Современные алгоритмы машинного обучения, применяемые в дерматологии, демонстрируют впечатляющий прогресс в выявлении рака кожи. Однако, как отмечают эксперты, у этих технологий есть серьёзный недостаток, который сужает круг пациентов, способных реально ощутить их преимущества.

Проблема кроется в обучающих наборах данных, на которых «воспитываются» нейросети. Подавляющее большинство снимков, используемых для тренировки моделей, представляют собой изображения светлой кожи. В результате алгоритмы отлично справляются с диагностикой на коже I–III фототипов по Фитцпатрику, но часто дают сбои при анализе более тёмных оттенков. Это приводит к тому, что люди с африканским, латиноамериканским, азиатским или ближневосточным происхождением получают менее точные результаты, а значит, и более высокий риск пропустить опасное заболевание.

Исследователи подчёркивают, что это не просто технический нюанс, а системный перекос, способный усугубить расовые различия в доступности качественной дерматологической помощи. Рак кожи, вопреки распространённому мнению, встречается и у людей с тёмной кожей, но диагностируется у них на более поздних стадиях, что снижает шансы на успешное лечение. Если ИИ-инструменты будут внедряться в клиническую практику без устранения этого дисбаланса, они могут не только не помочь, но и закрепить существующее неравенство.

На данный момент разработчики стараются исправить ситуацию: появляются проекты по сбору разнообразных датасетов, включающих изображения разных типов кожи. Например, международные коллаборации, такие как ISIC (International Skin Imaging Collaboration), расширяют архивы за счёт клиник из Африки, Юго-Восточной Азии и Ближнего Востока. Однако эксперты отмечают, что процесс идёт медленно, а коммерческие компании всё ещё ориентируются на прибыльные рынки Северной Америки и Европы, где преобладает светлокожее население.

Другая сторона проблемы — недостаточная представленность редких форм рака кожи в обучающих выборках. Алгоритмы хорошо натренированы на базальноклеточную карциному и меланому, но хуже распознают, например, плоскоклеточный рак или саркому Капоши, которые чаще встречаются у определённых этнических групп. Кроме того, клинические проявления одних и тех же заболеваний на разной коже могут выглядеть по-разному, и нейросеть, не видевшая таких примеров, склонна к ошибочным заключениям.

Врачи-дерматологи предупреждают: полностью полагаться на ИИ пока нельзя, особенно у пациентов с тёмной кожей. Алгоритмы должны служить вспомогательным инструментом, а не заменять очный осмотр и дерматоскопию. Разработчикам необходимо активнее привлекать данные из глобальных источников, а регуляторам — вводить требования к валидации моделей на разнообразных популяциях, прежде чем выпускать их на рынок.

Пока же ситуация выглядит парадоксальной: технология, призванная повысить точность и доступность диагностики, рискует стать ещё одним барьером для тех, кто и так имеет ограниченный доступ к специализированной помощи. Без целенаправленных усилий по сбору репрезентативных данных и обучению моделей с учётом всех фототипов ИИ в дерматологии так и останется инструментом для избранных.