LLM позволяют запустить медицинский ИИ за несколько дней, но обходятся дороже при постоянной эксплуатации
Исследователи компании «К-Скай» и Центрального НИИ организации и информатизации здравоохранения Минздрава России сравнили применение больших языковых моделей (LLM) и специализированных моделей машинного обучения при разработке систем поддержки принятия врачебных решений. Результаты показывают, что LLM могут значительно снизить затраты и сроки на этапе пилотирования ИИ-сервиса, однако при переходе к постоянной эксплуатации специализированные решения оказываются существенно экономичнее.
В исследовании сравнили четыре открытые квантованные языковые модели — DeepSeek-R1 7B и 14B, YandexGPT-5-Lite-8B и GigaChat-20B — с двумя версиями специализированной модели Webiomed SC. Тестирование проводилось на 171 реальном клиническом случае, диагнозы по которым независимо оценивали три врача-эксперта. В выборку включались случаи, по которым эксперты достигли полного согласия.
Лучший результат среди языковых моделей показала YandexGPT-8B. Правильный диагноз входил в три предложенных моделью варианта в 67% случаев. Такой же результат продемонстрировала базовая версия Webiomed SC2.0, обученная на 1 млн медицинских записей. Более специализированная Webiomed SC2.1, обученная уже на 18 млн записей, достигла 78%.
| Модель | Top-3 Accuracy | Время ответа, сек. |
|---|---|---|
| DeepSeek-7B | 34% | 16,34 |
| DeepSeek-14B | 51% | 33,36 |
| YandexGPT-8B | 67% | 1,54 |
| GigaChat-20B | 56% | 1,05 |
| Webiomed SC2.0 (1 млн) | 67% | 0,2 |
| Webiomed SC2.1 (18 млн) | 78% | 0,2 |
При этом специализированные модели значительно быстрее обрабатывали запросы. Среднее время ответа Webiomed SC составляло около 0,2 секунды, YandexGPT-8B — 1,54 секунды. Результаты GigaChat-20B составили 56% при времени ответа 1,05 секунды, DeepSeek-14B — 51% и 33,36 секунды соответственно, DeepSeek-7B — 34% и 16,34 секунды.
Для медицинских организаций особенно показательна разница в стоимости и сроках запуска. Настройка и проверка прототипа на YandexGPT-8B заняла всего 8 человеко-часов. Разработка базовой специализированной модели потребовала 340 человеко-часов. Авторы исследования отмечают, что такой подход фактически позволяет проверить гипотезу об использовании нового ИИ-сервиса за один-два рабочих дня вместо нескольких месяцев.
| Реализация |
Трудозатраты, чел.-час |
Ресурсы на настройку / обучение |
Стоимость настройки, руб. |
Ресурсы на эксплуатацию |
Ежемесячная стоимость эксплуатации, руб. |
|---|---|---|---|---|---|
| LLM (YandexGPT-8B) | 8 | GPU 24 ГБ, 72 ГБ RAM, 16 CPU (24 часа) |
2 268 | GPU 24 ГБ, 72 ГБ RAM, 16 CPU | 61 440 |
| Webiomed SC2.0 | 340 | 4 ГБ RAM, 4 CPU | 0* | 4 ГБ RAM, 4 CPU | 3 812 |
| Webiomed SC2.1 | 168* | GPU 24 ГБ, 72 ГБ RAM, 16 CPU (2 недели) |
31 752 | 4 ГБ RAM, 4 CPU | 3 812 |
Примечание: * для Webiomed SC2.1 указаны трудозатраты на дообучение и валидацию без учета первоначальной разработки версии 2.0.
Вычислительные ресурсы для настройки LLM обошлись примерно в 2,3 тыс. рублей. Для дообучения Webiomed SC2.1 потребовалось около 31,8 тыс. рублей, то есть примерно в 14 раз больше. При этом указанные расчеты сделаны по ценам облачных ресурсов на июль 2025 года, поэтому абсолютная стоимость со временем может меняться.
Однако после запуска ситуация меняется. Для работы YandexGPT-8B исследователи использовали конфигурацию с GPU 24 ГБ, 72 ГБ оперативной памяти и 16 CPU. Ее эксплуатация оценена примерно в 61,4 тыс. рублей в месяц. Специализированным моделям Webiomed достаточно сервера с 4 ГБ оперативной памяти и четырьмя CPU, а расчетная стоимость эксплуатации составляет около 3,8 тыс. рублей в месяц. Таким образом, содержание LLM-инфраструктуры в эксперименте оказалось примерно в 16 раз дороже.
Для частных клиник этот результат может быть особенно интересен с точки зрения выбора стратегии внедрения ИИ. Вместо крупных инвестиций в разработку системы до понимания ее реальной востребованности медицинская организация может сначала создать относительно недорогой LLM-прототип, протестировать его с врачами, определить наиболее востребованные сценарии и выявить слабые места существующих процессов.
Именно такую двухэтапную модель предлагают авторы работы. На первом этапе LLM используется для быстрого прототипирования, сбора обратной связи и уточнения требований к будущему сервису. Если идея подтверждает свою жизнеспособность и предполагает большое количество обращений, следующим шагом может стать разработка специализированной ML-модели либо дополнительная оптимизация и дообучение LLM. При масштабировании меньшие эксплуатационные расходы специализированной модели способны компенсировать более высокую стоимость ее первоначальной разработки.
Еще один важный для медицинских организаций вопрос — где обрабатываются медицинские данные. Авторы рекомендуют рассматривать локальное развертывание открытых LLM: оно позволяет не использовать внешние облачные API и, по оценке исследователей, облегчает соблюдение требований законодательства о персональных данных при работе с медицинской информацией.
При этом первоначальная дешевизна прототипа не должна восприниматься как полная стоимость внедрения ИИ в клинике. В исследовании, например, не учитывались расходы на интеграцию с медицинской информационной системой, которые, как отдельно отмечают авторы, могут составлять значительную часть бюджета проекта. При оценке ИИ-решения руководителям медицинских организаций предлагается ориентироваться не только на стоимость разработки, но и на совокупную стоимость владения системой на всем ее жизненном цикле.
Авторы также обращают внимание на ограничения самого эксперимента. Выборка из 171 случая подходит для пилотного сравнения, но недостаточна для полноценной промышленной и клинической валидации. Кроме того, возможности LLM использовались далеко не полностью: модели не подключались к специализированным базам знаний. Для реального медицинского применения исследователи считают перспективными RAG-системы, дополнительное обучение на целевых медицинских документах и гибридные решения, в которых LLM работают со сложной неструктурированной информацией, а специализированные модели выполняют массовые стандартные диагностические задачи.
- АБИА
- АВА-ПЕТЕР / СКАНДИНАВИЯ
- АДАМАНТ МЕДИЦИНСКАЯ КЛИНИКА
- БУДЬ ЗДОРОВ
- ГРУППА КОМПАНИЙ "ВИРИЛИС"
- ГАЛАКТИКА
- ГЛОБУС-МЕД
- ГРАНТИ-МЕД
- ДЕГА
- ДЕНТАЛ-СЕРВИС
- МЕДИЦИНСКИЙ ЦЕНТР "ДОЛГОЛЕТИЕ"
- ЕВРОМЕД КЛИНИК
- ЕВРОПЕЙСКИЙ ИНСТИТУТ ЗДОРОВЬЯ СЕМЬИ
- ЕВРООНКО
- ЕМЛ
- ЗРЕНИЕ
- ИНВИТРО
- ИСТОЧНИК
- КАРДИОКЛИНИКА
- КДЛ
- КОРИС
- ЛАБКВЕСТ
- ЛЕНЛАБ
- МАТЬ И ДИТЯ
- МАЙ ОРТ
- МАРТ
- ГРУППА КОМПАНИЙ «МЕДИКА»
- МЕДИКО-САНИТАРНАЯ ЧАСТЬ № 157
- МЕДСИ САНКТ-ПЕТЕРБУРГ
- МЕДИЦИНСКИЙ ИНСТИТУТ БЕРЕЗИНА СЕРГЕЯ (МИБС)
- МЕДИЦИНСКИЙ ЦЕНТР «XXI-ВЕК»
- МЕЖДУНАРОДНЫЙ ЦЕНТР РЕПРОДУКТИВНОЙ МЕДИЦИНЫ
- МЕЖДУНАРОДНЫЙ ЦЕНТР СЕРДЦА
- МЕДИУС
- ГРУППА КОМПАНИЙ «МОЙ МЕДИЦИНСКИЙ ЦЕНТР»
- МЕРЕДЖИ
- НАША ЗАБОТА
- ОНА
- ПЕРВАЯ СЕМЕЙНАЯ КЛИНИКА ПЕТЕРБУРГА
- ПОКРОВСКИЙ БАНК СТВОЛОВЫХ КЛЕТОК
- ПРИОРИТЕТ
- РЖД-Медицина
- РОДДОМ НА ФУРШТАТСКОЙ
- СЕВЕРО-ЗАПАДНЫЙ ЦЕНТР ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ
- СКАЙФЕРТ
- СКОЛИОЛОДЖИК
- СМ-КЛИНИКА
- КЛИНИКА СМТ (ПОЛИКЛИНИЧЕСКИЙ КОМПЛЕКС)
- СПОРТКЛИНИКА
- СЧАСТЛИВЫЙ ВЗГЛЯД
- ЦМРТ
- ЭКО-БЕЗОПАСНОСТЬ
- ЭКСПРЕССМЕДСЕРВИС
- ЭНЕРГО
- ДЕНТЕРИЯ
- Клиника ЕМС (Единые Медицинские Системы)
- АЙ КЛИНИК
- САНКТУМ
- В КЛИНИК Состояние здоровья
