ტვინის მაგნიტურ-რეზონანსული და კომპიუტერული ტომოგრაფიის შეფასება რთული სამუშაოა, რადგან ექიმს სხვადასხვა ტიპის, მრავალშრიანი გამოსახულებების დათვალიერება და ზოგჯერ გადაუდებელი მდგომარეობების სწრაფად აღმოჩენა უწევს. ამ პროცესისთვის შექმნილი ხელოვნური ინტელექტის სისტემების დიდი ნაწილი მხოლოდ ერთ კონკრეტულ ამოცანაზეა გაწვრთნილი – მაგალითად, სისხლჩაქცევის, სიმსივნის ან ინსულტის ნიშნების ამოცნობაზე. “Nature Medicine“-ში 2026 წლის 10 ივლისს გამოქვეყნებულმა კვლევამ კი წარმოადგინა NeuroVFM – ზოგადი დანიშნულების ვიზუალური საბაზისო მოდელი, რომელიც ერთდროულად სხვადასხვა ტიპის ნეიროგამოსახულებასა და მრავალ კლინიკურ ამოცანაზე მუშაობისთვის შეიქმნა.
მოდელი მიჩიგანის უნივერსიტეტის ჯანდაცვის სისტემაში დაახლოებით 20 წლის განმავლობაში დაგროვებულ მონაცემებზე გაწვრთნეს. სასწავლო მასალა მოიცავდა 566 915 კლინიკურ კვლევას და ჯამში 5.24 მილიონ სამგანზომილებიან გამოსახულებათა სერიას – როგორც მაგნიტურ-რეზონანსულ, ისე კომპიუტერულ ტომოგრაფიულ კვლევებს. მონაცემებში წარმოდგენილი იყო თავის ტვინის, თავის, სახის, თვალბუდეებისა და კისრის კვლევები, რომლებიც პაციენტების ჩვეულებრივი სამედიცინო მომსახურების პროცესში იყო ჩატარებული.
მკვლევრები მიდგომას “ჯანდაცვის სისტემიდან სწავლას“ უწოდებენ. მათი აზრით, ზოგადი ხელოვნური ინტელექტის მოდელები უმეტესად ინტერნეტში საჯაროდ ხელმისაწვდომი ტექსტებითა და გამოსახულებებით სწავლობენ, თუმცა რეალური კლინიკური ნეიროგამოსახულებები ინტერნეტში შედარებით იშვიათია. ამის მიზეზებს შორის პაციენტთა კონფიდენციალურობა და ისიც არის, რომ თავის MRI-სა და კომპიუტერულ ტომოგრაფიაში ადამიანის ამომცნობი ანატომიური ნიშნები შეიძლება ჩანდეს. NeuroVFM კი უშუალოდ ჯანდაცვის სისტემაში დაგროვილი, თავდაპირველად სპეციალურად შერჩეული და ხელით მონიშნული მონაცემების გარეშე გაწვრთნეს.
სწავლებისას მოდელს წინასწარ არ ეუბნებოდნენ, კონკრეტულ გამოსახულებაზე რომელი დაავადება იყო წარმოდგენილი. ამის ნაცვლად სისტემა გამოსახულების დაფარულ ნაწილებზე არსებული ინფორმაციის პროგნოზირებას სწავლობდა. ამ მეთოდის მიზანია, მოდელმა თავის ტვინისა და მიმდებარე სტრუქტურების საერთო ანატომიური აგებულება, სხვადასხვა გამოკვლევის თავისებურებები და პათოლოგიური ცვლილებების ნიმუშები დამოუკიდებლად აითვისოს. ამის შემდეგ მიღებული ცოდნა შეიძლება სხვადასხვა კონკრეტულ ამოცანას მოერგოს – დიაგნოზების ამოცნობას, გადაუდებელი კვლევების გამოყოფას ან რადიოლოგიური დასკვნის მომზადებას.
მოდელის დიაგნოსტიკური შესაძლებლობები 156 ამოცანაზე შეამოწმეს, რომლებიც სიმსივნურ, ტრავმულ, ინფექციურ, ანთებით და სხვა პათოლოგიებს მოიცავდა. შეფასებისთვის გამოიყენეს 2023 წლის ივნისიდან 2024 წლის მაისამდე ჩატარებული 21 ათასზე მეტი კომპიუტერული ტომოგრაფია და 29 ათასზე მეტი MRI. კვლევის ავტორთა მონაცემებით, NeuroVFM-მა სხვადასხვა დიაგნოსტიკურ ამოცანაზე მაღალი შედეგები აჩვენა და კვლევაში შედარებულ რამდენიმე სხვა სპეციალიზებულ თუ ზოგადი დანიშნულების მოდელს აჯობა. მისი საშუალო მაჩვენებელი დიაგნოსტიკური კლასების გარჩევისას კომპიუტერულ ტომოგრაფიაზე დაახლოებით 92.7%, ხოლო MRI-ზე დაახლოებით 92.5%.
მკვლევრებმა მოდელი ტექსტის შემქმნელ ღია ენობრივ სისტემასაც დაუკავშირეს, რათა მას გამოსახულებების საფუძველზე რადიოლოგიური მიგნებების აღწერა შეედგინა. 300 ექსპერტის მიერ გადამოწმებულ კვლევაზე NeuroVFM-ის მიერ მომზადებულ დასკვნებში მნიშვნელოვანი შეცდომების მაჩვენებელი დაახლოებით 10% იყო, GPT-5-ის მიერ იმავე შეფასებისთვის შექმნილ ტექსტებში კი – დაახლოებით 20%. სამი კლინიკური ექსპერტი NeuroVFM-ის დასკვნებს GPT-5-ის დასკვნებთან შედარებით ორჯერ უფრო ხშირად ანიჭებდა უპირატესობას. თუმცა ამ შედარებას მნიშვნელოვანი კონტექსტიც აქვს: NeuroVFM თავიდანვე სამგანზომილებიანი სამედიცინო გამოსახულებებისთვის შეიქმნა, ზოგადი მოდელებისთვის კი კვლევები ტექნიკური შეზღუდვების გამო ორგანზომილებიან სურათებად გარდაქმნეს.
სისტემა ერთი კვირის განმავლობაში რეალურ კლინიკურ ნაკადშიც გამოსცადეს, თუმცა მხოლოდ “ჩუმ რეჟიმში“ – მის პასუხებს პაციენტების მკურნალობაზე გავლენა არ მოუხდენია. შეფასებაში 1 155 MRI და კომპიუტერული ტომოგრაფია შევიდა. გადაუდებელი და არაგადაუდებელი კვლევების გარჩევისას NeuroVFM-ის დაბალანსებული სიზუსტე 92.6% იყო, GPT-5-ის კი – 71.2%. მიუხედავად ამისა, NeuroVFM-მა კრიტიკული მიგნების მქონე 155 პაციენტიდან 21 ვერ გამოავლინა, რაც აჩვენებს, რომ მოდელი დამოუკიდებელ სკრინინგულ სისტემად გამოყენებისთვის ჯერ საკმარისად საიმედო არ არის.
კვლევის ერთ-ერთი მნიშვნელოვანი მიგნება ისიც იყო, რომ მოდელის შედეგები უმჯობესდებოდა როგორც მონაცემების მოცულობის, ისე სისტემის შესაძლებლობების ზრდასთან ერთად და გაუმჯობესების შეჩერების მკაფიო ნიშანი არ გამოვლენილა. ეს მხარს უჭერს იდეას, რომ ჯანდაცვის სისტემებში ყოველდღიურად დაგროვილი მონაცემები მომავალში უფრო ფართო შესაძლებლობების მქონე სამედიცინო მოდელების შესაქმნელად შეიძლება გამოიყენონ. თუმცა ეს არ ნიშნავს, რომ სისტემა კლინიკაში ავტომატურად და უკონტროლოდ უნდა სწავლობდეს – მონაცემთა ხარისხის, კონფიდენციალურობის, უსაფრთხოებისა და მუშაობის მუდმივი შემოწმება აუცილებელი იქნება.
NeuroVFM ამ ეტაპზე კვლევითი ინსტრუმენტია და არც FDA-სა და არც სხვა მარეგულირებელი ორგანოს მიერ კლინიკური გამოყენებისთვის დამტკიცებული არ არის. მოდელი ძირითადად ერთი დიდი აკადემიური ჯანდაცვის სისტემის მონაცემებზეა შექმნილი, ამიტომ შესაძლოა მის შედეგებზე ამავე პაციენტური პოპულაციის, ტექნიკური აღჭურვილობისა და კლინიკური პრაქტიკის თავისებურებები აისახოს. ავტორების მიხედვით, აუცილებელია დამოუკიდებელი შემოწმება სხვა საავადმყოფოებში, სხვადასხვა პაციენტურ ჯგუფში და ხანგრძლივ პროსპექტულ კვლევებში.
კვლევის მნიშვნელობა ჯერ არა რადიოლოგის ჩანაცვლებაში, არამედ ახალი ტიპის სამედიცინო ხელოვნური ინტელექტის დემონსტრირებაშია: ერთი მოდელი შესაძლოა მხოლოდ ერთი დაავადების ამოცნობის ნაცვლად მრავალი ტიპის გამოსახულებასა და ამოცანას მოერგოს, ექიმებს გადაუდებელი შემთხვევების პრიორიტეტიზაციაში დაეხმაროს და დასკვნის მოსამზადებლად საწყისი ინფორმაცია მიაწოდოს. საბოლოო შეფასება და კლინიკური გადაწყვეტილება კი კვლავ კვალიფიციური სპეციალისტის პასუხისმგებლობად რჩება.
