Dirbtinis intelektas keičia tai, kaip mes nustatome ligas. Viena jaudinanti sritis yra giluminio mokymosi naudojimas, norint nustatyti lytiškai plintančias infekcijas (LPL) iš odos pažeidimo vaizdų.
Neseniai atlikta apžvalga „Lancet Digital Health“ (2025 m. Liepos mėn., 7 tomas) Pažiūrėjo, kaip gerai šie AI modeliai veikia. Rezultatai yra perspektyvūs, tačiau vis dar yra iššūkių įveikti, kol jie gali būti plačiai naudojami klinikose.

Kodėl anksti aptikti LPS yra svarbus

STI yra pagrindinė pasaulinės sveikatos problema. 2019 m 770 milijonų naujų atvejų. Ankstyvas infekcijų gavimas padeda žmonėms greičiau gydytis. Tai taip pat sustabdo plitimą ir sumažina ilgalaikes sveikatos problemas. Tačiau daugelyje mažas ir vidutinių pajamų šalių laboratoriniai testai ne visada prieinami. Štai kodėl naujos priemonės, tokios kaip AI, yra tokios svarbios.

Gilus mokymasis gali padėti analizuojant odos pažeidimo vaizdus. Tai gali aptikti infekcijas kaip mpoksas, niežai, herpes, sifilisir molluscum contagiosum– net prieš laboratorijos testus patvirtinkite juos.

Kaip gilus mokymasis naudojamas LPS aptikti

Apžvalgoje buvo nagrinėjama 101 studijos Paskelbta nuo 2010 iki 2023 m. Gilesnė 55 tyrimų analizė parodė stiprius rezultatus:

• MPOX aptikimas: 97% jautrumas, 99% specifiškumas
• Našų aptikimas: 95% jautrumas, 97% specifiškumas

Daugelyje tyrimų CNN modeliai buvo naudojami kaip Resnet ir VGGNET. Šie modeliai buvo mokomi viešų duomenų rinkinių, tokių kaip MSLDAr MSIDir Monkeypox2022. Tačiau tik keliuose tyrimuose buvo naudojami naujesni modeliai arba buvo įtraukta papildomų duomenų, tokių kaip amžius, lytis ar odos tonas. Šie papildomi duomenys gali padėti pagerinti tikslumą, ypač įvairioms populiacijoms.

Giluminio mokymosi modeliai: pagrindiniai kokybės iššūkiai STI aptikimas

Nors rezultatai atrodo gerai, daugelis tyrimų turėjo problemų, kurios galėjo paveikti tai, kaip gerai modeliai veikia realiame gyvenime:

• 85% tyrimų Naudojami vieši duomenų rinkiniai, kuriuose nėra odos tono ir kūno vietos įvairovės.
• Tik 2% įdarbinti perspektyvų duomenų rinkimą.
• 98% Nepavyko pranešti apie rasę ir tautybę.
• 93% Neap apibūdino ženklinimo metodų.
• Tik 6% Bendras šaltinio kodas viešam vertinimui.

Dėl šių spragų sunku žinoti, ar modeliai gerai veiks klinikose, kur sąlygos labai skiriasi.

Pagerinti pasitikėjimą ir skaidrumą giliai mokantis STI diagnozei

Pasitikėjimas yra svarbiausia, kai naudojama AI sveikatos priežiūros srityje. Kai kuriuose tyrimuose buvo naudojamos paaiškinamos AI (xai) įrankiai, pavyzdžiui, Klasių aktyvavimo žemėlapiai (CAM) ir Kalkės. Šie įrankiai parodo, į kurias vaizdo dalis sutelkė dėmesį. Tačiau be tinkamų bandymų jie gali supainioti, o ne padėti gydytojams.

Atsakingo AI planas nustatant STI

Kad šios priemonės būtų naudingesnės, tyrėjai siūlo aiškų planą. Štai ką jie rekomenduoja:

• Sukurti įvairūs ir standartizuoti duomenų rinkiniai.
• Bandymo modeliai realaus pasaulio nustatymai.
• Įtraukti metaduomenys kaip amžius ir odos tonas.
• Naudoti Xai įrankiai Norėdami pagerinti skaidrumą.
• Vystytis Medicinos gairės AI naudoti STI atrankoje.

Be to, modeliai turėtų būti pakankamai maži ir greiti, kad galėtų veikti mobiliuosiuose įrenginiuose. Privatumo įrankiai taip pat yra svarbūs, ypač kai susiduriama su jautriais vaizdais.

Šaltinis: „Lancet Digital Health“7 tomas, 2025 m. Liepos mėn. Doi: 10.1016/j.landig.2025.100894