Differential diagnosis of lung diseases by alternative method using neural networks

Cover Page

Cite item

Full Text

Abstract

To implement effective practices in differential diagnosis and critical thinking, the authors propose incorporating alternative approaches into medical school education, using recommendations from Russian, American, and Chinese neural networks as input. Materials and methods: Artificial intelligence's rapid information processing capabilities are many times greater than those of humans, so young doctors are tempted to rely on neural networks for diagnosis and treatment selection. Results: Yandex and ChatGPT recommend lung biopsy and bronchoscopy, while Deepseek does not. This raises the question: why? Are these paradigmatic differences between Eastern and Western medicine, with the latter's ineradicable desire to see the disease from the inside despite the invasiveness of the imaging procedure? A careful examination of the dialogues with neural networks reveals that YandexGPT, unlike ChatGPT, recommends invasive procedures only if sputum is not produced or is difficult to collect (for example, in the absence of a productive cough). Conclusion: As a result of testing the method, sequential dialogues with similar questions on YandexGPT, ChatGPT, and DeepSeek revealed common approaches to solving the clinical problem, facilitating a deep understanding of uniform standards of medical practice across all regions of the world. The value of the alternatives presented in multilingual neural networks is evident in the identification of details and nuances in the differential diagnosis of lung diseases, which facilitates the professional development of young specialists.

Full Text

Многие болезни легких имеют сходную и зачастую стертую симптоматику. Эффективность лечения и прогноз для пациента существенно зависят от своевременной и качественной идентификации патологии [1]. Как отечественные, так и зарубежные научные публикации отмечают существующую по сей день проблему различения рака легкого и легочного туберкулеза. Имеются симптомы, которые встречаются при обоих заболеваниях, особенно на ранних стадиях развития опухоли: кашель, кровохарканье, боль в грудной клетке, интоксикационный синдром. Согласно данным некоторых исследований, примерно у половины больных центральный рак легкого вначале расценивается как пневмония или туберкулез и только после безуспешного лечения выставляется правильный диагноз. Проба Манту также не имеет практической ценности для дифференциальной диагностики туберкулеза и рака легкого, так как в ряде случаев положительные реакции на туберкулин наблюдаются у пациентов с раком легкого при отсутствии активного туберкулезного процесса [2]. Ученые из Медицинской школы Калифорнийского университета отмечают, что, из-за формирования объемных образований в легочной ткани и медленного течения, туберкулез является «одним из важнейших имитаторов» рака легкого. Бактериологическое исследование мокроты по-прежнему остается золотым стандартом дифференциальной диагностики, хотя и является очень трудоемким [1].

Еще одна важная группа патологий, с которой необходимо различать злокачественные новообразования легких, – воспалительные заболевания. Здесь трудность представляет похожая рентгенологическая картина. Так, например, и шаровидная пневмония, и периферический рак легкого при компьютерной томографии имеют вид ограниченного уплотнения легочной ткани, с нечеткими контурами и неоднородной структурой. Однако периферический рак легкого чаще принимает неправильную или звездчатую форму. Неоднородность образования при нем связана с многоузловой структурой, при шаровидной пневмонии – с сочетанием жидкости и воздуха в альвеолах. Только рак легкого формирует лучистость и дорожку к корню, приводит к сдавлению бронха [3].

В последние годы, в связи с пандемией COVID-19, обозначилась важность дифференциальной диагностики между раком легкого и вирусной пневмонией. При мобилизации всех ресурсов системы здравоохранения на борьбу с новой коронавирусной инфекцией были обделены вниманием заболевания неинфекционной природы, что приводило к поздней диагностике, несвоевременному началу лечения и неблагоприятному прогнозу. Также онкологические пациенты демонстрировали большую склонность к возникновению тяжелых форм пневмонии COVID-19 и серьезным осложнениям. Отличия злокачественного новообразования и вирусного поражения подробно рассмотрели итальянские ученые. Они пришли к выводу, что важным диагностическим критерием в пользу онкологии является отсутствие типичных фаз течения пневмонии и реакции на терапию. Данная статья примечательна тем, что авторы предлагают свои находки в качестве основы для протокола, который будет использоваться искусственным интеллектом (ИИ) [4].

Таким образом, проблема является актуальной и сложной из-за схожести клинической и рентгенологической картины, зачастую трудоемких методов диагностики и существенного влияния ошибочного результата на лечение. Поэтому мы считаем, что изучение ИИ как вспомогательного инструмента при дифференциальной диагностике легочной патологии является перспективным направлением как для научного исследования, так и для обновления методики преподавания медико-биологических дисциплин.

Методика исследования

Возможности быстрой обработки информации искусственным интеллектом в разы превосходят потенциал человека, поэтому для молодого доктора велик соблазн довериться нейросетям в вопросах диагностики и выбора методов лечения. Учеба в университете должна выработать установку на критическое обсуждении предлагаемых искусственным интеллектом решений. Системы генерации информации не должны восприниматься как абсолютно достоверный источник данных. «Эмпатия врача к искусственному интеллекту заключается в принятии его инаковости в полной мере: нейросети будут эффективно интегрироваться в работу врачей в случае отработанных навыков отслеживания ошибок и недоразумений, неизбежно возникающих в ходе машинной генерации медицинских заключений» [5]. Цитируемый источник описывает диалог врача с нейросетью в ходе которого врач тренируется видеть поверхностность ее ответов, анализировать ошибки как свои, так и ИИ. Для того чтобы усилить критический настрой к переносу информации из автоматизированных систем в практическую деятельность, можно использовать метод альтернатив К. Поппера. Он считал, что научный поиск следует начинать не с погружения в эмпирический материал, а с формулировки альтернативных гипотез. Нейросети отечественные, американские, китайские обучены на рекомендациях массивов научной информации, опубликованной на разных языках – английском, китайском, русском и нередко дают неоднозначные ответы на однотипные вопросы, то есть показывают альтернативные подходы к решению поставленных задач и в части объема, и в части качества представляемой информации. Мы обратились к трем нейросетям с просьбой дать рекомендации в следующей клинической ситуации: «На приеме больной, 56 лет, предъявляет жалобы на слабость, быструю утомляемость, снижение веса за последние месяцы, сухой надсадный кашель (мокрота скудная, периодически в мокроте наблюдаются прожилки крови) и одышку. Флюорографическое обследование не проходил последние 2 года. Из анамнеза – длительный стаж работы с асбестом. Какое заболевание можно заподозрить? Какие еще обследования необходимо провести?».

Результаты исследования и их обсуждение

Последовательные диалоги с однотипными вопросами к YandexGPT, ChatGPT и DeepSeek выявили общие подходы к решению задачи. Все нейросети заподозрили рак легкого, все рекомендуют рентгенографию органов грудной клетки, компьютерную томографию, анализ мокроты, общий и биохимический анализ крови. Отмечается критически важный характер для дифференциальной диагностики анализа мокроты на микрофлору, туберкулез, молекулярные тесты. Микробиологическое исследование проводится трехкратно, для быстрого выявления ДНК микобактерий показан метод ПЦР. Все нейросети видят возможность наличия у пациента паранеопластического синдрома. Таким образом, медицина разных регионов мира работает по единым стандартам, что находит свое отражение в национальных нейросетях, однако самобытные культуры, архетипы поведения, региональные и конфессиональные установки, привычки врачей не могут не влиять на выбор приоритетов при дифференциальной диагностике [6]. Казалось бы, метод альтернатив не сработал: принципиальных различий в рекомендациях нет. И тем не менее обсуждение этой клинической ситуации на практических занятиях в медицинском вузе малыми группами, которые последовательно представляют взгляд на проблему с точки зрения YandexGPT, ChatGPT и DeepSeek, позволяет обратить внимание на детали и нюансы дифференциальной диагностики болезней легких.

Yandex и ChatGPT рекомендуют биопсию легочной ткани, бронхоскопию, Deepseek – нет. Встает вопрос – почему? Не проявляются ли здесь парадигмальные различия восточной и западной медицины, с неистребимым желанием последней увидеть болезнь изнутри, несмотря на инвазивность процедуры визуализации? При внимательном изучении диалогов с нейросетями становится очевидным, что инвазивные процедуры YandexGPT, в отличии от ChatGPT, рекомендует только если мокрота не выделяется или ее сбор затруднен (например, при отсутствии продуктивного кашля).

ChatGPT рекомендует ПЭТ-КТ, другие нейросети не рекомендуют. Видимо, считают, что этот метод надо применять после установки окончательного диагноза, что сэкономит ресурсы.

Финальный вопрос: перечислите три наиболее вероятных диагноза. Все нейросети в качестве диагноза, который в первую очередь надо исключить или подтвердить, выбирают рак легкого, но YandexGPT называет также туберкулез и аспергиллез (грибковая инфекция легких), ChatGPT – асбестоз и пневмонию на фоне хронического воспаления или аллергической инфекции, DeepSeek – хронический гиперчувствительный пневмонит и асбестоз. В этой связи нельзя не обратить внимание на back ground нейросетей: Россия – территория с холодным климатом, эндемичная по туберкулезу с исторически объяснимой к нему настороженностью. Помимо этого, YandexGPT традиционно для нашей страны средовые факторы риска (сырость в доме, контакт с людьми, которые могут быть носителями инфекции) выделяет как существенные. Известный исследователь медицины в контексте культуры Лини Пейер отмечает, что в сложных случаях при дифференциальной диагностике «американцы будут искать, вероятно, вирусную или аллергическую этиологию» [7] и наш эксперимент с нейросетями подтверждает ее гипотезу. «Распространенность в Азии гиперчувствительного пневмонита почти в 2 раза выше, чем в Северной Америке (15,2 против 8,5 %)» [8]. Эту информацию, судя по всему, отыгрывает DeepSeek.

Заключение

В основе современных нейросетей лежит их обучение на массивах данных рекомендаций разношерстных пользователей. Искусственная глупость – это технический термин, означающий сознательное ограничение разработчиками возможностей интеллектуальной системы. И. Кант считал, что есть глупость понимания, обусловленная нехваткой знаний, и есть глупость суждений – недостаток, против которого нет лекарства. Минусы внедрения нейросетей в практическую подготовку молодых врачей сопряжены с «интеллектуальной глупостью», как в части «глупости понимания», так и в части «глупости суждения». Глупость понимания связана с наделением рекомендации нейросети статусом истины в последней инстанции. Нельзя руководствоваться только рекомендациями искусственного интеллекта, который пуповиной сопряжен с искусственной глупостью, ибо компетентность врача в обучающих нейросеть диалогах невидима и никем не верифицирована. «Если у тебя не будет дурных мыслей, не будет и дурных поступков» (Конфуций).

Наделать глупостей – значить начать действовать спонтанно без рассуждений и сомнений. Молодые врачи считают, что предусматривать ошибки в работе ИИ, ограничивать его функционал, оттачивать его возможности в рамках поставленной цели – довольно легко, и, на наш взгляд, метод альтернатив снижает вероятность зловредности «искусственной глупости». Более того, хотя первоначальный ответ нейросети на поставленный вопрос зачастую носит поверхностный характер, требует уточнения, искусственная глупость пробуждает интеллект современного человека, который давно прагматично руководствуется переформулированным афоризмом Декарта: «Я мыслю – на это и существую».

Дополнительная информация

Вклад авторов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией).

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Additional information

Author contribution. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work.

Funding. This study was not supported by any external sources of funding.

Competing interests. The authors declare that they have no competing interests.

×

About the authors

Maria A. Shimova

Perm State Medical University named after Academician E.A. Wagner

Email: shimova.masha@yandex.ru
ORCID iD: 0009-0009-6281-3086

Postgraduate Student of the Department of Philosophy and Bioethics

Russian Federation, Perm

Irina A. Serova

Perm State Medical University named after Academician E.A. Wagner

Author for correspondence.
Email: irinaserova55@mail.ru
ORCID iD: 0000-0002-6896-0505

Doctor of Sciences in Philology, Professor, Professor of the Department of Philosophy and Bioethics

Russian Federation, Perm

Anna Y. Yagodina

Perm State Medical University named after Academician E.A. Wagner

Email: annayagodina@rambler.ru
ORCID iD: 0000-0001-6498-9346

MD, Candidate of Sciences in Medicine, Assistant Professor of the Department of Philosophy

Russian Federation, Perm

References

  1. Corrales-Diaz Pomatto-Watson L., Johl H.S., Meiklejohn K. Pulmonary Tuberculosis: The Great Mimicker of Lung Cancer. Clinical Case Reports Journal. 2026;14(2):e71919. doi: 10.1002/ccr3.71919.
  2. Korzh E.V. Clinical case: Tuberculosis masks of lung cancer (differential diagnosis, clinical observations). Klinicheskij razbor v obshchej medicine = Clinical analysis in general medicine. 2024;5(2):64–71. (In Russ.) doi: 10.47407/kr2023.5.2.00390.
  3. Galanina A.A., Akhova K.M., Seldenreich A.A., Ilyasova E.B. Difficulties of differential diagnosis of peripheral lung cancer and globular pneumonia. Sbornik materialov XIII Vserossijskoj nedeli nauki s mezhdunarodnym uchastiem, posvyashchennoj Nacional'nomu dnyu donora, Saratov, 16–19 aprelya 2024 goda. Saratov: Saratovskij gosudarstvennyj medicinskij universitet imeni V.I. Razumovskogo = Week of Russian science (WeRuS-2024): Collection of materials of the XIII All-Russian Science Week with international participation, dedicated to the National Donor Day, Saratov, April 16–19, 2024. Saratov: Saratov State Medical University named after V.I. Razumovsky, 2024. pp. 54–55. (In Russ.).
  4. Guarnera A., Santini E., Podda P. COVID-19 Pneumonia and Lung Cancer: A Challenge for the RadiologistReview of the Main Radiological Features, Differential Diagnosis and Overlapping Pathologies. Tomography (Ann Arbor, Mich.). 2022;8(1):513–528. doi: 10.3390/tomography8010041.
  5. Serova I.A., Yagodina A.Yu., Gasainieva U.B. Ethics of mastering professional competencies using neural networks. Bioetika = Bioethics. 2024;1(17):30–37. (In Russ.) doi: 10.19163/2070-1586-2024-17-1-30-37.
  6. Serova I.A., Yagodina A.Y. Irrational in science. Vestnik CHelyabinskoj gosudarstvennoj akademii kul'tury i iskus-stva = Bulletin of the Chelyabinsk State Academy of Culture and Art. 2010;3(23):50–52. (In Russ.).
  7. Peyer L. Medicine and culture: how they are treated in the USA, England, West Germany and France. Translated from English by A.B. Gonchar. Tomsk; Siberian State Medical University, 2012. 239 p. (In Russ.).
  8. Xinliang Z., Bukhtiyarov I., Dudnik E., Rumyantseva O., Glazachev О. Prevalence of occupational hypersensitivity pneumonitis: a systematic review and meta-analysis. International Journal of Environmental Health Research. 2024;34(11):3891–3908. doi: 10.1080/09603123.2024.2333021.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2026 Shimova M.A., Serova I.A., Yagodina A.Y.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.