Научные утверждения опираются на публикации в Radiology, The Lancet Digital Health и NEJM AI, однако в самом посте нет цифр чувствительности, специфичности или AUC, только качественные формулировки вроде «высокая чувствительность» и «на уровне опытных рентгенологов». Источник не уточняет, кто и как измерял «менее 45 секунд» и недельную базовую линию. Предложение о регуляторных аудитах оборвано двоеточием, список сертификаций в тексте отсутствует; упомянута только CE-сертификация.

Риски и подводные камни

Часть цифр, цели, а не достигнутые результаты: 10 000 спонсируемых скринингов в год у Nexus AI и 50 млн проверок в год в Индонезии; сроков и результатов дообучения индонезийских моделей пост не даёт. Для кашлевого скрининга HeAR клинических данных нет, партнёры только собирают доказательства. Источник говорит о шести странах, но называет три действующие и три, где расширение ещё идёт, поэтому точный охват неясен. Инструмент ускоряет сортировку, а окончательные решения принимают врачи; подтверждение ТБ требует отдельного молекулярного теста.

«В медицинском ИИ публикация статьи, лишь начало.»

— Прити Сингх и Шравья Шетти, Google Research