Искусственный интеллект постепенно становится надёжным помощником дерматологов. Алгоритмы, обученные на тысячах изображений кожных образований, уже сейчас способны замечать признаки меланомы не хуже опытных врачей. Однако за этим прогрессом скрывается проблема, о которой говорят всё чаще: новые ИИ-инструменты приносят пользу не всем пациентам в равной степени.
Ключевой недостаток современных систем — их неравномерная точность в зависимости от типа кожи. Большинство обучающих наборов данных, на которых строятся такие алгоритмы, собраны в странах с преимущественно светлокожим населением. Изображения тёмной кожи, где меланома часто выглядит иначе и диагностируется позже, представлены в этих базах значительно хуже. В результате ИИ может уверенно распознавать опасные родинки у людей с I и II фототипом, но пропускать тревожные сигналы у пациентов с более тёмной пигментацией.
Это создаёт двойной риск. С одной стороны, человек с тёмной кожей получит ложное успокоение, если алгоритм не заметит злокачественное образование. С другой — дерматолог, опирающийся на рекомендации системы, может потерять бдительность. Специалисты отмечают, что проблема касается не только расовой принадлежности: алгоритмы хуже работают на пожилых людях, людях с множественными родинками или с необычной локализацией опухолей — например, на ладонях, подошвах или под ногтями.
Разработчики признают системный характер недостатка. Для обучения нейросетей нужно больше разнообразных клинических случаев, включая редкие формы рака кожи и различные этнические группы. Некоторые стартапы уже начали собирать датасеты в Африке, Азии и Латинской Америке, но этот процесс идёт медленно. Врачи напоминают: ИИ — это инструмент поддержки решения, а не замена клиническому осмотру. Только сочетание автоматизированного скрининга и очного обследования специалистом может снизить смертность от меланомы, которая остаётся одной из самых агрессивных форм рака.
Вопрос не только в техническом совершенстве. Даже идеально обученный алгоритм не заменит доступ к медицине. Если в развитых странах ИИ-дерматоскопия уже используется в клиниках, то в регионах с низким уровнем дохода пациенты часто не имеют возможности попасть к специалисту вовсе. Улучшение алгоритмов без изменения инфраструктуры не решит проблему неравенства. Поэтому исследователи призывают совмещать разработку ИИ с программами телемедицины и обучением местных врачей.
Пока же вывод простой: технологии становятся точнее, но их польза напрямую зависит от того, на чьих данных они учатся. Без целенаправленных усилий по расширению обучающих выборок и учёта социального контекста ИИ в дерматологии рискует закрепить существующие диспропорции в здравоохранении, а не устранить их.
