В статье, опубликованной в журнале npj Digital Medicine 7 октября 2026 года, представлена новая методология предварительного обучения (pretraining) моделей искусственного интеллекта для анализа компьютерной томографии (КТ). Авторы предлагают подход «поэтапного предварительного обучения» (stage-wise pretraining), который позволяет создавать универсальные представления медицинских изображений, охватывающие широкий спектр задач — от базовой анатомической сегментации до выявления сложных фенотипов заболеваний. Методология предполагает последовательное обучение модели на различных этапах: сначала на крупных наборах данных для изучения общей анатомической структуры, а затем на специализированных наборах, связанных с патологиями. Это позволяет модели эффективно переносить знания (transfer learning) на узкоспециализированные клинические задачи с меньшим объемом размеченных данных. Исследование демонстрирует высокую эффективность предложенного подхода в задачах диагностики, где традиционные методы часто требуют значительных вычислительных ресурсов и больших объемов размеченных данных. Результаты показывают, что универсальные представления значительно улучшают точность диагностики и обобщающую способность моделей в различных клинических сценариях. Работа вносит существенный вклад в развитие ИИ-инструментов для радиологии и цифровой медицины, предлагая масштабируемое решение для создания надежных диагностических систем.