Czy AI może wykrywać niektóre choroby, patrząc na obrazy skóry ?

AI może już wykrywać niektóre choroby skóry na podstawie obrazów z wydajnością dorównującą lub przewyższającą dermatologów w kontrolowanych badaniach, zwłaszcza w przypadku powszechnych schorzeń takich jak czerniak, łuszczyca i egzema. Głębokie sieci neuronowe typu konwolucyjnego, trenowane na dużych zbiorach danych klinicznych i obrazów zrobionych smartfonem, osiągają wysoką czułość i specyficzność, a kilka narzędzi dopuszczonych przez regulatorów jest dostępnych do użytku przez pracowników służby zdrowia. Jednak rzeczywista dokładność może się różnić w zależności od jakości obrazu, odcienia skóry, oświetlenia oraz rzadkich lub nietypowych objawów, co wymaga nadzoru klinicznego. Obecne badania koncentrują się na poprawie uogólniania na zróżnicowane populacje oraz integracji danych wielomodalnych, takich jak dermatoskopia i historia pacjenta.

— Wzbogacono 13 maja 2026 · Źródło: Światowa Organizacja Zdrowia

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).