19 ноября 2025 года в журнал Nature Machine Intelligence были опубликованы результаты исследования, которые подтвердили способность ИИ-инструмента CytoDiffusion выявлять аномалии в клетках крови с точностью выше, чем врачи. Система, разработанная учёными из Кембриджского университета, Университетского колледжа Лондона и Лондонского университета королевы Марии, использует генеративный ИИ для анализа формы и структуры клеток крови.
CytoDiffusion обучена на базе более полумиллиона изображений мазков крови из больницы Адденбрука (Кембридж). Этот набор данных — самый большой в своём роде — включал как распространённые типы клеток крови, так и более редкие примеры, а также элементы, которые многие автоматизированные системы могли считывать неверно. Так, в отличие от других моделей ИИ, которые обучаются просто выявлять закономерности, исследователи продемонстрировали, что CytoDiffusion может точно распознавать широкий спектр нормальных форм клеток крови и указывать на необычные или редкие клетки, которые могут быть признаками заболеваний.
Во время тестирования система выявила аномалии с большей чувствительностью, чем существующие медицинские модели, а также показала высокую оценку собственной неопределённости, снижая риск ошибок при диагнозе. Как сообщает Medical Press, автор исследования Дельтадаль сказал следующее: «Типичный мазок крови содержит тысячи клеток — гораздо больше, чем способен проанализировать человек. Люди не могут увидеть все клетки в мазке — это просто невозможно. Наша модель может автоматизировать этот процесс, сортировать стандартные случаи и выделять всё необычное для анализа человеком». Команда также продемонстрировала, что CytoDiffusion может генерировать синтетические изображения клеток крови1, неотличимые от настоящих. В «тесте Тьюринга»2 с участием 10 опытных гематологов эксперты-люди не смогли отличить реальные изображения от изображений, созданных искусственным интеллектом.
CytoDiffusion представляет собой инновационный подход к классификации изображений, основанный на принципах диффузионных процессов. В отличие от традиционных методов классификации, эта модель использует процесс постепенного зашумления и восстановления данных для принятия решений. Сначала выполняется латентное кодирование: исходное изображение преобразуется в сжатое латентное представление, что позволяет работать с более компактной и содержательной формой данных. далее происходит диффузионный процесс: модель использует два взаимосвязанных процесса. Прямую диффузию, подразумевающую последовательное добавление шума к данным, и обратную диффузию, в ходе которой данные из зашумленного состояния восстанавливаются. Уникальность подхода заключается в том, что классификация происходит не через прямое предсказание меток, а через анализ способности модели восстанавливать данные для различных классов. Модель оценивает, для какого класса она может наиболее эффективно «очистить» зашумленные данные.
В рамках проекта исследователи публикуют, по их словам, крупнейший в мире общедоступный набор данных изображений мазков периферической крови: в общей сложности более полумиллиона. «Открывая этот ресурс, мы надеемся дать исследователям по всему миру возможность создавать и тестировать новые модели искусственного интеллекта, упростить доступ к высококачественным медицинским данным и, в конечном итоге, способствовать улучшению качества медицинской помощи пациентам», — сказал Дельтадаль. Хотя результаты многообещающие, исследователи утверждают, что CytoDiffusion не заменит опытных врачей. Вместо этого он призван помочь им, быстро отмечая аномальные случаи для анализа и автоматически обрабатывая более стандартные. Как сообщает Inside Precision Medicine, соавтор, профессор Парашкев Начев из Университетского колледжа Лондона уверен в перспективах технологии: «Истинная ценность ИИ в здравоохранении заключается не в приближении к человеческому опыту при меньших затратах, а в обеспечении большей диагностической, прогностической и предписывающей силы, чем могут достичь эксперты или простые статистические модели. Наша работа предполагает, что генеративный ИИ будет играть центральную роль в этой миссии, преобразуя не только точность клинических систем поддержки, но и их понимание пределов собственных знаний. Это «метакогнитивное» понимание — знание того, чего не знаешь другой человек — критически важно для принятия клинических решений, и здесь мы показываем, что машины могут справляться с этим лучше нас».
Исследователи говорят, что необходимы дальнейшие исследования, чтобы ускорить работу системы и протестировать её на различных группах пациентов, чтобы гарантировать её объективность и точность.
Креативность Анастасии живёт в режиме split-screen. Одна часть — логика продюсера, который видит проект от идеи до релиза. Другая — интуиция клавишницы рок-группы, чувствующей, как один аккорд может изменить всю атмосферу песни. Эти два мира постоянно общаются, и их диалог выливается в страсть к написанию статей. В тексте Анастасия ищет ту же полифонию: где факты — это мощный бит, аналитика — гармоническая прогрессия, а яркая метафора — неожиданный модуляционный поворот. Настя создает контент, который не просто информирует, а звучит, вовлекая читателя в со-творчество.