Конкурс «Био/Мол/Текст»-2025/2026

Эта работа опубликована в спецноминации «Искусственный интеллект в биологии» конкурса «Био/Мол/Текст»-2025/2026.

Генеральный партнер конкурса — международная инновационная биотехнологическая компания BIOCAD.

---

Партнер номинации — компания Центральный университет в лице совместной с институтом AIRI Лаборатории ИИ, анализа данных и моделирования.

---

«Книжный» спонсор конкурса — «Альпина нон-фикшн»

В настоящее время искусственный интеллект (ИИ) стал чем-то обыденным для многих людей. Он подбирает музыку, рекомендует товары, анализирует расходы, помогает в учебе и т. д.

Но ИИ применяется для решения проблем и более значимых, чем рутинные задачи. Он используется в том числе в промышленности, космической отрасли, бизнесе, науке (например, на «Биомолекуле» уже писали о белковых языковых моделях [1] и белковом дизайне [2]), а также в здравоохранении, где анализирует клинико-диагностические данные, медицинские изображения, планирует лечение, прогнозирует течение заболеваний, помогает в разработке новых лекарственных препаратов [3]. Из недавних статей «Биомолекулы» можно узнать, как ИИ определяет биологический возраст [4], предрасположенность к шизофрении [5] и диагностирует синдром Кабуки (и другие генетические заболевания) по фотографиям [6]. Но это у людей, а что насчет животных?

Зачем ветеринарным врачам ИИ?

Согласно современным научным работам, ИИ все больше набирает популярность в качестве удобного инструмента в ветеринарной медицине. В недавнем обзоре 2024 года [7] говорится о важной потенциальной роли ИИ в ветеринарной клинической практике, которая сводится к улучшению качества ветеринарной помощи и повышению эффективности лечения животных. В данной сфере ИИ может применяться как в сельском хозяйстве, так и в клиниках для домашних животных, зоопарках и экспериментально-биологических клиниках (вивариях). Его использование позволяет ускорить и автоматизировать обработку первичной информации и освободить специалистам время для выполнения более сложных задач.

Как уже писали на «Биомолекуле» [8], спрос на продукцию животноводства постоянно растет, в связи с чем увеличивается количество разводимых животных, потребность в кормах и интенсивность выпаса. Все это требует повышения затрат человеческих ресурсов на поддержание должного ухода за животными и их лечение при необходимости. Подробнее о проблемах рогатого скота и инновациях на промышленных фермах читайте в этом материале «Биомолекулы» [9], а о новых подходах в свиноводстве — здесь [10].

Несмотря на то, что сектор сельскохозяйственных животных приносит большую часть выручки на рынке ветеринарии и животноводства, домашние питомцы являются самым динамичным сегментом этого рынка [11]. В последнее время наблюдается тенденция к распространению «гуманизированного» ухода за домашними животными и отношению к ним как к членам семьи, из-за чего увеличивается число визитов в ветеринарные клиники, в том числе с запросом на комплексную диагностику. Это, в свою очередь, приводит к увеличению количества проводимых исследований и необходимости интерпретации их результатов. Владельцы также начинают более внимательно следить за рационом питомцев, их ежедневной активностью и состоянием.

Все вышеперечисленное стимулирует развитие программ на базе ИИ для ветеринарных врачей и владельцев домашних животных, а также создание различных «умных» устройств для контроля состояния последних. Видно, что внедрение инновационных подходов в различных областях ветеринарной медицины необходимо. А что же конкретно уже создано и используется?

Использование ИИ в профилактике, диагностике и лечении заболеваний

В первую очередь, важной частью поддержания здоровья животных является мониторинг их состояния. Такой подход позволяет диагностировать различные заболевания на доклинической стадии и предотвратить их на ранних этапах. Обычно для этих целей к телу животного прикрепляют специальные датчики, которые фиксируют температуру тела, частоту сердечных сокращений, двигательную активность и некоторые другие параметры. Полученные данные анализирует ИИ и предупреждает о возможных проблемах со здоровьем [12–14]. Подробнее о принципах обучения ИИ можно прочитать в этой статье [15].

Большое значение имеет и рациональное кормление. ИИ анализирует пищевое поведение животных и на основе этого предлагает рекомендации по улучшению рациона. В сельском хозяйстве это позволяет повысить качество молока или ускорить набор веса животного, а у домашних питомцев способствует профилактике различных заболеваний. Так, за состоянием коров позволяет следить инструмент Nedap Health Monitoring, для работы которого датчики крепятся на ногу и шею животного (рис. 1).

В молочных и мясных хозяйствах России (Белгородской, Московской, Ленинградской областей, которые сотрудничают с ФГБНУ «ВНИИплем», Тимирязевской академией и др.) в настоящее время внедряется отечественная интеллектуальная платформа «Умный помощник Agrobotstat». Система собирает и анализирует данные о здоровье, кормлении и репродуктивных циклах животных. Используется локальное оборудование для сбора данных с датчиков (ошейников, ножных браслетов) по радиоканалу для первичной фильтрации и буферизации данных. Кроме того, используются облачные платформы (основная обработка, хранение данных, работа алгоритмов машинного обучения и ИИ для выявления отклонений в здоровье животных происходит на удаленных серверах «в облаке»). Это позволяет не нагружать локальную сеть и обеспечивает доступ к данным с любого устройства. Проект уже включен в образовательные программы некоторых учебных заведений. Согласно официальному сайту, использование «Умного помощника Agrobotstat» может увеличить прибыль до 45 000 рублей в год на каждую корову за счет комплекса мер по воспроизводству, повышению продуктивности, качества молока и выращиванию молодняка.

У домашних животных вышеописанные показатели можно отслеживать, например, в приложении Whistle. Так, ИИ предсказал артрит у лабрадора за 6 недель до появления хромоты. Помимо профилактики заболеваний необходима и их своевременная и правильная диагностика. На данный момент наиболее активно ИИ участвует в интерпретации рентгеновских снимков, результатов ультразвукового исследования (УЗИ), компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ). Делегирование этих функций ИИ существенно ускоряет процесс, повышает качество диагностики и снижает количество ошибок, вызванных человеческим фактором [7], [16]. Подробнее об этом новом направлении — радиомике — можно узнать из материалов «Биомолекулы» [17], [18].

Например, система RapidRead Dental позволяет анализировать стоматологические рентгеновские снимки примерно за 10 минут за счет обучения на более чем 55 тысячах изображений, содержащих 275 тысяч зубов животных (рис. 2). С помощью RapidRead Dental ветеринар может по сути получить заключение стоматолога экспертного уровня, причем в довольно короткие сроки. В обычной клинической практике на сбор всей информации может уходить до нескольких дней, особенно если владельцу животного необходимо обращаться к разным специалистам. Имея на руках заключение стоматолога, ветеринар может принять более обоснованное решение относительно удаления зубов, поскольку часто в соответствии с протоколами лечения во всех сомнительных ситуациях зубы удаляются [19], что может отразиться на качестве жизни животного. Согласно официальному сайту Antech Diagnostics RapidRead Dental может использоваться у собак и потенциально у кошек (проект находится на этапе сбора снимков для обучения системы).

Для решения похожих задач канадская компания Vetster создала ИИ-ассистент, который анализирует результаты рентгеновских исследований животных примерно за 2 минуты, основываясь на 2 миллионах снимков, и выявляет опухоли, переломы и другие повреждения с точностью до 94%. Принцип работы опять же основан на радиомике [17].

В настоящее время в Новосибирском государственном университете на базе лаборатории инновационной и ядерной медицины физического факультета создают базу данных томограмм животных (томографический атлас) для обучения ИИ (рис. 3). В этой лаборатории разрабатываются технологии нейтронозахватной терапии и проводятся доклинические исследования лекарственных препаратов для лечения опухолей, для чего необходимо анализировать большое количество томограмм. В перспективе ИИ при обучении на достаточном количестве изображений позволит интерпретировать результаты исследований КТ и МРТ с учетом межвидовых и внутривидовых различий, что сделает процесс автоматизированным и ускорит исследования [20], а также сможет использоваться в рутинной диагностике.

Кроме интерпретации различных медицинских изображений, ИИ помогает в проведении анализа крови [21], гистологического и цитологического исследований [7] (рис. 4). Так, платформа Pullar, разработанная в Донском государственном техническом университете и представленная специалистам на Международном практическом форуме «Компаньон-2025» в рамках конференции приютов и фондов помощи бездомным животным, позволяет подсчитывать и классифицировать клетки крови в мазках (ИИ-ассистент «Цитолог»), распознавать яйца паразитов, рассчитывать процент поражений кожи и слизистых оболочек, анализировать белковые контакты между клетками мозга (ИИ-ассистент «Нейробиолог»), изучать заболевания роговицы животных (ИИ-ассистент «Офтальмолог») [22]. Для улучшения работы платформы и расширения области ее применения необходимо пополнение баз данных для обучения ИИ.

Аналогичным образом анализировать мазки крови позволяет ИИ-ассистент от компании «Гемоскан», пока работающий в пилотном режиме в государственной ветеринарной лаборатории Республики Татарстан [23]. Система сканирует микропрепарат и передает полученную фотографию на анализ обученной нейросети для поиска гемопаразитов. В дальнейшем такую методику планируется включить в ГОСТ, чтобы ее можно было внедрять в государственных лабораториях и клиниках.

Также существуют универсальные платформы, которые совмещают в себе несколько вышеперечисленных функций. Например, MetaPets — первая в России ветеринарная экосистема на базе ИИ (рис. 5). На данный момент она существует в виде веб-приложения для ветеринарного врача, мобильного приложения для владельца животного, а также в форме чат-бота. MetaPets позволяет врачу вести расписание приемов, записывать все необходимые подробности о них, в том числе осуществлять аудиозапись, вести медкарты, советоваться с ИИ по всем возникающим вопросам, связываться с владельцами. Основное преимущество экосистемы — хранение всех данных в одном месте. По информации официального сайта, использование MetaPets освобождает 50% времени за счет автозаполнения и быстрого анализа медкарт, а также способствует более точной диагностике.

Еще одной областью применения ИИ в ветеринарии является мониторинг зоонозных заболеваний. Благодаря машинному обучению использование ИИ позволяет проанализировать эпидемиологические данные и спрогнозировать возникновение вспышек заболеваний животных и человека, что позволяет своевременно принять меры для их предотвращения [25].

Основные точки приложения ИИ в ветеринарной практике можно обобщенно представить в виде таблицы (табл. 1).

Использование ИИ в зоопарках

Как упоминалось ранее, ветеринарное наблюдение необходимо и животным в зоопарках. Помимо вышеперечисленных технологий там могут использоваться и другие разработки. Одна из таких — компьютерное зрение. Об анализе поведения животных с его помощью можно прочитать в уже упомянутой статье [24] в главе «Поведенческая биология: кульминация совершенствования компьютерного зрения в качестве инструмента». Мы же остановимся только на основных моментах его практического применения.

В недавнем исследовании канадские ученые адаптировали существующее программное обеспечение (ПО) на базе ИИ, разработанное канадской технологической компанией EAIGLE Inc., для наблюдения за животными в зоопарке Торонто, а именно за суматранскими орангутанами (Pongo abelii) [26]. Изначально данная система предназначалась для определения людей и объектов в общественных местах для оперативного анализа, обеспечения безопасности и охраны здоровья, в частности для снижения распространения вируса COVID-19. Благодаря этому ПО ученые идентифицировали орангутанов и анализировали их поведение, а также регистрировали температуру тела и положение конечностей животных. Схематично это объемное исследование можно представить в виде трех последовательных этапов:

1. обучение ИИ отличать орангутанов от их окружения (используется 20 тыс. изображений);

2. обучение ИИ отличать орангутанов от работников и посетителей зоопарка, а также обучение ИИ верно узнавать шестерых конкретных орангутанов (используется 15 тыс. изображений);

3. оценка позы и поведения орангутанов.

Для осуществления этапов 1–2 исследователи установили пять 12-мегапиксельных камер с объективами с переменным фокусным расстоянием внутри вольера с орангутанами. ИИ обучался на основе предложенных 15 тыс. снимков с камеры, а также 5 тыс. снимков, взятых из открытых источников. Далее были разработаны две аннотирующих программы: одна для детекции каждого объекта (например, орангутана, смотрителя зоопарка или посетителей зоопарка), а другая — для сегментирования каждой части тела орангутанов и указания ориентиров тела (например, головы, шеи, плеча, локтя, кисти, бедра, колена и т.д.). Аннотирующие программы — это специализированное ПО, с помощью которого человек-аннотатор вручную «объясняет» ИИ, что именно изображено на картинке или видео. Без этого этапа практически невозможно обучить большинство современных моделей компьютерного зрения.

Далее были аннотированы 15 тыс. изображений с представлением каждого из шести орангутанов зоопарка Торонто. Технология была доработана для распознавания отдельных орангутанов, а не смотрителей зоопарка, посетителей и других орангутанов. На каждом этапе модель ИИ дополнительно обучается распознавать местоположение, пол, рост и поведение орангутанов. Авторы отмечают, что ИИ уже успешно распознает орангутанов на фоне, отличает их от людей и правильно маркирует каждого из шести орангутанов (рис. 6).

Точность обнаружения составляет 94%, а точность индивидуального распознавания орангутана — 80%. Таким образом, использованная компьютерная технология должна обеспечить точный, непредвзятый, надежный и быстрый сбор данных для решения множества исследовательских задач. Главное преимущество заключается в том, что это ненавязчивая и неинвазивная технология. В отличие от носимых датчиков (ошейников, передатчиков), она не требует физического крепления чего-либо к животному, что минимизирует стресс и не влияет на естественное поведение.

В конце 2025 года Московский зоопарк сообщил, что внедряет ИИ-помощника «Цифровой ветеринар», который по описанию симптомов может выдавать возможные диагнозы и рекомендации по лечению. Пилотная версия обучена на всей доступной информации о мануле (рис. 7) и белом медведе, в дальнейшем базу знаний планируется расширять [27].

Использование ИИ в научных исследованиях

И последняя в данной статье сфера применения ИИ в ветеринарии — научные исследования. Причем инновационные технологии помогают как непосредственно в проведении этих исследований, так и в разработке лекарственных препаратов и вакцин для ветеринарного применения, в основном облегчая работу на этапах компьютерного конструирования нового соединения и изучения его молекулярного механизма действия.

Использование ИИ в научных исследованиях с животными уже давно рассматривается в качестве необходимого инструмента не только для облегчения выполняемой работы, но и для повышения точности и достоверности проводимых манипуляций. Еще в 2005 году было показано, что ИИ может служить хорошим инструментом для рутинной работы с лабораторными животными [28]. В этом исследовании учеными из Сан-Диего (США) было использовано ПО на основе ИИ под названием «Умный Виварий» (Smart Vivarium) для автоматического отслеживания и анализа поведения лабораторных мышей. В работе использовалась новаторская гибридная модель компьютерного зрения, сочетающая трекинг по «пятнам» (в оригинале blob tracking) и контурный трекинг.

Авторам удалось добиться слаженной работы ИИ, поскольку их алгоритм никогда не терял мышь, даже при прыжках и резких поворотах. ИИ также преодолел проблему многотрекового слежения и при этом был довольно устойчивым к внешним помехам (редко отвлекался на подстилку и др.), что свидетельствует о надежности вычисления и правдоподобности наблюдений. В итоге ИИ точно отслеживал мышей в 7 из 11 случаев перекрывания их друг другом (рис. 8). Это можно считать успешной интеграцией ИИ в трекинг животных, который может использовать видимые во время перекрытия черты (например, выступающие части тела).

Помимо собственно трекинга каждой мыши, исследователи также распознали пять основных типов поведения (сон, питье, исследование, уход за шерстью, еда). Исследователи применили подход, основанный на редких пространственно-временных признаках. То есть вместо анализа позы целиком ИИ искал локальные области движения, характерные для конкретного поведения (например, частые движения лап у рта мышей при умывании) (рис. 9). Сложности возникли, когда используемый алгоритм принимал умывание (grooming) за исследование (exploring). Авторы интерпретировали это как логичную ошибку, так как оба поведения могут включать активные движения в схожих областях пространства клетки.

Таким образом, уже 20 лет назад были разработаны алгоритмы, которые составили основу для системы неинвазивного постоянного мониторинга в вивариях для выявления больных животных и получения более точных данных в ходе экспериментов. Кроме контроля за поведением животных, ИИ в вивариях может применяться для регулирования эффективности вентиляционных систем, показателей влажности и температуры, освещения, что также влияет на состояние здоровья.

В будущем ИИ может войти в рутинную практику вивариев и зоопарков, позволяя вести наблюдение за животными неинвазивными методами с дальнейшим анализом полученных данных.

Заключение

В настоящее время ИИ активно внедряется в различные области жизни людей, в том числе в ветеринарную клиническую практику. Основными преимуществами его использования в данной сфере являются ускорение обработки различных данных, автоматизация рутинных процессов и увеличение точности диагностики за счет минимизации количества ошибок, вызванных человеческим фактором. Главными перспективами применения ИИ видятся проведение первичной диагностики без участия ветеринарного врача, эффективная профилактика заболеваний и создание индивидуальных планов лечения животных. Согласно исследованиям [29], в ближайшее время будет продолжать увеличиваться количество случаев применения ИИ в ветеринарной практике. Предполагается, что к 2026 году доля ветеринарных врачей, использующих ИИ для работы, удвоится, особенно в сегменте профилактической диагностики [30].

Однако серьезными препятствиями на пути широкого внедрения ИИ в сферу ветеринарии являются недостаток информации для машинного обучения сервисов ИИ, что влечет за собой риски некорректной интерпретации информации, отсутствие четких этических стандартов применения ИИ, а также довольно высокая стоимость ИИ-систем.

В заключение стоит отметить, что ИИ необходимо рассматривать лишь как помощника в работе ветеринарного врача, а не его полноценную замену. Окончательное решение по каждому вопросу остается за человеком.

Если бы у Айболита был ИИ-помощник, ему бы точно было попроще.

Литература

1. Как языковые модели покорили мир белков;
2. От структуры к функции: революция ИИ в белковом дизайне;
3. Adam Bohr, Kaveh Memarzadeh. (2020). The rise of artificial intelligence in healthcare applications. Artificial Intelligence in Healthcare. 25–60;
4. Как и почему искусственный интеллект биологический возраст определял;
5. ПсИИхогенетика: есть ли в моем геноме ответ — или только вероятности?;
6. Лицо генетики: как искусственный интеллект распознает синдромы по фотографиям;
7. Olalekan Chris Akinsulie, Ibrahim Idris, Victor Ayodele Aliyu, Sammuel Shahzad, Olamilekan Gabriel Banwo, et. al. (2024). The potential application of artificial intelligence in veterinary clinical practice and biomedical research. Front. Vet. Sci. 11;
8. Ветеринария: эволюция, революции, инновации;
9. Жизнь и здоровье рогатых животных на промышленных фермах;
10. Современное свиноводство: от профилактики инфекций до модификации генома;
11. Тронин А. (2025). Аналитики изучили причины роста мирового рынка ветеринарных услуг. Зооинформ;
12. Carlos Alberto Aguilar-Lazcano, Ismael Edrein Espinosa-Curiel, Jorge Alberto Ríos-Martínez, Francisco Alejandro Madera-Ramírez, Humberto Pérez-Espinosa. (2023). Machine Learning-Based Sensor Data Fusion for Animal Monitoring: Scoping Review. Sensors. 23, 5732;
13. Tommaso Vezzosi, Rosalba Tognetti, Carlotta Buralli, Federica Marchesotti, Valentina Patata, et. al. (2019). Home monitoring of heart rate and heart rhythm with a smartphone‐based ECG in dogs. Veterinary Record. 184, 96–96;
14. Xi Kang, Xu Dong Zhang, Gang Liu. (2021). A Review: Development of Computer Vision-Based Lameness Detection for Dairy Cows and Discussion of the Practical Applications. Sensors. 21, 753;
15. Irena L. Shlivko, Oxana Ye. Garanina, Irina A. Klemenova, Kseniia A. Uskova, Anna M. Mironycheva, et. al. (2021). Artificial intelligence: how it works and criteria for assessment. Consilium Medicum. 23, 626–632;
16. Hesameddin Akbarein, Mohammad Hussein Taaghi, Mahyar Mohebbi, Parham Soufizadeh. (2025). Applications and Considerations of Artificial Intelligence in Veterinary Sciences: A Narrative Review. Veterinary Medicine & Sci. 11;
17. Увидеть то, что неподвластно глазу: как радиомика помогает врачам в диагностике опухолей;
18. Как аэрофотосъемка связана с медицинскими снимками, большими данными и ИИ?;
19. Wilson D.U. (2023). Artificial Intelligence at Antech Imaging Services. 7, 1–7;
20. Панфило Е. (2024). Ученые НГУ обучают искусственный интеллект анализу томографических снимков животных. Новосибирский Государственный Университет;
21. K.L. Reagan, B.A. Reagan, C. Gilor. (2020). Machine learning algorithm as a diagnostic tool for hypoadrenocorticism in dogs. Domestic Animal Endocrinology. 72, 106396;
22. Примачик М. (2025). ИИ-решение для ветеринарной диагностики представили на отраслевом форуме. Журнал «Питомцы»;
23. Никитина Л. (2022). Инновация: диагностика заболеваний животных на основе нейросетей. Официальный сайт Фонда «Сколково»;
24. Глаза прогресса: как глубокое обучение помогает видеть невидимое для человека;
25. Wenqiang Guo, Chenrui Lv, Meng Guo, Qiwei Zhao, Xinyi Yin, Li Zhang. (2023). Innovative applications of artificial intelligence in zoonotic disease management. Science in One Health. 2, 100045;
26. Jenna V. Congdon, Mina Hosseini, Ezekiel F. Gading, Mahdi Masousi, Maria Franke, Suzanne E. MacDonald. (2022). The Future of Artificial Intelligence in Monitoring Animal Identification, Health, and Behaviour. Animals. 12, 1711;
27. Федоров И. (2025). Искусственный интеллект от Сбера поможет сотрудникам Московского зоопарка заботиться о животных. Вести Московского региона;
28. Belongie S., Branson K., Dollár P., Rabaud V. (2005). Monitoring animal behavior in the smart vivarium. Measuring Behavior. — The Netherlands: Wageningen 70–72;
29. Sadi Elasan, Osman Yilmaz. (2025). Comprehensive Global Analysis of Future Trends in Artificial Intelligence‐Assisted Veterinary Medicine. Veterinary Medicine & Sci. 11;
30. Волдинер Н. (2025). Каждый пятый ветврач использует искусственный интеллект в работе. Зооинформ.