Kan AI bepaalde ziekten detecteren door naar huidbeelden te kijken ?

AI kan al bepaalde huidziekten detecteren aan de hand van afbeeldingen met een prestatie die gelijkwaardig is aan of zelfs beter is dan die van dermatologen in gecontroleerde studies, met name voor veelvoorkomende aandoeningen zoals melanoom, psoriasis en eczeem. Diepgaande convolutionele neurale netwerken die zijn getraind op grote datasets met gelabelde klinische en met smartphones gemaakte afbeeldingen behalen een hoge gevoeligheid en specificiteit, en er zijn verschillende door regelgevende instanties goedgekeurde tools beschikbaar voor gebruik door zorgprofessionals. De nauwkeurigheid in de praktijk kan echter variëren afhankelijk van de kwaliteit van de afbeelding, huidskleur, verlichting en zeldzame of atypische presentaties, waardoor toezicht door een clinicus noodzakelijk is. Actueel onderzoek richt zich op het verbeteren van de generalisatie over diverse populaties en het integreren van multimodale gegevens zoals dermatoscopie en patiëntgeschiedenis.

— Verrijkt 13 mei 2026 · Bron: Wereldgezondheidsorganisatie

Background

Deep convolutional neural networks trained on large, labeled datasets (both clinical and smartphone-captured images) have demonstrated high sensitivity and specificity for detecting skin diseases such as melanoma, psoriasis, and eczema, and several regulatory-cleared tools are available for healthcare-professional use (World Health Organization, 2026).

Under experimental conditions, convolutional neural networks have achieved melanoma sensitivities above 90% and specificities above 80% on dermoscopic images (Nature Medicine, 2026). Controlled studies indicate that AI can match or exceed dermatologists in these curated settings.

Key deployment challenges include variability in image quality (lighting, resolution), differences in skin tone, and atypical or rare presentations; therefore, clinical oversight remains essential (World Health Organization, 2026; Nature Medicine, 2026).

Ongoing research focuses on improving generalization across diverse populations and devices, integrating multimodal inputs (e.g., dermoscopy and patient history), and mitigating bias to enhance real-world reliability (World Health Organization, 2026).