ainews
Oncothresh: open-source библиотека для оценки онкологических AI-моделей в клинических точках принятия решений
Разработчик выпустил Python-библиотеку oncothresh для оценки онкологических AI-моделей не по общим метрикам (AUC, ICC), а в конкретных клинических пороговых точках — где модель решает, назначать биопсию или нет. Включает no-code веб-дашборд для врачей без навыков программирования.
Потому что медицинские AI-модели оценивают по метрикам из соревнований, а не по надёжности в момент, когда врач решает, назначать лечение или нет. Oncothresh заполняет этот разрыв — и это критично для безопасного внедрения AI в клинику.
Что произошло
Разработчик Омкар Адхали выпустил oncothresh — open-source Python-библиотеку для оценки онкологических AI-моделей в клинических пороговых точках, а не по усреднённым метрикам. Классические показатели вроде AUC или MAE показывают общую точность, но не отвечают на вопрос врача: насколько надёжна модель именно в той точке отсечки, где принимается решение о биопсии или лечении.
Библиотека даёт sensitivity/specificity/PPV/NPV на конкретном пороге, доверительные интервалы через bootstrap, кривые чувствительности к порогу, калибровку с весами на границе, DCA net benefit и number-needed-to-test. Заточена под задачи вроде оценки клеточности опухоли, Ki-67, TMB, PD-L1 — где непрерывный выход модели сворачивается в бинарное решение.
Вместе с библиотекой идёт oncothresh-web — no-code дашборд на Docker. Загружаешь CSV с предсказаниями и метками, выбираешь порог — получаешь графики и PDF-отчёт. Работает локально, без облака.
Пока версия 0.1, автор просит фидбэк по edge cases в математике DCA и калибровки.
Автор: Павел Заславский · Источник: reddit.com
Разработчикам. Лёгкая библиотека (numpy/scipy/scikit-learn/pydantic), оценка моделей в клинических пороговых точках с bootstrap CI, threshold-sensitivity кривыми и DCA. Docker-дашборд для быстрого прототипирования интерфейсов для медиков без кода.
Бизнесу. Инструмент для валидации онкологических AI-продуктов перед клиническим внедрением: показывает надёжность модели там, где врач принимает решение о лечении. Снижает риски регуляторных отказов и ошибок в реальной практике.
Инвесторам. Заполняет пробел между исследовательскими метриками и клиническим применением AI в онкологии. Сектор AI-диагностики нуждается в инструментах для строгой валидации на порогах принятия решений — потенциальный стандарт для FDA/EMA-аппрувов.
- SaaS для клиник и AI-стартапов в онкологии: автоматическая генерация отчётов для регуляторов (FDA/EMA) с порогово-специфичной оценкой моделей
- Консалтинг для производителей медицинских AI-систем: валидация моделей перед клиническими испытаниями и подачей на сертификацию
- Форк под другие медицинские области с бинарными решениями: кардиология, радиология, скрининг диабета — везде, где есть порог отсечки
- Интеграция в pathology AI платформы вроде PathAI или Paige: встроенный модуль для отчётов врачам о надёжности предсказаний в точке решения
- Обучающие курсы и сертификация для медицинских AI-инженеров: как правильно оценивать модели для клиники, а не для соревнований
- Ниша крайне узкая: онкология + пороговые модели + люди, которые понимают разницу между AUC и threshold-specific PPV — рынок в тысячи, не миллионы пользователей
- Версия 0.1 от одного разработчика: нет гарантий поддержки, валидации в реальных клинических условиях, peer-reviewed публикаций
- Регуляторы могут не признать self-hosted инструменты без аудита и сертификации — для FDA/EMA нужна прослеживаемость и верификация
- Конкуренция с коммерческими платформами (Philips, GE Healthcare), которые встроят аналогичный функционал в свои экосистемы
Это один из тех редких инструментов, который решает реальную проблему медицинских AI: разрыв между исследовательскими метриками и клиническим применением. Врачу не важно, что у модели AUC 0.95, если в пороговой точке, где он принимает решение, чувствительность проваливается до 70%. Oncothresh это исправляет — и это честная инженерная работа, а не хайп.
Но давайте трезво: это v0.1 от одного разработчика, без клинической валидации и peer-review. Для исследований и прототипов — отлично. Для production в клинике — рано. Денежный потенциал есть, но только через SaaS-обёртку или интеграцию в существующие платформы вроде PathAI. Сам по себе open-source инструмент — это репутация и резюме, не бизнес. Следим за развитием.
Комментарии