Cüzam (lepra, Hansen xəstəliyi), əsasən Mycobacterium leprae və daha nadir hallarda Mycobacterium lepromatosis ilə əlaqəli, xüsusilə dəri və periferik sinir sistemini zədələyən xroniki infeksion xəstəlikdir. Bu strukturlaşdırılmış narrativ icmal cüzam diaqnostikasında maşın öyrənməsi, dərin öyrənmə, kompüter görməsi, multimodal süni intellekt, teletibb və mobil sağlamlıq texnologiyalarının mövcud sübut səviyyəsini qiymətləndirir. Tədqiqat yeni AI modeli və ya yeni pasiyent məlumatı yaratmır; əvvəllər dərc edilmiş cüzama xas tədqiqatları, zərurət olduqda ümumi dermatologiya AI ədəbiyyatından gələn dolayı sübutdan ayıraraq araşdırır.

İcmalın əsas mesajı budur ki, AI cüzam diaqnostikasında ümidverici qərar dəstəyi aləti ola bilər, lakin mövcud sübutlar AI-nin mütəxəssis klinik qiymətləndirməsini əvəz etməsini dəstəkləmir. Tədqiqat şəraitində bəzi modellər yüksək dəqiqlik, həssaslıq, spesifiklik və ya AUC göstəriciləri bildirmişdir; lakin tədqiqatlar məlumat dəsti, pasiyent populyasiyası, təsvirin əldə edilməsi üsulu, hədəf tapşırıq və doğrulama forması baxımından bir-birindən əhəmiyyətli dərəcədə fərqlənir. Buna görə bildirilən performans göstəriciləri vahid “cüzam AI dəqiqliyi” kimi birləşdirilə bilməz.

Cüzama birbaşa yönəlmiş nümunələrdən birində de Souza və həmkarlarının klinik və epidemioloji qeydlərlə işləyən random forest əsaslı sistemi paucibacillary və multibacillary təsnifatında %92,38 dəqiqlik, %93,97 həssaslıq və %87,09 spesifiklik bildirmişdir. AI4Leprosy tədqiqatında dəri zədələnməsi fotoşəkillərini demoqrafik və klinik dəyişənlərlə birləşdirən multimodal sistem üçün %90 dəqiqlik və 0,9646 AUC bildirilmişdir. Dəri ilə əlaqəli beş müxtəlif diqqətdən kənarda qalan tropik xəstəliyi əhatə edən Yotsu və həmkarlarının təsvir tədqiqatında isə ümumi düzgün proqnoz nisbəti %70-dən yüksək olmuş və ResNet-50, VGG-16-dan daha yaxşı performans göstərmişdir. Son nəticə yalnız cüzama xas performans göstəricisi deyil.

Bu rəqəmləri birbaşa müqayisə etmək olmaz. Birinci tədqiqat strukturlaşdırılmış məlumatlarla əməliyyat PB/MB təsnifatını, ikincisi fotoşəkil və klinik məlumatlarla multimodal cüzam təsnifatını, üçüncüsü isə cüzam daxil olmaqla beş dəri xəstəliyinin təsvirlərdən fərqləndirilməsini qiymətləndirmişdir. Bundan əlavə, mənbə icmalın öz Cədvəl 1-ində bəzi doğrulama və model arxitekturası sahələri “verify in full text” və ya “architecture to verify” şəklində tamamlanmamış redaksiya yer tutucuları ehtiva etdiyinə görə, bu sahələr Verianla tərəfindən təxmin edilməmişdir.

İcmal cüzam diaqnostikasında təkbaşına kifayət qədər həssaslığa malik vahid laboratoriya testinin olmadığını vurğulayır. Klinik qiymətləndirmə slit-skin smear mikroskopiyası, histopatologiya, PCR/qPCR kimi molekulyar üsullar, seroloji testlər və biomarkerlərlə birlikdə istifadə oluna bilər. Xüsusilə paucibacillary (PB) xəstəlikdə bakterial yükün aşağı olması həm ənənəvi mikroskopiyanı, həm də erkən klinik diaqnozu çətinləşdirir.

AI-nin yaxın dövrdə ən mümkün rolu dəri zədələnməsi təsvirlərinin qiymətləndirilməsini dəstəkləmək, PB/MB əməliyyat təsnifatına kömək etmək, qeyri-müəyyən halları triaj etmək, təsvir keyfiyyətinə nəzarət etmək və mütəxəssisə çıxışın məhdud olduğu bölgələrdə teledermatoloji yönləndirməni asanlaşdırmaqdır. Bununla belə, geniş, yaxşı etiketlənmiş və fərqli populyasiyaları əhatə edən məlumat dəstlərinin azlığı; xarici doğrulamanın çatışmazlığı; dəri piqmentasiyası, demoqrafik təmsilçilik və təsviralma şəraitindən yarana biləcək alqoritmik qərəz; izah edilə bilmə və məlumat məxfiliyi problemləri rutin klinik istifadəni məhdudlaşdırır.

Mənbə həmçinin cüzama xas tədqiqatların dəri tonu alt qruplarına görə performans nəticələri təqdim etmədiyini xüsusi qeyd edir. Buna görə “AI tünd dəridə daha pis işləyir” və ya “dəri tonundan təsirlənmir” nəticələrinin heç biri bu icmalın cüzama xas məlumatları ilə sübut edilməyib. Bu risk ümumi dermatologiya AI ədəbiyyatından məntiqli narahatlıq kimi ortaya çıxır və cüzamda prospektiv alt qrup doğrulaması tələb edir.

Nəticə olaraq, tədqiqat süni intellekti və rəqəmsal sağlamlığı avtonom diaqnostika sistemi kimi deyil, klinisist, doğrulayıcı laboratoriya testi, teletibb və yönləndirmə sistemlərini bir-birinə bağlayan köməkçi təbəqə kimi mövqeləndirir.

Cüzam Diaqnostikasında Süni İntellektin Rolu Nədir?

Cüzam diaqnostikasında süni intellekt klinik fotoşəkillərdə və ya strukturlaşdırılmış klinik və epidemioloji məlumatlardakı nümunələrdən istifadə edərək zədələnmənin tanınması, əməliyyat təsnifatı, triaj və klinik qərar dəstəyinə kömək edə bilən hesablama əsaslı dəstək təbəqəsidir; mövcud cüzama xas sübut AI-nin klinisisti və doğrulayıcı diaqnostik üsulları əvəz etməsini deyil, onları tamamlamasını dəstəkləyir.

Cüzamın erkən diaqnozu niyə çətindir?

Cüzamın klinik görünüşü eyni tipli deyil. Dəridə hipopiqmentli və ya eritematoz sahələr, hissiyyat itkisi, periferik sinir zədələnməsi, motor pozğunluq, əzələ zəifliyi, tərləmənin azalması, quru dəri, düyünlər və ya daha geniş yayılmış dəri infiltrasiyası kimi müxtəlif əlamətlər meydana çıxa bilər. Bu dəyişkənlik, xüsusilə erkən xəstəlikdə, digər iltihabi və ya infeksion dəri xəstəlikləri ilə qarışdırılma riskini artırır.

Mənbənin vurğuladığı ikinci problem uzun inkubasiya müddətidir. Klinik əlamətlər infeksiyadan uzun müddət sonra ortaya çıxa bildiyi üçün erkən halların aşkar edilməsi çətinləşə bilər.

Üçüncü problem xəstəliyin bütün spektrində təkbaşına kifayət qədər həssaslıq təmin edən laboratoriya testinin olmamasıdır. Son diaqnostik qiymətləndirmə klinik əlamətlərin, bakterioloji müayinənin, histopatologiyanın, molekulyar üsulların və lazım gəldikdə immunoloji biomarkerlərin birlikdə qiymətləndirilməsinə əsaslana bilər.

Cüzam diaqnostikasında kardinal əlamətlər

İcmalda klinik diaqnozun əsasında üç əsas əlamət qrupu dayanır: hissiyyat itkisi ilə əlaqəli hipopiqmentli və ya eritematoz dəri zədələnmələri, hissi və ya motor pozğunluqla müşayiət olunan periferik sinir zədələnməsi və slit-skin smear müayinəsində turşuyadavamlı basillərin göstərilməsi.

Mənbədə bu əlamətlərdən hər hansı birinin avtomatik təsvir təsnifatı ilə tam əvəz edildiyi nəticəsi yoxdur. Xüsusilə hissiyyat müayinəsi və periferik sinirlərin qiymətləndirilməsi yalnız dəri fotoşəklindən birbaşa əldə edilə bilməyən klinik məlumatlardır.

Paucibacillary və Multibacillary Cüzam Arasındakı Fərq Niyə Vacibdir?

Paucibacillary (PB) və multibacillary (MB) cüzamın əməliyyat təsnifatında istifadə olunan iki qrupdur; bu icmalda PB xəstəlik xüsusilə vacibdir, çünki aşağı bakterial yük və daha zəif klinik əlamətlər mikroskopiya və digər diaqnostik yanaşmaların həssaslığını azaldaraq erkən diaqnozu çətinləşdirə bilər.

Paucibacillary xəstəlik

PB xəstəlikdə bakterial yükün aşağı olması klassik bakterioloji doğrulamanı çətinləşdirə bilər. Mənbə slit-skin smear mikroskopiyasının PB xəstəlikdə aşağı həssaslıq göstərə biləcəyini bildirir.

Bu vəziyyət AI baxımından da vacibdir. Əgər referens diaqnozun özü çətin əldə edilirsə, AI modelinin öyrədiləcəyi “düzgün etiket”lərin yaradılması da çətinləşir. Bu, Verianla-nın mənbə nəticələrindən çıxardığı metodoloji izahdır; mənbə yeni sayısal etiket səhvi nisbəti vermir.

Multibacillary xəstəlik

MB xəstəlik daha yüksək bakterial yüklə əlaqəli olduğundan, slit-skin smear kimi bakterioloji üsullar bu qrupda daha faydalı ola bilər. Mənbə slit-skin smear üsulunun MB xəstəliyin doğrulanmasında yüksək spesifikliyə malik olduğunu və bacterial index müəyyən etməyə imkan verdiyini bildirir.

Mənbə dəqiq PB/MB hədlərini verirmi?

İcmal PB və MB əməliyyat təsnifatından bəhs edir və Şəkil 1-də hər iki sinfi diaqnostik yolun bir mərhələsi kimi göstərir. Lakin bu məqalənin əsas mətni PB/MB üçün ətraflı sayısal zədələnmə və ya sinir hədlərini tədris xarakterli təsnifat cədvəli şəklində təqdim etmir. Buna görə Verianla mənbədə olmayan hədləri bu məqalənin nəticəsi kimi əlavə etmir.

Slit-skin smear mikroskopiyası nədir?

Slit-skin smear dəridən götürülən materialda turşuyadavamlı basillərin mikroskopik şəkildə araşdırıldığı bakterioloji qiymətləndirmədir. İcmal bu üsulun MB xəstəlikdə yüksək spesifiklik təmin etdiyini və bacterial index ölçülməsinə kömək etdiyini, lakin PB xəstəlikdə həssaslığın aşağı ola biləcəyini bildirir.

Performans uyğun nümunənin götürülməsindən və təcrübəli personaldan asılıdır. Buna görə yalnız üsulun texniki mövcudluğu deyil, tətbiqin keyfiyyəti də diaqnostik etibarlılığın bir hissəsidir.

Histopatologiya niyə istifadə olunur?

Dəri biopsiyasının histopatoloji müayinəsi qranulomatoz iltihab, periferik sinir zədələnməsi və basil paylanması kimi əlamətlər barədə tamamlayıcı məlumat verir. Ridley–Jopling təsnifatı kimi histopatoloji/klinik çərçivələrə də töhfə verə bilər.

Mənbə eyni zamanda erkən xəstəlikdə bəzi histopatoloji əlamətlərin spesifik olmaya biləcəyini və şərhin dermatopatologiya təcrübəsi tələb etdiyini bildirir.

PCR və qPCR nə təmin edir?

Polymerase chain reaction (PCR) və quantitative PCR (qPCR), Mycobacterium leprae DNA-sını birbaşa hədəfləyən molekulyar diaqnostika yanaşmalarıdır. Xüsusilə bakterial yükün aşağı olduğu və klassik mikroskopiyanın mənfi qala bildiyi PB hallarında diaqnostik dəstəyi artırmaq potensialına malikdirlər.

Lakin icmal PCR performansının klinik təsnifata, nümunə növünə, hədəf ardıcıllığa və üsul dizaynına görə dəyişə biləcəyini vurğulayır. Bundan əlavə, molekulyar üsullar texniki infrastruktur və xərc tələb etdiyinə görə bütün endemik bölgələrdə rutin olaraq əlçatan deyil.

LAMP nədir?

Mənbə Şəkil 1-də LAMP-ı molekulyar diaqnostika mərhələlərindən biri kimi göstərir. LAMP, “loop-mediated isothermal amplification” ifadəsinin qısaltmasıdır və hədəf nuklein turşusunun sabit temperatur şəraitində çoxaldılmasına əsaslanan molekulyar amplifikasiya yanaşmasıdır. Bu izah anlayışı öyrətmək üçündür; icmal LAMP üçün müstəqil performans məlumatı və ya yeni təcrübə bildirmir.

Anti-PGL-I serologiyasının məhdudiyyəti nədir?

Phenolic glycolipid-I (PGL-I) antigeninə qarşı anticisimləri hədəfləyən seroloji üsullar halların aşkarlanması və ya təmaslı şəxslərdə risk təsnifatı üçün araşdırılmışdır. Lakin anticisim cavabının bakterial yüklə əlaqəli olması PB xəstəlikdə həssaslığı məhdudlaşdıra bilər.

İcmalın mühüm nəticəsi budur ki, hazırkı vəziyyətdə heç bir biomarker cüzamın bütün klinik spektrində kifayət qədər dəqiq təkbaşına diaqnostik test deyil.

AI diaqnostik axının harasında yerləşir?

Mənbə AI-ni klinik şübhədən sonrakı bütün diaqnostika prosesini əvəz edən vahid “avtomatik diaqnoz qutusu” kimi təsvir etmir. AI daha çox təsvir analizi, əməliyyat təsnifatı, klinik qərar dəstəyi, triaj və yönləndirmə proseslərinə kömək edə biləcək təbəqədir.

Bu fərq xüsusilə vacibdir, çünki cüzamda hissiyyat müayinəsi, periferik sinirlərin qiymətləndirilməsi, bakterioloji müayinə və molekulyar doğrulama kimi fotoşəkildən asılı olmayan məlumatlar da diaqnostika prosesinin hissələridir.

Teletibb və mobil sağlamlıq nə təmin edə bilər?

Smartfonla təsvir əldə edilməsi, teledermatologiya və mobil sağlamlıq alətləri mütəxəssis həkimə fiziki çıxışın məhdud olduğu bölgələrdə şübhəli halların məsafədən qiymətləndirilməsinə kömək edə bilər.

İcmal WHO Skin NTD mobil tətbiqini bu kontekstdə rəqəmsal sağlamlıq nümunələrindən biri kimi nəzərdən keçirir. Potensial istifadə sahələrinə məsafədən məsləhətləşmə, halların prioritetləşdirilməsi, epidemioloji nəzarət, təmaslıların izlənməsi və müalicənin monitorinqi daxildir.

Bununla belə, tətbiqin mövcudluğu klinik effektivliyin və ya cüzama xas AI dəqiqliyinin avtomatik sübutu deyil. Real tətbiqdə oflayn işləmə, istifadəyə yararlılıq, xərc, məlumat paylaşımı, sistemlərarası uyğunluq və yönləndirmə zəncirinin tamamlanması da qiymətləndirilməlidir.

Accuracy, Sensitivity, Specificity və AUC Necə Şərh Edilməlidir?

Accuracy bütün düzgün təsnifatların ümumi nisbətini, sensitivity həqiqi pozitiv halların nə qədərinin aşkarlandığını, specificity həqiqi neqativlərin nə qədərinin düzgün şəkildə istisna edildiyini, AUC isə müxtəlif qərar hədlərində həssaslıqla yalnış pozitiv nisbəti arasındakı ayırdetmə performansını ümumiləşdirir; bu metriklərin yüksək olması faydalı olsa da, müstəqil xarici doğrulamanı və klinik tətbiqolunmanı əvəz etmir.

TP, TN, FP və FN nə deməkdir?

• TP — True Positive: Həqiqətən pozitiv olan və modelin pozitiv təsnif etdiyi nümunə.
• TN — True Negative: Həqiqətən neqativ olan və modelin neqativ təsnif etdiyi nümunə.
• FP — False Positive: Həqiqətən neqativ olduğu halda modelin pozitiv təsnif etdiyi nümunə.
• FN — False Negative: Həqiqətən pozitiv olduğu halda modelin neqativ təsnif etdiyi nümunə.

Mühüm qeyd: Aşağıdakı tənliklər mənbə məqalənin orijinal tənlikləri deyil. Mənbədə bildirilən performans metriklərinin nə ifadə etdiyini öyrətmək üçün verilmiş standart konseptual təriflərdir.

Accuracy — dəqiqlik

Accuracy bütün nümunələrin nə qədərinin düzgün təsnif edildiyini göstərir. Lakin siniflər çox balanssızdırsa, yüksək accuracy yanıltıcı ola bilər. Məsələn, neqativ nümunələr çoxdursa, model əksəriyyəti düzgün proqnozlaşdıraraq yüksək accuracy əldə edə bilər, lakin pozitiv xəstələri kifayət qədər aşkar etməyə bilər.

Sensitivity — həssaslıq

Həssaslıq həqiqətən xəstəliyə və ya hədəf sinfə malik nümunələrin nə qədərinin model tərəfindən aşkarlandığını göstərir. Diaqnostikada aşağı həssaslıq həqiqi xəstələrin əhəmiyyətli hissəsinin gözdən qaçması demək ola bilər.

Specificity — spesifiklik

Spesifiklik həqiqətən neqativ olan nümunələrin nə qədərinin düzgün şəkildə neqativ təsnif edildiyini göstərir. Aşağı spesifiklik çox sayda yalnış pozitiv yönləndirməyə səbəb ola bilər.

AUC nədir?

AUC ROC əyrisinin altında qalan sahəni ifadə edir. ROC əyrisi müxtəlif qərar hədləri boyunca true-positive rate ilə false-positive rate arasındakı əlaqəni göstərir. AUC-nin 1-ə yaxınlaşması modelin qiymətləndirilən məlumat dəstində sinifləri ayırmaq qabiliyyətinin artdığını göstərir.

Lakin AUC-nin yüksək olması modelin bütün klinik hədlərdə eyni dərəcədə faydalı olduğu demək deyil. Bundan əlavə, eyni model yeni xəstəxanalarda, fərqli kamera sistemlərində və ya başqa populyasiyalarda daha aşağı performans göstərə bilər.

Xarici doğrulama nə deməkdir?

Xarici doğrulama modelin hazırlanması zamanı istifadə olunmamış müstəqil populyasiyada və ya məlumat dəstində sınanmasıdır. Bu test modelin yalnız təlim mərkəzinin xüsusiyyətlərini və ya məlumat toplama vərdişlərini əzbərləyib-əzbərləmədiyini anlamağa kömək edir.

İcmalda xarici doğrulamanın çatışmazlığı cüzam AI ədəbiyyatının əsas məhdudiyyətlərindən biri kimi vurğulanır.

Prospektiv doğrulama niyə daha güclüdür?

Prospektiv doğrulamada model əvvəlcədən hazırlanır və sonra real klinik axında qarşıya çıxan yeni hallarda qiymətləndirilir. Bu quruluş retrospektiv məlumat dəstlərindən fərqli olaraq məlumat toplama, istifadəçi davranışı, yönləndirmə prosesi və klinik qərar kimi real tətbiq elementlərini daha yaxşı təmsil edə bilər.

Ümumi Dermatologiya AI Nəticələri Cüzama Birbaşa Tətbiq Edilə Bilərmi?

Xeyr. İcmal ümumi dermatologiyadakı güclü AI nəticələrindən yalnız insan–AI əməkdaşlığının mümkünlüyünə dair dolayı sübut kimi istifadə edir; cüzama xas dermatoloq–AI head-to-head tədqiqatları kifayət qədər qurulmadığından melanoma və ya başqa dəri xəstəliklərində əldə edilən performans artımları cüzam diaqnostikası üçün kəmiyyətcə istifadə edilə bilməz.

PanDerm nümunəsi niyə dolayı sübutdur?

Məqalə 2025-ci il tarixli geniş dermatologiya qiymətləndirməsindən PanDerm adlı multimodal foundation model üçün erkən melanoma aşkarlanmasında klinisistlərlə müqayisədə %10,2 fərq, dermoskopik dəri xərçəngi təsnifatında klinisist dəqiqliyində %11 artım və 128 dəri xəstəliyinin differensial diaqnostikasında dermatoloq olmayan klinisistlərin performansında %16,5 artım bildirildiyini çatdırır.

Lakin PanDerm cüzam üçün doğrulanmış model deyil. Bu rəqəmlər cüzam diaqnostikasının performans proqnozu kimi istifadə edilə bilməz.

Bundan əlavə, mənbə mətni PanDerm nəticələrini [19] nömrəli istinadla verdiyi halda, ədəbiyyat siyahısında [19] Moor və həmkarlarının 2023-cü il foundation-model məqaləsidir; PanDerm ilə əlaqəli 2025-ci il Nature Medicine qeydi [21] kimi siyahıya alınıb. Verianla bu mənbədaxili nömrələmə uyğunsuzluğunu səssizcə düzəltmir.

AI Mütəxəssis Həkimi Əvəz Edə Bilərmi?

Bu icmala görə xeyr; mövcud cüzam sübutu AI-ni mütəxəssis qiymətləndirməsini əvəz edən avtonom diaqnostika sistemi kimi deyil, klinik qərar dəstəyi, triaj, əməliyyat təsnifatı və mütəxəssis yardımına çıxışı asanlaşdıran köməkçi texnologiya kimi dəstəkləyir.

Avtonom diaqnostika üçün sübut niyə kifayət deyil?

Birincisi, mövcud cüzama xas tədqiqatların sayı və məlumat müxtəlifliyi məhduddur. İkincisi, tədqiqat tapşırıqları bir-birindən fərqlidir: bəzi modellər PB/MB təsnifatı, bəziləri cüzam təsnifatı, bəziləri isə bir neçə dəri xəstəliyinin fərqləndirilməsi problemi üzərində işləyir.

Üçüncüsü, xarici və prospektiv doğrulama məhduddur. Modelin öz inkişaf məlumat dəstindəki yüksək performansı başqa coğrafiyada, başqa kamera cihazında və ya başqa klinik praktikada eyni nəticəni təmin etmir.

Dördüncüsü, cüzam diaqnostikasında yalnız vizual məlumat yoxdur. Hissiyyat itkisi, periferik sinir zədələnməsi, bakterioloji nəticələr, histopatologiya və molekulyar tapıntılar kimi müxtəlif məlumat növlərinin klinik olaraq birlikdə şərh edilməsi lazımdır.

Automation bias nədir?

Automation bias səhiyyə işçisinin avtomatlaşdırılmış sistemin tövsiyəsinə həddindən artıq etibar edərək öz klinik qiymətləndirməsini ikinci plana keçirməsi riskidir. İcmal gələcək insan–AI oxucu tədqiqatlarında AI-nin ön xətdə çalışan səhiyyə işçilərinin performansını artırıb-artırmadığının, eyni zamanda automation bias yaradıb-yaratmadığının qiymətləndirilməsini tövsiyə edir.

Alqoritmik qərəz dəri piqmentasiyası ilə əlaqəli ola bilərmi?

Ola bilər; lakin mənbə burada çox ehtiyatlı sərhəd qoyur. Dəri rəngi və piqmentasiya təsvir əsaslı modellərdə distribution shift və fərqli performans üçün mümkün mənbədir. Bununla belə, icmaldakı cüzama xas ilkin tədqiqatlar dəri tonuna görə ayrılmış performans nəticələri təqdim etmir.

Buna görə mövcud cüzam məlumatları piqmentasiyadan qaynaqlanan performans bərabərsizliyinin baş verdiyini də, baş vermədiyini də göstərmir. Bu məsələ fərqli endemik populyasiyalarda prospektiv alt qrup qiymətləndirilməsi tələb edir.

Explainable AI niyə vacibdir?

İzah edilə bilən AI modelin hansı tapıntıya və ya məlumat nümunəsinə əsaslanaraq müəyyən tövsiyə yaratdığının klinisist tərəfindən daha yaxşı başa düşülməsini hədəfləyir. Səhiyyə tətbiqlərində bu xüsusiyyət yalnız texniki maraq deyil, etimad, səhv araşdırması, pasiyent təhlükəsizliyi və tənzimləyici nəzarət baxımından əhəmiyyət daşıyır.

Mənbə şəffaf model inkişafı, izah edilə bilmə, fairness, pasiyent məxfiliyi, məlumatlandırılmış razılıq, təhlükəsiz məlumat idarəçiliyi və klinik nəzarəti etibarlı AI üçün zəruri sahələr arasında göstərir.

Tədqiqatın Metodu və Nəticələri

İcmal necə aparılıb?

Müəlliflər tədqiqatı “structured narrative review” kimi təsvir edirlər. PubMed/MEDLINE əsas biblioqrafik məlumat bazası kimi istifadə edilmişdir.

PubMed axtarışında cüzam tərəfdə “leprosy”, “Hansen disease” və ya “Mycobacterium leprae”; texnologiya tərəfdə isə “artificial intelligence”, “machine learning”, “deep learning”, “convolutional neural network”, “computer vision”, “foundation model”, “digital health”, “telemedicine”, “mobile health” və ya “clinical decision support” terminləri birləşdirilmişdir.

Axtarış sonuncu dəfə 17 avqust 2026-da yenilənmişdir. Bundan əlavə, nəşriyyat saytlarında və WHO mənbələrində cüzam diaqnostikası və rəqəmsal sağlamlıq tətbiqlərinə dair hədəfli axtarışlar aparılmış; uyğun icmalların və ilkin tədqiqatların ədəbiyyat siyahıları əlavə nəşrlər üçün araşdırılmışdır.

Molekulyar diaqnostika, biomarkerlər, xarici doğrulama, alqoritmik qərəz və insan–AI diaqnostik müqayisələri üçün də əlavə hədəfli axtarışlar aparılmışdır.

Hansı nəşrlərə üstünlük verildi?

Cüzamda AI və ya rəqəmsal sağlamlıq tətbiqini birbaşa qiymətləndirən resenziyalı ilkin tədqiqatlara üstünlük verilmişdir. İlkin sübutun az olduğu sahələrdə sistematik və ya scoping icmalları və səlahiyyətli təlimatlar istifadə edilmişdir.

Diaqnostik təsnifat, əməliyyat təsnifatı, təsvir analizi, teledermatologiya, klinik qərar dəstəyi, molekulyar/biomarker inteqrasiyası, xarici doğrulama və ya tətbiq problemlərini araşdıran tədqiqatlar uyğun hesab edilmişdir.

Daha köhnə tədqiqatlar yalnız cüzam teletibb və ya məsafədən diaqnostika sahəsində əsas sübut yaradırdısa saxlanılmışdır.

Niyə meta-analiz aparılmadı?

Müəlliflər tədqiqatlar arasında klinik tapşırıqların, məlumat dəstlərinin, nəticə təriflərinin və performans metriklərinin əhəmiyyətli dərəcədə fərqləndiyini bildirirlər. Bu heterogenlik səbəbilə kəmiyyət meta-analizi uyğun sayılmamış və tapıntılar narrativ şəkildə sintez edilmişdir.

Bu qərar eyni zamanda fərqli model metriklərinin birbaşa vahid birləşdirilmiş performans rəqəminə çevrilməməli olduğunu göstərir.

Cüzama birbaşa tətbiq edilmiş AI tədqiqatlarının müqayisəsi

de Souza və həmkarlarının modeli nə etdi?

Bu tədqiqat cüzamlı pasiyentləri yalnız fotoşəklə baxaraq birbaşa diaqnoz etməyə çalışmaqdan fərqli tapşırığı araşdırmışdır. Məqsəd klinik və epidemioloji qeydlərdən istifadə etməklə paucibacillary və multibacillary əməliyyat təsnifatına kömək etməkdir.

Random forest bir neçə qərar ağacını birləşdirən və hər ağacın nəticəsindən kollektiv təsnifat yaradan maşın öyrənməsi yanaşmasıdır. Burada mənbə icmal modelin ətraflı hiperparametrlərini və ya bütün məlumat ön emal addımlarını yenidən təqdim etmir.

Bildirilən %92,38 accuracy, %93,97 sensitivity və %87,09 specificity ümidverici tədqiqat performansıdır. Lakin bu dəyərlərin başqa ölkələrdə və ya müstəqil klinik axınlarda eyni şəkildə ortaya çıxacağı nəticəsini çıxarmaq olmaz.

AI4Leprosy niyə multimodaldır?

AI4Leprosy tədqiqatı yalnız dəri fotoşəklindən istifadə etmək əvəzinə klinik təsviri demoqrafik və klinik dəyişənlərlə birləşdirmişdir. Buna görə mənbə tərəfindən multimodal AI tədqiqatı kimi nəzərdən keçirilir.

Mənbə icmal 222 iştirakçıdan 1229 dəri təsviri və 585 metadata dəsti bildirir, model üçün %90 accuracy və 0,9646 AUC verir.

Lakin mənbə Cədvəl 1 model arxitekturasını qəti şəkildə göstərmək əvəzinə “architecture to verify” ifadəsini saxlamışdır. Buna görə Verianla modelin CNN qatlarını, optimizer-ini, loss funksiyasını və ya başqa texniki arxitektura təfərrüatlarını mənbədə doğrulanmamış şəkildə tamamlamır.

Yotsu və həmkarlarının nəticəsi niyə ehtiyatla oxunmalıdır?

Yotsu və həmkarlarının tədqiqatı yalnız cüzamdan ibarət məlumat dəstini təsnif etməyib. Dəri ilə əlaqəli beş fərqli neglected tropical disease sinfindən 506 pasiyentə aid ümumilikdə 1709 təsvir istifadə edilib.

Mənbə icmal “%70-dən yüksək düzgün proqnoz” nəticəsini bütün çoxsinifli tapşırıq üçün verir. Bu nisbəti “cüzam diaqnostikasında %70-dən yüksək dəqiqlik” kimi yenidən yazmaq elmi baxımdan düzgün deyil.

Üç tədqiqatın performansı niyə sıralanmamalıdır?

%92,38, %90 və %70-dən yüksək dəyərləri yanaşı qoyaraq “birinci model ən yaxşıdır” şəklində sıralamaq uyğun deyil. Modellər fərqli tapşırıqları, fərqli populyasiyaları və fərqli məlumat növlərini qiymətləndirib.

Bundan əlavə, accuracy, sensitivity, specificity və AUC eyni performans anlayışı deyil. Bir modelin AUC dəyəri başqa modelin accuracy dəyəri ilə birbaşa kəmiyyət üstünlüyü müqayisəsinə daxil edilə bilməz.

Foundation model yanaşması cüzamda doğrulanıbmı?

Xeyr. Mənbə böyük multimodal foundation modellərin gələcəkdə klinik fotoşəkil, dermoskopiya, histopatologiya, mətn və strukturlaşdırılmış klinik məlumatı eyni təmsildə birləşdirmək potensialından bəhs edir.

Lakin cüzama xas foundation modelin klinik faydasının hələ göstərilmədiyini açıq şəkildə bildirir.

Gələcəkdə təklif olunan multimodal məlumat inteqrasiyası

Mənbə gələcəkdə standartlaşdırılmış dəri fotoşəkillərinin hissiyyat tapıntıları, periferik sinir qiymətləndirilməsi, molekulyar testlər, sahib orqanizmin cavab biomarkerləri və uzunmüddətli izləmə məlumatları ilə birləşdirilə biləcəyini müzakirə edir.

Bu struktur hazırda doğrulanmış klinik alət deyil. Müəlliflər əlavə məlumat növlərinin həqiqətən klinisist təkbaşına və ya daha sadə modellərlə müqayisədə daha çox fayda verib-vermədiyinin prospektiv şəkildə ölçülməsini zəruri hesab edirlər.

PCR/qPCR və AI inteqrasiyasının potensialı

Molekulyar testlər morfoloji dəri görünüşündən fərqli məlumat təbəqəsi təmin edir. Xüsusilə bakterial yükün aşağı olduğu PB xəstəlikdə təsvir və klinik məlumatlara molekulyar sübutun əlavə edilməsi nəzəri olaraq diaqnostik qeyri-müəyyənliyi azalda bilər.

İcmal bu yanaşmanı araşdırılması lazım olan gələcək istiqamət kimi müəyyən edir. İnteqrə olunmuş sistemlərin diaqnostik səmərəliliyi, diaqnoza qədər keçən müddəti, xəstəliyin irəliləmə proqnozunu və ya təmaslılarda risk təsnifatını həqiqətən yaxşılaşdırdığı hələ prospektiv şəkildə göstərilməyib.

Rəqəmsal sağlamlıq sistemləri hansı real həyat göstəriciləri ilə qiymətləndirilməlidir?

Mənbə yalnız accuracy və ya AUC-nin kifayət etmədiyini vurğulayır. Tətbiq tədqiqatlarında istifadəyə yararlılıq, oflayn işləmə qabiliyyəti, sistemlərarası qarşılıqlı işləkliyə uyğunluq, xərc-effektivlik, yönləndirmənin tamamlanması, müalicəyə qədər keçən müddət və bərabərlik kimi real səhiyyə göstəriciləri də qiymətləndirilməlidir.

Tədqiqatın güclü tərəfləri

• Cüzama xas AI sübutunu ümumi dermatologiya AI sübutundan aydın şəkildə ayırır.
• Diaqnostikanı yalnız təsvir təsnifatı kimi deyil, klinik, bakterioloji, histopatoloji və molekulyar təbəqələrlə birlikdə qiymətləndirir.
• PB xəstəliyin aşağı bakterial yükə bağlı xüsusi diaqnostik çətinliyini görünən edir.
• Model performansını yalnız accuracy ilə qiymətləndirmir; xarici doğrulama, calibration və alt qrup performansını da gündəmə gətirir.
• Dəri piqmentasiyası və demoqrafik təmsilçilik kimi fairness problemlərini müzakirə edir.
• Teletibb, mobil sağlamlıq və yönləndirmə zəncirini AI müzakirəsinə daxil edir.
• AI-nin mütəxəssis həkimi əvəz etməyə deyil, qərar dəstəyinə yönəlməli olduğunu aydın şəkildə bildirir.

Tədqiqatın məhdudiyyətləri

• Tədqiqat narrativ icmaldır; sistematik meta-analiz deyil.
• PubMed/MEDLINE əsas məlumat bazasıdır; əhatə bütün elmi məlumat bazalarını tam şəkildə tarayan formal sistematik icmal səviyyəsində deyil.
• Daxil edilən tədqiqatlar tapşırıq, məlumat növü və performans göstəricisi baxımından heterogendir.
• Cüzama xas ilkin AI tədqiqatlarının sayı məhduddur.
• Müstəqil xarici və prospektiv doğrulama ümumilikdə yetərsizdir.
• Cədvəl 1-də “verify in full text”, “architecture to verify” və “denominator to verify” kimi tamamlanmamış redaksiya ifadələri vardır.
• İcmal dəri tonuna görə ayrılmış cüzama xas AI performans məlumatı təqdim etmir.
• Ümumi dermatologiyadan gələn PanDerm nəticələri cüzama birbaşa tətbiq edilə bilməz.
• PanDerm paraqrafındakı istinad nömrəsi ilə ədəbiyyat siyahısındakı müvafiq qeyd arasında mənbədaxili uyğunluq problemi vardır.
• Tədqiqat yeni AI modeli hazırlamır və ya yeni pasiyent kohortunda prospektiv doğrulama aparmır.
• Performans metrikləri üçün bütün tədqiqatlarda ortaq etibarlılıq intervalları və ya ortaq xəta ölçüləri verilməyib.
• Model calibration dəyərləri bütün ilkin tədqiqatlar üçün kəmiyyətcə bildirilməyib.
• İqtisadi tətbiqolunma və real klinik yönləndirmə nəticələri hələ kifayət qədər doğrulanmayıb.

Tədqiqatın dəstəklədiyi və dəstəkləmədiyi nəticələr

Gələcək tədqiqat prioritetləri

Müəlliflər çoxmərkəzli əməkdaşlıqları, standartlaşdırılmış klinik məlumat dəstlərini, prospektiv xarici doğrulamanı, şəffaf hesabatlılığı və izah edilə bilən AI-ni əsas prioritetlər arasında göstərirlər.

Fərqli dəri piqmentasiyalarında, fərqli endemik populyasiyalarda və fərqli səhiyyə mühitlərində alt qrup performansının ayrıca qiymətləndirilməsi fairness baxımından zəruridir.

AI modellərində yalnız discrimination deyil, calibration və uncertainty estimation da qiymətləndirilməlidir. Modelin düzgün proqnoz nisbəti qədər, nə zaman qeyri-müəyyən olduğunu etibarlı şəkildə göstərə bilməsi də klinik təhlükəsizlik baxımından vacibdir.

Prospektiv human–AI reader studies AI təkbaşına, klinisist təkbaşına və AI dəstəkli klinisist performansını müqayisə etməklə sistemin real töhfəsini ölçməlidir.

Son məqsəd AI-nin pasiyenti birbaşa avtomatik şəkildə “pozitiv/neqativ” elan etdiyi ayrılmış alət deyil; şübhəli halı uyğun doğrulayıcı testə və mütəxəssis yardımına bağlayan təhlükəsiz klinik qərar dəstəyi sistemi olmasıdır.

İcmalın əsas elmi nəticəsi

Bu icmalın əsas nəticəsi “AI cüzamı insanlardan daha yaxşı diaqnoz edir” deyil. Mövcud cüzama xas tədqiqatlar tədqiqat şəraitində ümidverici performans göstərir; lakin məlumat dəstləri kiçik və ya məhdud, tapşırıqlar heterogen, müstəqil prospektiv doğrulama isə yetərsizdir.

Ən müdafiəolunan yanaşma AI-nin dəri təsvirindən, klinik məlumatdan və rəqəmsal sağlamlıq axınlarından istifadə edərək ön xətdə çalışan səhiyyə işçilərini dəstəkləməsi; qeyri-müəyyən və ya şübhəli halları doğrulayıcı laboratoriya üsullarına və mütəxəssis klinik qiymətləndirməsinə yönləndirməsidir.

Mənbə və Metod Qeydi

Orijinal başlıq: Artificial Intelligence and Digital Health in the Diagnosis of Leprosy: Current Advances and Future Perspectives

Müəlliflər: Gerardo Rivera; Raúl Rubio; Luis Rodríguez; Josefina Rodríguez; Augusto Salinas; David Orozco; Francisco González; María Moreno.

Məsul müəllif: María Moreno.

Bərabər töhfə: Mənbədə bərabər birinci müəlliflik və ya bərabər töhfə bəyanı göstərilməyib.

Qurum 1: Academic Department and Cardiovascular Tissue Bank, Faculty of Medicine, University of Monterrey (UDEM), Monterrey, Nuevo Leon, Mexico.

Qurum 2: Center for Interdisciplinary Studies and Research, Autonomous University of Coahuila (UAdeC), Saltillo, Coahuila, Mexico.

Qurum 3: Mexican Social Security Institute (IMSS), Monterrey, Nuevo Leon, Mexico.

Jurnal: Acta Microbiologica Hellenica.

Nəşriyyat: Hellenic Society for Microbiology adından MDPI.

Mənbə növü: Review; müəlliflərin metod təsviri ilə structured narrative review.

Biblioqrafik qeyd: Acta Microbiologica Hellenica, 2026, 71(4), Article 44.

DOI: 10.3390/amh71040044

Rəsmi keçid: DOI 10.3390/amh71040044 vasitəsilə nəşriyyat qeydi.

Nəşr zaman xətti: Received: 31 avqust 2026; Revised: 16 oktyabr 2026; Accepted: 20 oktyabr 2026; Published: 22 oktyabr 2026.

Academic Editor: Tomislav S. Kostyanev.

Rəyçilik statusu: Nəşr edilmiş Review; Acta Microbiologica Hellenica resenziyalı, açıq girişli tibbi mikrobiologiya jurnalıdır.

Lisenziya: Creative Commons Attribution (CC BY).

Preprint statusu: Araşdırılan mənbə nəşr edilmiş jurnal versiyasıdır; mənbədə ayrıca preprint identifikatoru göstərilməyib.

Ədəbiyyat axtarışı üsulu: PubMed/MEDLINE əsas məlumat bazası; nəşriyyat saytlarında və WHO mənbələrində hədəfli axtarış; uyğun tədqiqatların ədəbiyyat siyahısının yoxlanması; molekulyar diaqnostika, biomarkerlər, xarici doğrulama, alqoritmik qərəz və insan–AI müqayisələri üçün əlavə hədəfli axtarışlar.

Son axtarış yeniləməsi: 17 avqust 2026.

Meta-analiz: Aparılmayıb. Müəlliflər tədqiqat tapşırıqları, məlumat dəstləri, nəticə tərifləri və performans metriklərindəki heterogenlik səbəbilə kəmiyyət meta-analizinin uyğun olmadığını bildiriblər.

Yeni eksperimental məlumat: Yoxdur.

Yeni AI modeli: Yoxdur.

Mənbədə nömrələnmiş elmi tənlik: Yoxdur. Accuracy, sensitivity və specificity tənlikləri Verianla-da yalnız mənbədə istifadə olunan metriklərin tədris xarakterli izahı kimi verilib.

Əsas cüzam-AI tədqiqatları: de Souza və b. (2021), Barbieri və b. / AI4Leprosy (2022) və Yotsu və b. (2023).

Mənbə Cədvəl 1 redaksiya qeydi: Bəzi hüceyrələrdə “denominator to verify”, “architecture to verify” və “verify in full text” ifadələri dərc edilmiş mənbədə görünür. Bu sahələr Verianla tərəfindən təxmin edilərək doldurulmayıb.

PanDerm istinad qeydi: Məqalə PanDerm performans paraqrafında [19] nömrəsindən istifadə edir; ədəbiyyat siyahısında [19] Moor və b. (2023), PanDerm ilə birbaşa əlaqəli 2025-ci il Nature Medicine qeydi isə [21] Yan və b. kimi görünür. Bu mənbədaxili istinad uyğunluğu səssizcə dəyişdirilməyib.

IRB: Tətbiq edilmir; tədqiqat əvvəllər dərc edilmiş və açıq əlçatan ədəbiyyatın narrativ icmalıdır.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almayıb.

Məlumatların əlçatanlığı: Metod bölməsi təhlil edilən məlumatların istinad olunan nəşrlərdə olduğunu bildirdiyi halda, son Data Availability Statement məqalənin nəticələrini dəstəkləyən xam məlumatların müəlliflərdən sorğu əsasında təqdim ediləcəyini bildirir. Verianla hər iki bəyanı dəyişdirmədən qeydə alır.

Maraqların toqquşması: Müəlliflər maraqların toqquşması bildirməyiblər.

Conceptualization: María Moreno və Gerardo Rivera.

Methodology: Gerardo Rivera, María Moreno və Luis Rodríguez.

Software: Raúl Rubio və Augusto Salinas.

Validation: Gerardo Rivera, Josefina Rodríguez və David Orozco.

Formal analysis: Gerardo Rivera, María Moreno və Francisco González.

Investigation: Gerardo Rivera, María Moreno, Raúl Rubio, Luis Rodríguez, Josefina Rodríguez, Augusto Salinas, David Orozco və Francisco González.

Resources: María Moreno və Francisco González.

Data curation: Gerardo Rivera, Luis Rodríguez və Josefina Rodríguez.

Writing — original draft: Gerardo Rivera və María Moreno.

Writing — review & editing: María Moreno, Gerardo Rivera, Raúl Rubio, Luis Rodríguez, Josefina Rodríguez, Augusto Salinas, David Orozco və Francisco González.

Visualization: Gerardo Rivera və David Orozco.

Supervision: María Moreno və Raúl Rubio.

Project administration: María Moreno.

Funding acquisition: María Moreno.

Acknowledgment qeydi: Mənbə müəlliflərin çıxışı nəzərdən keçirib redaktə etdiklərini və nəşr olunan məzmuna görə məsuliyyət daşıdıqlarını bildirir; konkret süni intellekt aləti və ya istifadə təfərrüatı mənbədə ayrıca adlandırılmayıb.

Əsas şərh sərhədi: Cüzama xas AI modellərindəki tədqiqat performansı real dünya klinik effektivliyinin və ya mütəxəssis həkimi əvəz edə bilmənin sübutu deyil. Ümumi dermatologiya AI nəticələri cüzama kəmiyyətcə köçürülməməlidir.