Медицинское сообщество годами опиралось на индекс FIB-4 как на основной неинвазивный «фильтр» при диагностике фиброза печени. Однако жесткие математические формулы прошлого века превратились в узкое горлышко современной клиники. Как показало исследование Атанасиоса Ангелакиса и Габриэле Де Вито, статичные предположения FIB-4 попросту игнорируют сложные нелинейные связи между клиническими переменными. Разработанный авторами метод Machine-Learning-Enhanced Non-Invasive Testing (MLE-NIT), протестированный на выборках пациентов из Малайзии и Индии, наглядно демонстрирует: традиционные скоринги бездарно растрачивают диагностический потенциал данных, которые уже содержатся в обычном анализе крови.
Результаты этого исследования — прямой вызов нынешней моде на гигантизм и повсеместное внедрение больших языковых моделей. На индийской выборке специализированная гибридная нейросеть (s-DNN) показала значение ROC-AUC на уровне 0,67, в то время как каноничный FIB-4 выдал лишь 0,60. Но самое ироничное здесь — это пропасть в эффективности. Компактной s-DNN потребовалось всего 354 обучаемых параметра, чтобы разгромить табличную модель TabPFN, отягощенную более чем 7 миллионами параметров. Даже дообученная GPT-4o не смогла угнаться за узкоспециализированным алгоритмом, показав результат 0,63. На наш взгляд, это важный сигнал: в высокорисковой клинической диагностике «умные» и компактные архитектуры оказываются куда устойчивее раздутых ИИ-моделей общего назначения.
Для бизнеса и MedTech-сектора это означает неизбежный переход от жестко прописанных правил к высокоточным адаптивным алгоритмам. Модель s-DNN сохраняет сбалансированный профиль работы на разных популяциях, не требуя при этом ничего, кроме стандартного биохимического анализа. Как отмечают исследователи, хотя локальная калибровка все еще необходима, такие MLE-NIT решения способны радикально снизить процент ложноотрицательных результатов при скрининге заболеваний печени. Будущее диагностики не в масштабе вычислительных кластеров, а в способности извлекать максимум ценности из каждого бита существующих данных о пациенте.