Революційний вплив AI в дерматопатології: підвищення точності або вихід за рамки

Штучний інтелект (Artificial intelligence, AI) трансформує сферу дерматопатології, створюючи як можливості, так і проблеми. У цьому огляді розглядається інтеграція AI, зокрема алгоритмів глибокого навчання, у дерматопатологію та її наслідки для діагностики захворювань, досліджень і майбутнього клінічної практики. 

AI, особливо за допомогою згорткових нейронних мереж (CNN), показав виняткові перспективи в дерматопатології. CNN здатні обробляти складні дані зображень, розбивати їх на пікселі й робити точні діагностичні прогнози. Дослідження продемонстрували здатність CNN досягати діагностичної точності, яку можна порівняти або яка навіть перевершує точність людей-дерматопатологів. Наприклад, системи AI досягли 99,3% точності в діагностиці дермального невуса і 100% у виявленні себорейного кератозу. Одним із важливих застосувань AI в дерматопатології є діагностика меланоми. Передові алгоритми глибокого навчання перевершили патологів у розрізненні доброякісних і злоякісних меланоцитарних уражень. Одне з важливих застосувань AI в дерматопатології - діагностика меланоми. Передові алгоритми глибокого навчання перевершили патологів у розрізненні доброякісних і злоякісних меланоцитарних уражень. У відомому дослідженні діагностична точність CNN для меланоми була значно вищою, ніж у досвідчених дерматопатологів.

Потенціал AI виходить за межі меланоми й поширюється на немеланомний рак шкіри й інші дерматологічні стани, як-от псоріаз та атопічний дерматит. Однак складність діагностики немеланомного раку шкіри є великою проблемою через різноманітний спектр доброякісних і злоякісних станів. Поточні системи AI вимагають великого навчання і високоякісних вхідних даних для досягнення надійної точності в цих випадках. Незважаючи на свої багатообіцяючі можливості, AI в дерматопатології не позбавлений обмежень. Система класифікації залишається вузькою, що обмежує здатність AI точно діагностувати широкий спектр дерматологічних станів. Крім того, існує значна варіабельність серед патологів, що ускладнює процес навчання систем AI. Обмежена доступність всеосяжних баз даних зображень і проблеми обміну даними ще більше ускладнюють розробку і впровадження надійних алгоритмів AI.