Международная команда ученых выяснила, что мешает электрохимическим сенсорам с искусственным интеллектом перейти из лабораторий в клиники. Среди главных препятствий — недостаток данных, непрозрачность алгоритмов и сложность внедрения ИИ в компактные медицинские устройства.
Исследователи из Томского государственного университета вместе с коллегами из России, Чехии, Китая и Индии проанализировали более 130 научных работ, опубликованных в 2016–2025 годах. На их основе ученые создали «сетевую карту доказательств» (Network Evidence Map) — инструмент, который позволяет систематизировать и количественно оценить факторы, препятствующие внедрению ИИ-сенсоров в медицину. Результаты исследования опубликованы в журнале Biosensors.
Электрохимические сенсоры определяют состав жидкостей или газов и преобразуют химические реакции в электрический сигнал. Один из наиболее известных примеров такой технологии — глюкометр. Если дополнить сенсор алгоритмами искусственного интеллекта, он может анализировать более сложные сигналы: разделять перекрывающиеся показатели, компенсировать изменения характеристик датчика и одновременно определять несколько веществ.
По словам исследователя, такие технологии могут использоваться для ранней диагностики заболеваний, в том числе рака, мониторинга окружающей среды, контроля безопасности продуктов и создания носимых устройств для отслеживания состояния здоровья. При этом большинство разработок пока остаются лабораторными прототипами.
Одной из проблем стала недостаточная оценка надежности ИИ. В 83% проанализированных исследований алгоритмы выдавали точечный прогноз без указания его неопределенности. Еще одна проблема — доступ к данным: в 85% работ исходные наборы предоставлялись только по запросу, что затрудняет независимую проверку результатов. Медианный размер выборки составил 68 образцов.
Ученые также обнаружили недостаток объяснимости алгоритмов. Только в одном из рассмотренных исследований использовались методы Explainable AI (XAI), которые позволяют понять, какие характеристики сигнала повлияли на решение системы. Для медицинских технологий это важно, поскольку специалисту необходимо иметь возможность проверить логику алгоритма.
Дополнительным ограничением становится аппаратная часть. Сложные модели могут требовать графических процессоров или облачных вычислений, тогда как устройства для диагностики рядом с пациентом должны быть компактными, недорогими и энергоэффективными. Кроме того, характеристики электрохимических электродов могут различаться от партии к партии, из-за чего модель, обученная на одном наборе сенсоров, не всегда работает с другим.
Наша карта показывает, что совершенство алгоритмов не может компенсировать низкое качество исходных данных. Мы выявили цепочку взаимосвязанных факторов: ограниченный доступ к данным, отсутствие оценки неопределенности и непрозрачность моделей образуют единый комплекс проблем — это системный кризис прозрачности.
Для преодоления этих ограничений исследователи предлагают создать открытые базы данных электрохимических показателей, внедрить количественную оценку неопределенности прогнозов и использовать Explainable AI. Кроме того, ученые рекомендуют учитывать в нейросетях физические и химические закономерности, что может позволить обучать модели на меньшем объеме данных.
Разработчикам также предлагают создавать облегченные версии ИИ-моделей, способные работать на маломощных устройствах, и повышать стабильность характеристик сенсоров при производстве. По мнению авторов исследования, это поможет приблизить ИИ-сенсоры к автономной экспресс-диагностике непосредственно рядом с пациентом.
Ранее Наука Mail писала о том, что ТГУ представил нейротехнологии на МФМ-2026.