Обычные алгоритмы компьютерного зрения воспринимают медицинские изображения как набор несвязанных фрагментов — любые два несовпадающих снимка для них абсолютно различны. Это напоминает попытку отличить близнецов, не зная об их родстве. В медицине же пациенты с одним заболеванием часто выглядят на МРТ почти идентично, и алгоритм ошибается, путая «родственные» случаи.

Метод MseaCL интегрирует в процесс обучения текстовые отчёты врачей, создавая для ИИ своеобразный «семейный альбом». Теперь каждая пара снимков получает аннотацию: похожи ли они по клинической сути, а не только по пиксельному сходству. Ранее скрытые связи оставались незамеченными — подобно тому как тёмная материя в астрофизике выдаёт себя лишь через гравитационные эффекты, — а теперь алгоритм способен их улавливать.

Примечательно, что для анализа детских снимков потребовалось учитывать возрастной фактор: мозг ребёнка активно развивается, и без такой поправки ИИ мог бы интерпретировать возрастную норму как патологию.

В результате точность определения подтипов опухолей повысилась на 22,6% по сравнению с обычными методами, полагающимися только на визуальные признаки. Диагностика стала меньше зависеть от неопределённости (в данном контексте — от вариабельности, вносимой индивидуальными особенностями снимков), и ИИ превратился в надёжного помощника педиатров. Этот подход, словно спектроскопическая призма, разложил болезнь на чёткие варианты, выделив характерные для каждого подтипа паттерны.