Исследователи из Университета Буффало совершили прорыв в области медицинского искусственного интеллекта: их метод Semantic Clinical Artificial Intelligence (SCAI) позволил языковым моделям значительно улучшить результаты на экзамене USMLE — тесте для получения медицинской лицензии в США. Ключевой компонент технологии, механизм RAG, обогащает модель структурированными клиническими данными, что особенно помогло компактным версиям ИИ. Например, модель с 13 миллиардами параметров смогла преодолеть проходной порог на Step 3 USMLE только после интеграции SCAI, тогда как более мощные версии (70 и 405 миллиардов параметров) достигли точности выше 90% на отдельных этапах. Это открытие задаёт вектор для разработки инструментов, способных работать в партнёрстве с врачами.

Принцип работы SCAI напоминает создание цифрового медицинского справочника. Алгоритм анализирует учебные материалы, клинические руководства и базы данных (например, MedlinePlus и DrugBank), выделяя связи между симптомами, анализами и диагнозами в виде троек «объект-отношение-субъект». Эти структурированные данные преобразуются в числовые шаблоны, которые модель использует для дополнения контекста при ответе на вопрос. Например, при запросе о пациенте с кашлем и температурой система автоматически подключает информацию о типичных возбудителях пневмонии или рекомендует исключить COVID-19. Такой подход снижает риск «галлюцинаций» — генерации непроверенных фактов.

Эффективность метода подтверждают конкретные кейсы. В одном из вопросов USMLE описывалась 24-летняя пациентка с учащённым мочеиспусканием на фоне авиафобии. Базовая модель Llama 13B без SCAI предложила успокоительные, но после добавления структурированных данных (связь между приёмом оральных контрацептивов и аменореей, роль анализа мочи в диагностике кристаллурии) ИИ рекомендовал поведенческую терапию — корректный ответ, соответствующий стресс-индуцированной дисфункции мочевого пузыря.

Главное преимущество SCAI RAG — возможность «дообучения» моделей без их полной перестройки. Это критически важно для медицины, где данные постоянно обновляются. Например, при появлении новых клинических рекомендаций по лечению диабета система может оперативно интегрировать их в свою базу, не требуя месяцев на переобучение. При этом уровень ошибочных ответов у самой крупной модели (405B) с SCAI составил всего 4,9% на этапе Step 3 против типичных 10-15% у базовых ИИ.

Авторы подчёркивают: цель технологии — не замена врачей, а создание инструментов для снижения диагностических ошибок и ускорения принятия решений. Уже сегодня SCAI можно применять в образовании — например, для симуляции сложных клинических случаев в обучении студентов. В перспективе подобные системы могут стать частью электронных медкарт, анализируя историю пациента и предлагая врачу актуальные рекомендации.

Однако внедрение таких решений потребует тщательной валидации. Следующий шаг учёных — тестирование SCAI в реальной клинической практике, где важно не только качество ответов, но и скорость работы, интеграция с медоборудованием, а также этические аспекты.