Poate AI detecta anumite boli prin analiza imaginilor pielii ?

AI poate detecta deja anumite boli de piele din imagini cu performanțe care se potrivesc sau depășesc dermatologii în studii controlate, în special pentru afecțiuni comune precum melanomul, psoriazisul și eczema. Rețelele neuronale convoluționale profunde antrenate pe seturi mari de date de imagini clinice etichetate și captate cu smartphone-uri ating sensibilitate și specificitate ridicate, iar mai multe instrumente aprobate de reglementare sunt disponibile pentru utilizarea de către profesioniștii din domeniul sănătății. Cu toate acestea, acuratețea în lumea reală poate varia în funcție de calitatea imaginii, tonul pielii, iluminare și prezențe rare sau atipice, necesitând supravegherea clinicianului. Cercetările în curs se concentrează pe îmbunătățirea generalizării în rândul diverselor populații și integrarea datelor multimodale, cum ar fi dermatoscopia și istoricul pacientului.

— Îmbogățit 13 mai 2026 · Sursă: Organizația Mondială a Sănătății

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).