Doctor of Physical and Mathematical Sciences, Professor at the Department of Information Technology and Systems
Candidate of Physical and Mathematical Sciences, Assistent Professor of Department of Probability Theory and Cyber Security
Ph.D. of Pedagogical Sciences, Head of the Department of Mathematics and Information Technology of the Sochi branch
Candidate of Physical and Mathematical Sciences, Associate Professor of Department of Probability Theory and Cyber Security
Professor, Doctor of Sciences in Physics and Mathematics, Professor at the Department of Computational Mathematics and Artificial Intelligence of RUDN University, Leading Researcher of Bogoliubov Laboratory of Theoretical Physics, Joint Institute for Nuclear Research
Large language models (LLMs) are transforming healthcare by enabling the analysis of clinical texts, supporting diagnostics, and facilitating decision-making. This systematic review examines the evolution of LLMs from recurrent neural networks (RNNs) to transformer-based and multimodal architectures (e.g., BioBERT, MedPaLM), with a focus on their application in medical practice and challenges in Russia. Based on 40 peer-reviewed articles from Scopus, PubMed, and other reliable sources (2019-2025), LLMs demonstrate high performance (e.g., Med-PaLM: F1-score 0.88 for binary pneumonia classification on MIMIC-CXR; Flamingo-CXR: 77.7% preference for in/outpatient X-ray re-ports). However, limitations include data scarcity, interpretability challenges, and privacy concerns. An adaptation of the Mixture of Experts (MoE) architecture for rare disease diagnostics and automated radiology report generation achieved promising results on synthetic datasets. Challenges in Russia include limited annotated data and compliance with Federal Law No. 152-FZ. LLMs enhance clinical workflows by automating routine tasks, such as report generation and patient triage, with advanced models like KARGEN improving radiology report quality. Russia’s focus on AI-driven healthcare aligns with global trends, yet linguistic and infrastructural barriers necessitate tailored solutions. Developing robust validation frameworks for LLMs will ensure their reliability in diverse clinical scenarios. Collaborative efforts with international AI research communities could accelerate Russia’s adoption of advanced medical AI technologies, particularly in radiology automation. Prospects involve integrating LLMs with healthcare systems and developing specialized models for Russian medical contexts. This study provides a foundation for advancing AI-driven healthcare in Russia.
Большие языковые модели (LLM) трансформируют здравоохранение, позволяя анализировать клинические тексты, поддерживать диагностику и упрощать принятие решений. В этом систематическом обзоре рассматривается эволюция LLM от рекуррентных нейронных сетей (RNN) до основанных на трансформаторах и многомодальных архитектур (например, BioBERT, Med-PaLM), с акцентом на их применение в медицинской практике и проблемы, с которыми они сталкиваются в России. Согласно 40 рецензируемым статьям из Scopus, PubMed и других надёжных источников (2019-2025 гг.), LLM демонстрируют высокую производительность (например, Med-PaLM: F1-критерий 0,88 для бинарной классификации пневмонии на MIMIC-CXR; Flamingo-CXR: предпочтение 77,7% для стационарных/амбулаторных рентгенологических заключений). Однако к ограничениям относятся дефицит данных, трудности с интерпретацией и вопросы конфиденциальности. Адаптация архитектуры «Смесь экспертов» (MoE) для диагностики редких заболеваний и автоматизированного создания отчётов по радиологии дала многообещающие результаты на синтетических наборах данных. В России существуют такие проблемы, как ограниченный объём аннотированных данных и соблюдение Федерального закона № 152-ФЗ. LLM улучшают клинические рабочие процессы, автоматизируя рутинные задачи, такие как создание отчётов и сортировка пациентов, благодаря передовым моделям, таким как KARGEN, повышающим качество отчётов по радиологии. Ориентация России на здравоохранение на основе ИИ соответствует мировым тенденциям, однако лингвистические и инфраструктурные барьеры требуют разработки индивидуальных решений. Разработка надёжных фреймворков валидации для LLM обеспечит их надёжность в различных клинических сценариях. Совместные усилия с международными исследовательскими сообществами в области ИИ могут ускорить внедрение в России передовых медицинских технологий ИИ, особенно в области автоматизации радиологии. Перспективы включают интеграцию LLM с системами здравоохранения и разработку специализированных моделей для российского медицинского контекста. Данное исследование закладывает основу для развития здравоохранения на основе ИИ в России.