Google opísal AI ultrazvuk, ktorý podľa štúdie odhadol gestačný vek porovnateľne s expertmi
Google Research a Google for Health 21. októbra 2026 zverejnili opis prospektívnej multicentrickej štúdie AI systému pre „blind sweep“ ultrazvuk. Podľa autorov bol model pri odhade gestačného veku non-inferior voči expertnej sonografii a udržal podobnú chybu v Chicagu aj Nairobi, pričom v Nairobi neprešiel lokálnym dolaďovaním.
Google Research a Google for Health 21. októbra 2026 zverejnili blog o prospektívnej multicentrickej štúdii AI asistovaného ultrazvuku pre odhad gestačného veku. Jadrom práce je takzvaný „blind sweep“ prístup: zdravotník bez špecializovaného sonografického tréningu vedie lacnú prenosnú sondu po bruchu podľa štandardizovaného postupu a model z takto získaných záberov odhaduje, v akom štádiu tehotenstva sa pacientka nachádza.
Podľa autorov štúdie bol systém pri určovaní gestačného veku non-inferior voči expertnej sonografii. V kombinovaných výsledkoch uvádzajú priemernú absolútnu chybu 4,18 dňa pri AI oproti 4,48 dňa pri expertnej biometrii. Dôležité je aj to, že chyba ostala podobná v dvoch odlišných prostrediach: v Chicagu dosiahla 4,10 dňa a v Nairobi 4,27 dňa, hoci dáta z Nairobi sa na dolaďovanie modelu nepoužili.
Význam výsledku je najmä v hraniciach, ktoré autori sami opisujú. Nejde o dôkaz všeobecného nasadenia hotového produktu, ale o výskumný krok, ktorý má ukázať technickú prenositeľnosť medzi klinickými prostrediami a hardvérom. Autori zároveň píšu, že pri reálnom používaní budú dôležité poistky, napríklad odhady istoty modelu na odmietnutie nekvalitných sweepov a komunikáciu neistoty používateľovi.
Podrobnosti a podklady
Čo bolo zverejnené a kedy
Primárny zdroj je blog Google Research s dátumom 21. októbra 2026 a s autorstvom Angelica Willis z Google Research a Nichole Young-Lin z Google for Health. Text opisuje prospektívnu multicentrickú štúdiu AI asistovaného ultrazvuku pre materinskú starostlivosť a explicitne ju rámuje ako výskumný výsledok.
Ako funguje „blind sweep“ prístup
Opisovaný systém pracuje s „blind sweep“ ultrazvukom. Zdroj vysvetľuje, že ide o spôsob skenovania, pri ktorom zdravotníci bez špecializovaného sonografického tréningu vedú lacné prenosné ultrazvukové sondy po bruchu v štandardizovanom vzore. Cieľom je získať dostatok obrazových dát na odhad gestačného veku bez potreby klasickej expertnej biometrie, ktorá závisí od presného nájdenia viacerých rezov plodu a od rokov tréningu operátora.
Dáta, dolaďovanie a testovacie prostredia
Zdroj uvádza, že pôvodný blind sweep model bol trénovaný na 1 968 účastníčkach zo Severnej Karolíny a Zambie. Následne bol jemne doladený na skenoch od 120 účastníčok z Chicaga, čo malo pomôcť adaptácii na nový hardvér a rozšíreniu rozsahu predikcie nad 36. týždeň. Prospektívne testovanie potom prebehlo v Chicagu na 192 účastníčkach a v Nairobi na 193 účastníčkach, pričom dáta z Nairobi sa na dolaďovanie nepoužili, aby išlo o nezávislý externý test.
Aké výsledky autori uvádzajú
Kľúčové číselné tvrdenie autorov je non-inferiority voči expertnej sonografii pri odhade gestačného veku. Blog uvádza kombinovanú priemernú absolútnu chybu 4,18 dňa pri AI a 4,48 dňa pri expertnej biometrii. Zároveň píše, že adaptovaný model dosiahol v Chicagu 4,10 dňa a v Nairobi 4,27 dňa, teda podobnú presnosť aj bez lokálnej optimalizácie na kenských dátach. V dodaných podkladoch sú to však stále tvrdenia autorov o ich štúdii, nie nezávislé redakčné overenie klinického výkonu.
Prečo je to významné, ale čo zatiaľ nevieme
Autori interpretujú výsledky ako dôkaz, že AI systémy vedia analyzovať štandardizované „blind sweeps“ získané operátormi bez špecializovaného sonografického tréningu, a ako krok k rozšíreniu prístupu k prenatálnemu hodnoteniu v prostrediach s nedostatkom expertov. Táto hranica platnosti je dôležitá: zdroj hovorí o potenciáli a technickej generalizácii naprieč klinickými prostrediami, hardvérom a populáciami, nie o plošne dostupnom alebo regulačne schválenom produkte.
Poistky a prevádzkové obmedzenia
Blog pridáva aj praktické poznatky z prospektívneho nasadenia do klinického workflowu. Spomína napríklad význam vymeniteľných batérií namiesto dokovacích staníc pri obsluhe viacerých pacientok po sebe. Zároveň výslovne uvádza potrebu budúcich poistiek v aplikácii: odhadov istoty modelu, ktoré by vedeli odmietnuť nekvalitné sweepy a komunikovať neistotu klinikovi. To naznačuje, že otázka dôvery, kontroly kvality a bezpečného používania je stále súčasťou ďalšieho vývoja, nie uzavretá kapitola.
Zdroje
Súvisiace
Ďalšie články k téme
Štúdia Google pri patentových právnikoch: AI zlepšila výstup, no bez nej sa posun ukázal najmä u skúsenejších
Google Research opisuje trojmesačný randomizovaný experiment so 133 patentovými právnikmi v 11 kanceláriách, v ktorom prístup k AI zvýšil kvalitu písania patentov. Keď však výskumníci AI pri záverečnej úlohe odobrali, lepší neasistovaný výkon hlásia najmä u seniorných právnikov, zatiaľ čo juniori nevykázali priemerné zlepšenie; samotní autori zároveň upozorňujú na obmedzenú vzorku a krátke trvanie štúdie.
Google rozširuje experimentálny geopriestorový agent Earth AI a pridáva nové benchmarky
Google Research tvrdí, že jeho experimentálny Geospatial Reasoning agent získal technickú správu so štyrmi benchmarkmi vrátane dvoch nových sád GeoKTools a GeoExpertQueries, prešiel skorým testovaním s partnermi a rozširuje skorý prístup cez Ask Google Earth aj A2A API. Samotný Google zároveň upozorňuje, že aspoň časť výstupov treba chápať ako prvý návrh pre expertov, nie finálnu odpoveď.
Google Research opisuje stavebné bloky pre autonómne wet laby: digitálne dvojča, uzavreté cykly a bindery pre FAP
Google Research na svojom blogu predstavilo prístup, v ktorom AI agenti neostávajú len pri návrhu molekúl v softvéri, ale sú napojení na laboratórnu robotiku cez framework VERID. Firma zároveň tvrdí, že v uzavretých cykloch zlepšila hit rate aptamérov pre myoglobín a α-thrombín a pri cieli FAP našla bindery so single-digit nanomolar afinitou. V dodaných podkladoch však ide o firemné tvrdenia a opis interného výskumného postupu, nie o nezávislé externé overenie.
Google Research opisuje „sleep framework“ pre LLM: oddelená fáza spánku má ukladať nové poznatky bez prepísania starých
Google Research predstavilo rámec continual learningu, v ktorom sa model strieda medzi aktívnou fázou a „spánkom“. Počas spánku má konsolidovať krátkodobé stopy do parametrov cez rozšírenie kapacity, distiláciu znalostí a imitation learning; Google zároveň tvrdí zlepšenia pri dlhom kontexte, dopĺňaní faktov aj reasoningu, no v dodaných podkladoch ich nemožno nezávisle overiť.