Новые инструменты на основе искусственного интеллекта, применяемые в дерматологии для раннего выявления рака кожи, заметно уступают в точности при работе с пациентами со смуглой и тёмной кожей. К такому выводу пришли исследователи Стэнфордского университета, изучившие несколько популярных диагностических систем.
Суть проблемы в том, что модели обучаются на массивах фотографий, где подавляющее большинство снимков сделано у людей со светлой кожей. Алгоритмы хорошо распознают признаки меланомы и других новообразований именно на таких изображениях. На тёмной коже те же признаки выглядят иначе, и модель чаще их пропускает либо выдаёт ложноположительные результаты.
Авторы работы проверили несколько ИИ-систем, используемых в клинической практике и в мобильных приложениях для самостоятельной проверки родинок. В подборку вошли и алгоритмы, которые рекламируются как вспомогательные инструменты для телемедицины. Исследователи прогоняли через них снимки с разными оттенками кожи и фиксировали, насколько часто система корректно отмечала подозрительные участки.
Результат оказался ожидаемым для специалистов по медицинскому ИИ, но редко обсуждаемым за пределами профессионального сообщества: точность работы инструментов заметно падала по мере того, как смуглее была кожа на снимке. В ряде случаев разрыв между лучшим и худшим показателем для светлого и тёмного фототипов составлял около 20 процентных пунктов.
Это создаёт конкретные клинические риски. Дерматологи всё чаще используют ИИ как «второе мнение» при обработке снимков, присланных пациентами или сделанных в кабинете. Если алгоритм систематически недооценивает опасные родинки у людей со смуглой кожей, повышается вероятность поздней диагностики, когда лечение меланомы уже значительно сложнее.
Авторы подчёркивают, что проблема не в самом подходе к машинному обучению, а в неполноте обучающих данных. Наборы дерматоскопических изображений формировались десятилетиями, и в них хронически не хватает снимков кожи IV–VI фототипов по шкале Фитцпатрика. Крупные клиники и научные центры до недавнего времени почти не собирали такие данные системно.
Исследователи предлагают несколько путей исправления ситуации. Первый — целенаправленное расширение датасетов за счёт снимков, сделанных у пациентов с тёмной кожей, в том числе в странах Африки, Латинской Америки и Южной Азии. Второй — обязательное тестирование моделей на сбалансированных выборках перед допуском к клиническому применению. Третий — публикация показателей точности отдельно по каждому фототипу, чтобы врачи и пациенты видели, насколько инструмент пригоден для конкретного случая.
Разработчики приложений для самостоятельной проверки родинок находятся в особой зоне риска. Такие сервисы нередко скачивают люди, у которых нет возможности быстро попасть к дерматологу, — и именно среди этой аудитории выше доля пользователей со смуглой и тёмной кожей. Ошибка алгоритма в этом случае не компенсируется очным осмотром.
Работа выполнена на базе Стэнфордской школы медицины и опубликована в рецензируемом журнале. По данным авторов, аналогичные перекосы ранее фиксировались и в других направлениях медицинского ИИ — от рентгенологии до офтальмологии, — но именно в дерматологии разрыв наиболее заметен из-за визуального характера задачи.
Практическая рекомендация для пользователей остаётся прежней: ИИ-инструменты для проверки родинок не заменяют очного осмотра у дерматолога. При любых изменениях новообразований — формы, цвета, размера, появлении зуда или кровоточивости — необходимо обращаться к врачу независимо от результата приложения.
