Для подготовки модели ученые собрали крупнейший в мире массив данных по медицинской визуализации и создали «дерево знаний» по анатомии с 6 502 терминами. Это позволило объединить текстовую и визуальную информацию в единую систему. SAT воспринимает медицинскую терминологию и способна по текстовому запросу выделять на снимках соответствующие области.
Модель представлена в двух версиях: SAT-Nano (110 млн параметров) и SAT-Pro (447 млн). При этом SAT-Pro показала результаты на уровне 72 лучших специализированных алгоритмов, которые вместе насчитывают свыше 2,2 млрд параметров. В тестах на собственных данных SAT-Pro превысила точность популярной модели MedSAM в среднем на 7,1%, а при проверке на снимках из других клиник оказалась лучше конкурентов с приростом точности на 3,7%. Кроме того, новая система получилась не только универсальной, но и гораздо более компактной.
По словам авторов статьи, SAT может существенно облегчить работу радиологов. Сейчас сегментация органов и тканей на медизображениях часто выполняется вручную или с помощью отдельных алгоритмов, что занимает много времени и требует сложной подготовки данных. SAT автоматизирует процесс и адаптируется к различным клиническим сценариям без переобучения под каждую задачу.
В перспективе SAT может быть интегрирована с крупными языковыми моделями, например, с недавно представленной GPT-5, которую OpenAI позиционирует как наиболее надежное решение для медицинских задач. Такое объединение расширит возможности технологий медицинской сегментации и станет шагом к формированию универсального медицинского ИИ.
По мнению исследователей, появление SAT знаменует переход от множества узких инструментов к универсальным решениям в медицине. Такая модель способна сделать технологии медицинской визуализации более доступными для клиник по всему миру.
Развитие подобных решений идет и в России. Так, Yandex В2В Tech совместно с ШАД и СПбГПМУ разработали нейросеть, которая автоматизирует оценку МРТ-снимков мозга новорожденных. Сервис выделяет серое и белое вещество, строит контуры и показывает их соотношение, что позволяет врачам быстрее выявлять возможные отклонения в развитии мозга и сокращает время анализа с часов до минут. При этом система не заменяет врача, а выступает вспомогательным инструментом для постановки диагноза и подбора терапии.
Наряду с научными разработками, ИИ уже применяется и в повседневной медицинской практике. В московских поликлиниках с 2024 года он используется для обработки рентгеновских и флюорографических снимков: при отсутствии признаков патологии заключение автоматически попадает в электронную карту пациента, а при выявлении отклонений результат направляется врачу для подтверждения.
Для подготовки модели ученые собрали крупнейший в мире массив данных по медицинской визуализации и создали «дерево знаний» по анатомии с 6 502 терминами. Это позволило объединить текстовую и визуальную информацию в единую систему. SAT воспринимает медицинскую терминологию и способна по текстовому запросу выделять на снимках соответствующие области.
Модель представлена в двух версиях: SAT-Nano (110 млн параметров) и SAT-Pro (447 млн). При этом SAT-Pro показала результаты на уровне 72 лучших специализированных алгоритмов, которые вместе насчитывают свыше 2,2 млрд параметров. В тестах на собственных данных SAT-Pro превысила точность популярной модели MedSAM в среднем на 7,1%, а при проверке на снимках из других клиник оказалась лучше конкурентов с приростом точности на 3,7%. Кроме того, новая система получилась не только универсальной, но и гораздо более компактной.
По словам авторов статьи, SAT может существенно облегчить работу радиологов. Сейчас сегментация органов и тканей на медизображениях часто выполняется вручную или с помощью отдельных алгоритмов, что занимает много времени и требует сложной подготовки данных. SAT автоматизирует процесс и адаптируется к различным клиническим сценариям без переобучения под каждую задачу.
В перспективе SAT может быть интегрирована с крупными языковыми моделями, например, с недавно представленной GPT-5, которую OpenAI позиционирует как наиболее надежное решение для медицинских задач. Такое объединение расширит возможности технологий медицинской сегментации и станет шагом к формированию универсального медицинского ИИ.
По мнению исследователей, появление SAT знаменует переход от множества узких инструментов к универсальным решениям в медицине. Такая модель способна сделать технологии медицинской визуализации более доступными для клиник по всему миру.
Развитие подобных решений идет и в России. Так, Yandex В2В Tech совместно с ШАД и СПбГПМУ разработали нейросеть, которая автоматизирует оценку МРТ-снимков мозга новорожденных. Сервис выделяет серое и белое вещество, строит контуры и показывает их соотношение, что позволяет врачам быстрее выявлять возможные отклонения в развитии мозга и сокращает время анализа с часов до минут. При этом система не заменяет врача, а выступает вспомогательным инструментом для постановки диагноза и подбора терапии.
Наряду с научными разработками, ИИ уже применяется и в повседневной медицинской практике. В московских поликлиниках с 2024 года он используется для обработки рентгеновских и флюорографических снимков: при отсутствии признаков патологии заключение автоматически попадает в электронную карту пациента, а при выявлении отклонений результат направляется врачу для подтверждения.