Can-SAVE от Сбера: искусственный интеллект повысил выявляемость рака на 91%

ИИ Сбера помог выявить на 91% больше случаев рака: как работает модель Can-SAVE

Can-SAVE меняет не способ диагностики, а порядок обследования пациентов

Большинство современных медицинских систем организуют профилактические обследования по заранее установленным правилам. Возраст, пол, наследственность и известные факторы риска определяют, какие исследования рекомендованы человеку и с какой периодичностью.

Такой подход позволяет охватывать большие группы населения, однако практически не учитывает индивидуальную историю заболеваний, накопленную за годы наблюдения.

Между тем электронная медицинская карта содержит гораздо больше информации, чем обычно используется при планировании профилактических обследований. В ней сохраняются сведения о диагнозах, посещениях врачей, проведённых процедурах и времени между обращениями.

Команда Центра практического искусственного интеллекта Сбербанка совместно со Sber AI разработала модель Can-SAVE, способную анализировать эти данные и оценивать вероятность выявления злокачественного новообразования в течение следующих 12 месяцев.

Принципиальная особенность технологии заключается в том, что она не требует новых лабораторных исследований, генетических тестов или медицинских изображений. Модель использует информацию, уже имеющуюся в электронной медицинской карте.

Can-SAVE не определяет локализацию опухоли и не устанавливает онкологический диагноз. Её задача — сформировать список пациентов, которым целесообразно уделить повышенное внимание при диспансеризации.

Иными словами, технология пытается решить организационную проблему: как использовать ограниченное количество медицинских обследований так, чтобы среди приглашённых пациентов оказалось больше людей с действительно существующим заболеванием.

2148 случаев рака вместо 1123: результаты годового исследования

Работа под названием «Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR» опубликована в материалах международной конференции KDD 2026.

Её авторы — Пётр Филоненко, Владимир Кох и Павел Блинов.

Исследование включало несколько этапов.

Сначала разработчики провели ретроспективную проверку модели на медицинских данных 1,9 млн пациентов из пяти регионов России. Ретроспективное исследование означает, что прогнозы алгоритма сопоставляли с уже известными последующими диагнозами.

В каждом регионе Can-SAVE выделяла тысячу пациентов с наиболее высоким предполагаемым риском онкологического заболевания.

В зависимости от региона среди таких пациентов обнаруживалось от 41 до 90 случаев рака на тысячу человек. При традиционном отборе соответствующий показатель составлял от 9 до 15 случаев.

Таким образом, модель существенно повышала концентрацию пациентов с онкологическими заболеваниями в группе, выбранной для приоритетного обследования.

Однако ретроспективный анализ ещё не доказывает, что технология принесёт аналогичную пользу при реальной организации медицинской помощи.

Поэтому следующим этапом стало годовое проспективное исследование — проверка алгоритма непосредственно в процессе диспансеризации.

Оно охватило 426 210 взрослых жителей одного российского региона, у которых на момент включения не было зарегистрированного онкологического диагноза.

Исследователи сравнили два способа формирования списков пациентов для профилактических обследований:

• традиционный порядок приглашения на диспансеризацию;
• приглашение с учётом оценки онкологического риска, рассчитанной Can-SAVE.

При сопоставлении результатов использовалось одинаковое число фактически обследованных пациентов — 131 167 человек для каждого подхода.

Результат оказался следующим:

• традиционная диспансеризация — 1123 выявленных злокачественных новообразования;
• диспансеризация с применением Can-SAVE — 2148 выявленных злокачественных новообразований.

Это соответствует 8,56 и 16,38 случая на тысячу обследованных соответственно.

Относительное увеличение выявляемости составило 91%.

В научной публикации приводится ещё один показатель. Среди 2850 случаев рака, зарегистрированных в регионе за рассматриваемый период, традиционный подход позволял охватить 39,4%, а подход с Can-SAVE — 75,4%.

Разница составила 36 процентных пунктов.

Эти результаты показывают, что изменение порядка приглашения пациентов способно заметно повысить результативность обследований даже без увеличения числа проведённых осмотров.

Как искусственный интеллект обнаруживает риск рака в обычной медицинской карте

Название Can-SAVE связано с применением анализа времени до события и данных электронных медицинских карт.

В основе технологии лежит сочетание двух статистических подходов.

Первый — анализ выживаемости. Несмотря на название, в данном случае речь идёт не о продолжительности жизни пациента после онкологического диагноза.

В статистике анализ выживаемости используется для изучения времени до определённого события. Таким событием может быть развитие заболевания, госпитализация или постановка диагноза.

В Can-SAVE этот метод помогает учитывать, как вероятность выявления рака меняется в зависимости от возраста и других характеристик человека.

Второй компонент — машинное обучение, позволяющее выявлять сложные статистические зависимости между многочисленными признаками.

Разработчики использовали алгоритм CatBoost, относящийся к методам градиентного бустинга. Такие алгоритмы последовательно строят модели, каждая из которых помогает исправлять ошибки предыдущих.

Исходно исследователи сформировали более 700 потенциальных признаков.

Среди них:

• возраст и пол пациента;
• количество обращений за медицинской помощью;
• частота определённых диагнозов;
• время между посещениями врачей;
• изменения интенсивности обращений;
• наличие отдельных групп заболеваний;
• статистические показатели вероятности возникновения онкологического диагноза.

Значение имеет не только сам факт заболевания, но и последовательность медицинских событий.

Например, несколько диагнозов, зарегистрированных в разные годы, могут по отдельности не указывать на онкологическую патологию. Однако их сочетание с возрастом пациента и изменением частоты обращений иногда формирует статистическую картину, чаще встречающуюся у людей, которым впоследствии диагностируют рак.

Важно, что такие закономерности не обязательно отражают причинно-следственную связь. Заболевание, которое алгоритм использует как предиктор, может не иметь непосредственного отношения к развитию опухоли.

Модель оценивает вероятность события, а не объясняет биологический механизм возникновения рака.

Почему Can-SAVE оказалась эффективнее более сложных моделей

В исследовании разработчики сравнили Can-SAVE с 17 альтернативными методами машинного обучения и искусственного интеллекта.

Среди них были традиционные статистические модели, нейросетевые архитектуры и решения с использованием современных языковых моделей.

Особое внимание уделялось показателю Average Precision — средней точности обнаружения положительных случаев при различных порогах отбора.

Для Can-SAVE он составил 0,228 против 0,193 у наиболее сильной альтернативной модели по этому критерию.

При этом по другой распространённой метрике, ROC AUC, некоторые конкурирующие алгоритмы превосходили Can-SAVE.

Это существенная деталь.

Авторы оптимизировали решение прежде всего для задачи ранжирования пациентов: наиболее вероятные случаи заболевания должны оказаться в начале списка.

При ограниченных медицинских ресурсах такой критерий может иметь большее практическое значение, чем усреднённая способность модели различать пациентов с заболеванием и без него.

Кроме того, Can-SAVE не требует исключительно мощной вычислительной инфраструктуры.

По оценке разработчиков, обработка медицинских карт миллиона человек занимает приблизительно 2,9 часа на компьютере с процессором Intel Core i7-12700H и 64 ГБ оперативной памяти.

Для региональных систем здравоохранения это означает возможность массовой оценки рисков без обязательного использования дорогостоящих вычислительных комплексов.

Международные исследования подтверждают перспективность анализа медицинских историй

Российская разработка относится к быстро развивающемуся направлению, в котором медицинские записи рассматриваются как источник информации для прогнозирования заболеваний.

В 2023 году международная группа исследователей опубликовала в Nature Medicine результаты работы по прогнозированию рака поджелудочной железы.

Учёные проанализировали медицинские данные примерно шести миллионов пациентов из Дании и трёх миллионов пациентов из США.

Алгоритмы использовали последовательности зарегистрированных диагнозов, чтобы оценивать вероятность развития рака поджелудочной железы в последующие месяцы и годы.

В датской выборке модель продемонстрировала высокую способность различать пациентов по риску заболевания.

Однако при переносе алгоритма в американскую систему здравоохранения точность заметно снизилась.

Этот результат выявил важную проблему: даже качественная модель может работать по-разному в медицинских системах с различными правилами регистрации диагнозов, доступностью обследований и структурой населения.

Ещё одно исследование опубликовано в мае 2026 года в журнале npj Precision Oncology.

Учёные из американских исследовательских центров использовали данные программы All of Us и медицинских организаций для оценки прогнозирования различных онкологических заболеваний.

При анализе восьми основных видов рака модели на основе электронных медицинских карт позволяли формировать группы повышенного риска, в которых реальные случаи заболевания концентрировались в три-шесть раз сильнее, чем при использовании только традиционных факторов риска.

Исследователи также оценили возможность применения более сложных моделей, обученных на последовательностях медицинских событий.

Работа показала, что электронные медицинские карты могут содержать прогностическую информацию, не сводящуюся к возрасту, наследственности или отдельным известным факторам риска.

Однако американское исследование преимущественно оценивало качество прогнозов на уже собранных данных, а не влияние алгоритмов на результаты массовой диспансеризации.

Именно здесь Can-SAVE представляет дополнительный интерес: её разработчики представили не только показатели математической точности, но и результаты применения технологии в реальном медицинском процессе.

При этом исследования проводились независимо и не являются прямым подтверждением эффективности одной конкретной модели в разных странах.

Почему увеличение выявляемости на 91% ещё не означает снижение смертности

Главное ограничение результатов Can-SAVE связано с различием между обнаружением заболевания и улучшением отдалённых клинических исходов.

Если система помогает выявлять больше случаев рака при одинаковом количестве обследований, это свидетельствует о повышении результативности отбора пациентов.

Однако для оценки медицинской пользы необходимо ответить на дополнительные вопросы.

Прежде всего важно знать, на каких стадиях были выявлены дополнительные опухоли.

Раннее обнаружение потенциально излечимого заболевания может существенно изменить прогноз. Но увеличение общего числа диагнозов само по себе не означает, что удалось предотвратить больше смертей.

Необходимо также учитывать возможность гипердиагностики — выявления медленно прогрессирующих опухолей, которые при жизни пациента могли бы никогда не вызвать симптомов.

Национальный институт рака США рассматривает гипердиагностику, ложноположительные результаты и последствия ненужных вмешательств как существенные риски онкологического скрининга.

В представленной работе Can-SAVE убедительнее всего продемонстрировано повышение эффективности отбора пациентов. Доказательств снижения онкологической смертности или увеличения продолжительности жизни пока нет.

Существует и важный методологический вопрос.

В проспективном исследовании состав сравниваемых групп заметно различался по возрасту.

Среди обследованных по традиционному подходу было 50 275 человек в возрасте 60 лет и старше. В группе Can-SAVE — 103 117 человек.

Поскольку вероятность онкологического заболевания существенно возрастает с возрастом, такая перестройка структуры обследуемых закономерно способствует увеличению количества выявленных опухолей.

Это не обязательно недостаток алгоритма. Напротив, более точное направление ограниченных ресурсов к людям с высоким риском и является его основной задачей.

Однако показатель +91% нельзя рассматривать как изолированную оценку качества искусственного интеллекта независимо от изменения возрастного состава пациентов.

Отдельного внимания требуют люди с неполными электронными медицинскими картами.

Человек, который редко посещает врачей, может иметь мало зарегистрированных диагнозов, но это не означает отсутствия онкологического риска.

Поэтому внедрение подобных алгоритмов должно сопровождаться контролем возможных систематических ошибок и неравенства в доступе к медицинской помощи.

От массовой диспансеризации к индивидуальному распределению медицинских ресурсов

Наиболее интересное практическое следствие исследования связано с возможностью изменить саму организацию профилактических обследований.

Традиционная система устанавливает относительно одинаковые правила для больших категорий населения.

Алгоритмы оценки риска позволяют дополнить этот подход индивидуальными рекомендациями.

Например, медицинская организация может использовать Can-SAVE для определения очередности приглашений, планирования дополнительных консультаций и распределения диагностических ресурсов.

При этом решение о конкретном обследовании остаётся за врачом.

В исследовании Can-SAVE применялась для формирования приоритетных списков пациентов. После приглашения проводилась консультация с уточнением симптомов, семейного анамнеза и факторов риска, а при наличии показаний пациент направлялся к онкологу.

Таким образом, искусственный интеллект не заменял медицинские обследования, а помогал определить, где существующие диагностические возможности следует использовать в первую очередь.

Для системы здравоохранения это потенциально означает повышение результативности профилактических программ без пропорционального увеличения затрат на обследования.

Однако экономическую эффективность ещё предстоит подтвердить отдельными исследованиями, учитывающими не только стоимость работы алгоритма, но и расходы на дополнительные консультации, диагностику и лечение.

Кроме того, приоритизация пациентов по онкологическому риску не должна автоматически вытеснять другие задачи диспансеризации — выявление сердечно-сосудистых заболеваний, диабета и иных хронических состояний.

Следующий этап развития подобных технологий должен включать независимую проверку в разных медицинских учреждениях, оценку стадий выявленных опухолей, долгосрочных клинических исходов и потенциального вреда дополнительных обследований.