Технологии искусственного интеллекта, применяемые в дерматологии для обнаружения рака кожи, демонстрируют всё более высокую точность. Однако у этого прогресса есть обратная сторона: далеко не все пациенты получают равный доступ к качественной диагностике. Ключевая проблема — недостаток репрезентативных данных, на которых обучаются модели.

Современные ИИ-системы анализируют изображения родинок, поражений и новообразований, чтобы помочь врачам быстрее выявлять злокачественные опухоли. В клинических испытаниях такие инструменты нередко показывают результаты, сопоставимые с опытом дерматологов, а иногда и превосходящие их. Однако львиная доля обучающих наборов состоит из снимков светлой кожи. Это значит, что алгоритмы «настроены» на паттерны, характерные для европеоидной расы, и хуже распознают опасные изменения на тёмной коже.

По данным исследований, точность ИИ-диагностики меланомы у пациентов с тёмной кожей может быть на 10–20 процентных пунктов ниже, чем у светлокожих. Это объясняется не только дефицитом изображений, но и тем, что проявления рака кожи на разных фототипах выглядят иначе: например, акральная лентигинозная меланома — редкая форма, чаще встречающаяся у темнокожих людей, — часто не распознаётся моделями, обученными на «типичных» снимках.

Разработчики признают недостаток, но проблема не решается быстро. Сбор размеченных дерматологических изображений для всех фототипов кожи — трудоёмкий и дорогой процесс. Кроме того, существующие датасеты исторически формировались в странах с преимущественно белым населением. Некоторые стартапы и исследовательские группы уже начали целенаправленно дополнять базы снимками тёмной кожи, но пока такие усилия носят фрагментарный характер.

Последствия неравенства в работе ИИ-инструментов выходят за рамки диагностики. Если алгоритм чаще пропускает меланому у чернокожих или латиноамериканцев, пациенты из этих групп получают лечение на более поздних стадиях, когда шансы на выживание ниже. Таким образом, технология, призванная улучшить медицину, может невольно усугубить существующие расовые диспропорции в здравоохранении.

Регуляторы, в том числе Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA), всё чаще требуют от производителей медицинских ИИ-систем демонстрировать эффективность на разных демографических группах. Однако единого стандарта пока нет, и компании сами решают, насколько разнообразными будут их обучающие выборки.

Врачи, использующие ИИ-помощников, должны учитывать это ограничение. Дерматологи отмечают: алгоритмы стоит воспринимать как дополнительный инструмент, а не замену клиническому опыту. Особенно это важно при работе с пациентами с тёмной кожей — здесь окончательное решение всегда должно оставаться за специалистом.

Пока же ситуация остаётся двойственной: с одной стороны, ИИ действительно помогает быстрее находить рак кожи и спасать жизни, с другой — автоматизация рискует закрепить предвзятость, заложенную в данных. Решение проблемы лежит не только в области технологий, но и в системном сборе более представительных данных, а также в прозрачности отчётов разработчиков о точности моделей для разных групп населения.