Пес оорусу (лепра, Гансен оорусу) негизинен Mycobacterium leprae жана сейрек учурда Mycobacterium lepromatosis менен байланышкан, өзгөчө терини жана перифериялык нерв системасын жабыркаткан өнөкөт жугуштуу оору. Бул түзүмдөштүрүлгөн нарративдик обзор пес оорусун аныктоодо машиналык үйрөнүү, терең үйрөнүү, компьютердик көрүү, мультимодалдык жасалма интеллект, телемедицина жана мобилдик саламаттык технологиялары боюнча учурдагы далил деңгээлин баалайт. Изилдөө жаңы AI моделин же жаңы бейтап маалыматтарын түзбөйт; мурда жарыяланган пес оорусуна түз тиешелүү изилдөөлөрдү, зарыл учурда жалпы дерматологиядагы AI адабиятынан алынган кыйыр далилдерден бөлүп карайт.

Обзордун негизги билдирүүсү — AI пес оорусун аныктоодо үмүт жараткан чечимди колдоо куралы болушу мүмкүн, бирок учурдагы далилдер AI адистин клиникалык баалоосунун ордун басышын колдобойт. Изилдөө шарттарында айрым моделдер жогорку accuracy, sensitivity, specificity же AUC көрсөткүчтөрүн билдирген; бирок изилдөөлөр маалымат топтому, бейтап популяциясы, сүрөттү алуу ыкмасы, максаттуу тапшырма жана валидация формасы боюнча бири-биринен олуттуу айырмаланат. Ошондуктан билдирилген көрсөткүчтөрдү бир эле “пес оорусу AI тактыгы” катары бириктирүүгө болбойт.

Пес оорусуна түз багытталган мисалдардын биринде de Souza жана кесиптештеринин клиникалык жана эпидемиологиялык жазуулар менен иштеген random forest негизиндеги системасы paucibacillary жана multibacillary классификациясында %92,38 accuracy, %93,97 sensitivity жана %87,09 specificity көрсөткөнүн билдирген. AI4Leprosy изилдөөсүндө тери жабыркоосунун сүрөттөрүн демографиялык жана клиникалык өзгөрмөлөр менен бириктирген мультимодалдык система үчүн %90 accuracy жана 0,9646 AUC маалымдалган. Териге байланышкан беш neglected tropical disease камтылган Yotsu жана кесиптештеринин сүрөт изилдөөсүндө болсо жалпы туура божомол көрсөткүчү %70тен жогору болуп, ResNet-50 VGG-16га караганда жакшыраак иштеген. Акыркы жыйынтык жалгыз пес оорусуна тиешелүү көрсөткүч эмес.

Бул сандарды түз салыштырууга болбойт. Биринчи изилдөө түзүмдөштүрүлгөн маалыматтар менен операциялык PB/MB классификациясын, экинчиси сүрөттөр жана клиникалык маалыматтар менен мультимодалдык пес оорусу классификациясын, үчүнчүсү болсо пес оорусу кошулган беш тери оорусун сүрөттөрдөн айырмалоону баалаган. Мындан тышкары, булак обзордун өзүндөгү 1-таблицада айрым валидация жана модель архитектурасы талаалары “verify in full text” же “architecture to verify” деген аяктай элек редакциялык толтургучтарды камтыгандыктан, бул талаалар Verianla тарабынан божомол менен толтурулган эмес.

Обзор пес оорусун аныктоодо жалгыз өзү жетиштүү sensitivity бере турган бир да лабораториялык тест жок экенин баса белгилейт. Клиникалык баалоо slit-skin smear микроскопиясы, гистопатология, PCR/qPCR сыяктуу молекулалык ыкмалар, серологиялык тесттер жана биомаркерлер менен бирге колдонулушу мүмкүн. Өзгөчө paucibacillary (PB) ооруда бактериялык жүктүн төмөн болушу салттуу микроскопияны да, эрте клиникалык диагнозду да кыйындатат.

AIнин жакынкы мезгилдеги эң ыктымал ролу — тери жабыркоосунун сүрөттөрүн баалоону колдоо, PB/MB операциялык классификациясына жардам берүү, белгисиз учурларды триаж кылуу, сүрөт сапатын көзөмөлдөө жана адиске жетүү чектелген аймактарда теледерматологиялык багыттоону жеңилдетүү. Ошол эле учурда чоң, жакшы белгиленген жана ар түрдүү популяцияларды камтыган маалымат топтомдорунун аздыгы; тышкы валидациянын жетишсиздиги; тери пигментациясынан, демографиялык өкүлчүлүктөн жана сүрөткө тартуу шарттарынан келип чыга турган алгоритмдик бир жактуулук; түшүндүрүлүүчүлүк жана маалымат купуялыгы көйгөйлөрү күнүмдүк клиникалык колдонууну чектейт.

Булак пес оорусуна түз тиешелүү изилдөөлөр тери өңүнүн подгруппалары боюнча көрсөткүчтөрдү бербегенин өзгөчө белгилейт. Демек, “AI кара тери өңүндө начар иштейт” же “тери өңүнөн таасирленбейт” деген жыйынтыктардын бири да бул обзордун пес оорусуна тиешелүү маалыматтары менен далилденген эмес. Бул тобокелдик жалпы дерматологиядагы AI адабиятынан чыккан негиздүү кооптонуу катары каралат жана пес оорусунда проспективдүү подгруппа валидациясын талап кылат.

Жыйынтыгында, изилдөө жасалма интеллектти жана санариптик саламаттыкты автономдуу диагноз системасы катары эмес, клиницистти, тастыктоочу лабораториялык тестти, телемедицинаны жана багыттоо системаларын байланыштырып турган жардамчы катмар катары позициялайт.

Пес Оорусун Аныктоодо Жасалма Интеллекттин Ролу Эмне?

Пес оорусун аныктоодо жасалма интеллект клиникалык сүрөттөрдөгү же түзүмдөштүрүлгөн клиникалык жана эпидемиологиялык маалыматтардагы үлгүлөрдү колдонуп, жабыркоону таанууга, операциялык классификацияга, триажга жана клиникалык чечимди колдоого жардам бере турган эсептөөчү колдоо катмары; учурдагы пес оорусуна тиешелүү далил AI клиницисттин жана тастыктоочу диагностикалык ыкмалардын ордун басышын эмес, аларды толуктоосун колдойт.

Пес оорусун эрте аныктоо эмне үчүн кыйын?

Пес оорусунун клиникалык көрүнүшү бир түрдүү эмес. Териде гипопигментацияланган же эритемалуу аймактар, сезүү жоготуусу, перифериялык нервдин жабыркашы, мотордук бузулуу, булчуң алсыздыгы, тердөөнүн азайышы, кургак тери, түйүндөр же кеңири тери инфильтрациясы сыяктуу ар кандай белгилер пайда болушу мүмкүн. Бул өзгөрмөлүүлүк, өзгөчө оорунун эрте стадиясында, башка сезгенүүчү же жугуштуу тери оорулары менен жаңылышуу тобокелдигин жогорулатат.

Булак баса белгилеген экинчи көйгөй — узак инкубация мезгили. Клиникалык белгилер инфекциядан көп убакыт өткөндөн кийин пайда болушу мүмкүн болгондуктан, эрте учурларды табуу кыйын болушу мүмкүн.

Үчүнчү көйгөй — оорунун бүт спектринде жалгыз өзү жетиштүү sensitivity камсыз кылган лабораториялык тесттин жоктугу. Акыркы диагностикалык баалоо клиникалык белгилерди, бактериологиялык текшерүүнү, гистопатологияны, молекулалык ыкмаларды жана зарыл болсо иммунологиялык биомаркерлерди бирге баалоого негизделиши мүмкүн.

Пес оорусун аныктоодогу кардиналдык белгилер

Обзордо клиникалык диагноздун негизинде үч негизги белги тобу турат: сезүү жоготуусу менен байланышкан гипопигментацияланган же эритемалуу тери жабыркоолору, сезүү же мотордук бузулуу менен коштолгон перифериялык нервдин жабыркашы жана slit-skin smear текшерүүсүндө кислотага туруктуу бациллалардын көрсөтүлүшү.

Булакта бул белгилердин кайсы бирин автоматтык сүрөт классификациясы толугу менен алмаштырды деген жыйынтык жок. Өзгөчө сезүү текшерүүсү жана перифериялык нервди баалоо бир гана тери сүрөтүнөн түз алынбай турган клиникалык маалыматтар.

Paucibacillary жана Multibacillary Пес Оорусунун Айырмасы Эмне Үчүн Маанилүү?

Paucibacillary (PB) жана multibacillary (MB) пес оорусунун операциялык классификациясында колдонулган эки топ; бул обзордо PB оору өзгөчө маанилүү, анткени бактериялык жүктүн төмөндүгү жана клиникалык белгилердин бүдөмүк болушу микроскопиянын жана башка диагностикалык ыкмалардын sensitivity көрсөткүчүн төмөндөтүп, эрте диагнозду кыйындатышы мүмкүн.

Paucibacillary оору

PB ооруда бактериялык жүктүн төмөн болушу классикалык бактериологиялык тастыктоону кыйындатышы мүмкүн. Булак slit-skin smear микроскопиясы PB ооруда төмөн sensitivity көрсөтүшү мүмкүн экенин белгилейт.

Бул жагдай AI үчүн да маанилүү. Эгер референстик диагноздун өзү кыйын алынса, AI моделин үйрөтө турган “туура энбелгилерди” түзүү да кыйын болот. Бул Verianla булак жыйынтыктарынан чыгарган методологиялык түшүндүрмө; булак энбелги катасынын жаңы сандык көрсөткүчүн бербейт.

Multibacillary оору

MB оору жогорку бактериялык жүк менен байланышкандыктан slit-skin smear сыяктуу бактериологиялык ыкмалар бул топто пайдалуураак болушу мүмкүн. Булак slit-skin smear ыкмасы MB ооруну тастыктоодо жогорку specificityге ээ экенин жана bacterial indexти аныктай аларын билдирет.

Булак так PB/MB чектерин береби?

Обзор PB жана MB операциялык классификациясын сөз кылат жана 1-сүрөттө эки классты диагноз жолунун бир баскычы катары көрсөтөт. Бирок бул макаланын негизги тексти PB/MB үчүн деталдуу сандык жабыркоо же нерв чектерин үйрөтүүчү классификация таблицасы түрүндө бербейт. Ошондуктан Verianla булакта жок чектерди бул макаланын жыйынтыгы катары кошпойт.

Slit-skin smear микроскопиясы деген эмне?

Slit-skin smear — териден алынган материалда кислотага туруктуу бациллаларды микроскопиялык изилдеген бактериологиялык баалоо. Обзор бул ыкма MB ооруда жогорку specificity камсыз кыларын жана bacterial index өлчөөгө жардам берерин, бирок PB ооруда sensitivity төмөн болушу мүмкүн экенин белгилейт.

Көрсөткүч туура үлгү алууга жана тажрыйбалуу кызматкерлерге көз каранды. Ошондуктан ыкманын техникалык бар болушу гана эмес, аны аткаруу сапаты да диагноздун ишенимдүүлүгүнүн бөлүгү.

Гистопатология эмне үчүн колдонулат?

Тери биопсиясынын гистопатологиялык изилдөөсү гранулематоздук сезгенүү, перифериялык нервдин жабыркашы жана бациллалардын таралышы сыяктуу белгилер боюнча кошумча маалымат берет. Ridley–Jopling классификациясы сыяктуу гистопатологиялык/клиникалык алкактарга да салым кошо алат.

Булак ошондой эле оорунун эрте стадиясында айрым гистопатологиялык белгилер спецификалык болбой калышы мүмкүн экенин жана чечмелөө дерматопатологиялык тажрыйбаны талап кыларын белгилейт.

PCR жана qPCR эмне берет?

Polymerase chain reaction (PCR) жана quantitative PCR (qPCR) Mycobacterium leprae DNAсын түздөн-түз бутага алган молекулалык диагностикалык ыкмалар. Өзгөчө бактериялык жүк төмөн болуп, классикалык микроскопия терс калышы мүмкүн болгон PB учурларында диагностикалык колдоону жогорулатуу потенциалы бар.

Бирок обзор PCR көрсөткүчү клиникалык классификацияга, үлгү түрүнө, бута ырааттуулугуна жана ыкманын дизайнына жараша өзгөрүшү мүмкүн экенин баса белгилейт. Мындан тышкары, молекулалык ыкмалар техникалык инфраструктура жана чыгым талап кылгандыктан бардык эндемикалык аймактарда күнүмдүк жеткиликтүү эмес.

LAMP деген эмне?

Булак 1-сүрөттө LAMPты молекулалык диагноз баскычтарынын бири катары көрсөтөт. LAMP “loop-mediated isothermal amplification” деген сөз айкашынын кыскартмасы жана бута нуклеин кислотасын туруктуу температура шартында көбөйтүүгө негизделген молекулалык амплификация ыкмасы. Бул түшүндүрмө түшүнүктү үйрөтүү үчүн берилет; обзор LAMP үчүн өзүнчө көрсөткүч маалыматын же жаңы экспериментти билдирбейт.

Anti-PGL-I серологиясынын чеги эмнеде?

Phenolic glycolipid-I (PGL-I) антигенине каршы антителолорду бутага алган серологиялык ыкмалар учурларды аныктоо же контакттагылардын тобокелдигин классификациялоо үчүн изилденген. Бирок антитело жообунун бактериялык жүк менен байланыштуу болушу PB ооруда sensitivityни чектеши мүмкүн.

Обзордун маанилүү жыйынтыгы — учурда эч бир биомаркер пес оорусунун бүт клиникалык спектринде жетиштүү так жалгыз диагностикалык тест эмес.

AI диагностикалык агымдын кайсы жеринде орун алат?

Булак AIни клиникалык шектенүүдөн кийинки бүт диагноз процессинин ордун баскан жалгыз “автоматтык диагноз кутусу” катары сүрөттөбөйт. AI көбүнчө сүрөт анализине, операциялык классификацияга, клиникалык чечимди колдоого, триажга жана багыттоо процесстерине жардам бере турган катмар.

Бул айырма өзгөчө маанилүү, анткени пес оорусунда сезүү текшерүүсү, перифериялык нервди баалоо, бактериологиялык изилдөө жана молекулалык тастыктоо сыяктуу сүрөттөн көз карандысыз маалыматтар да диагноз процессинин бөлүктөрү.

Телемедицина жана мобилдик саламаттык эмнени камсыздай алат?

Смартфон менен сүрөт алуу, теледерматология жана мобилдик саламаттык куралдары адис дарыгерге физикалык жеткиликтүүлүк чектелген аймактарда шектүү учурларды алыстан баалоого жардам бере алат.

Обзор WHO Skin NTD мобилдик тиркемесин ушул контексттеги санариптик саламаттык мисалдарынын бири катары карайт. Ыктымал колдонуу тармактарына алыстан кеңеш берүү, учурларды артыкчылыктуу кылуу, эпидемиологиялык көзөмөл, контакттарды байкоо жана дарылоону мониторингдөө кирет.

Бирок тиркеменин болушу клиникалык натыйжалуулуктун же пес оорусуна тиешелүү AI тактыгынын автоматтык далили эмес. Реалдуу колдонууда офлайн иштөө, колдонууга ыңгайлуулук, чыгым, маалымат бөлүшүү, системалар аралык шайкештик жана багыттоо чынжырынын толук бүтүшү да бааланышы керек.

Accuracy, Sensitivity, Specificity жана AUC Кантип Чечмелениши Керек?

Accuracy бардык туура классификациялардын жалпы үлүшүн, sensitivity чыныгы оң учурлардын канчасы кармалганын, specificity чыныгы терс учурлардын канчасы туура четтетилгенин, ал эми AUC ар башка чечим чектеринде sensitivity менен false-positive rate ортосундагы айырмалоо көрсөткүчүн жалпылайт; бул метрикалардын жогору болушу пайдалуу болгону менен, көз карандысыз тышкы валидациянын жана клиникалык колдонууга жарактуулуктун ордун баспайт.

TP, TN, FP жана FN эмнени билдирет?

• TP — True Positive: Чындыгында оң болгон жана модель оң деп классификациялаган үлгү.
• TN — True Negative: Чындыгында терс болгон жана модель терс деп классификациялаган үлгү.
• FP — False Positive: Чындыгында терс болгону менен модель оң деп классификациялаган үлгү.
• FN — False Negative: Чындыгында оң болгону менен модель терс деп классификациялаган үлгү.

Маанилүү эскертүү: Төмөнкү теңдемелер булак макаланын түпнуска теңдемелери эмес. Алар булакта билдирилген көрсөткүчтөрдүн маанисин үйрөтүү үчүн берилген стандарттык концептуалдык аныктамалар.

Accuracy — тактык

Accuracy бардык үлгүлөрдүн канчасы туура классификацияланганын көрсөтөт. Бирок класстар өтө тең салмаксыз болсо, жогорку accuracy адаштырышы мүмкүн. Мисалы, терс үлгүлөр өтө көп болсо, модель көпчүлүктү туура божомолдоп жогорку accuracy ала алат, бирок оң бейтаптарды жетиштүү деңгээлде кармай албай калышы мүмкүн.

Sensitivity — сезгичтик

Сезгичтик чындыгында ооруга же максаттуу класска ээ үлгүлөрдүн канчасы модель тарабынан аныкталганын көрсөтөт. Диагноздо төмөн сезгичтик чыныгы оорулуулардын олуттуу бөлүгү көз жаздымда калышы мүмкүн дегенди билдирет.

Specificity — спецификалуулук

Спецификалуулук чындыгында терс болгон үлгүлөрдүн канчасы туура түрдө терс деп классификацияланганын көрсөтөт. Төмөн спецификалуулук көп сандагы жалган оң багыттоого алып келиши мүмкүн.

AUC деген эмне?

AUC ROC ийри сызыгынын астындагы аянтты билдирет. ROC ийри сызыгы ар башка чечим чектеринде true-positive rate менен false-positive rate ортосундагы мамилени көрсөтөт. AUCнин 1ге жакындашы моделдин бааланып жаткан маалымат топтомунда класстарды айырмалоо жөндөмү жогорулаганын көрсөтөт.

Бирок AUCнин жогору болушу модель бардык клиникалык чектерде бирдей пайдалуу дегенди билдирбейт. Ошондой эле ошол эле модель жаңы ооруканаларда, башка камера системаларында же башка популяцияларда төмөнүрөөк көрсөткүч көрсөтүшү мүмкүн.

Тышкы валидация деген эмне?

Тышкы валидация — моделди иштеп чыгууда колдонулбаган көз карандысыз популяцияда же маалымат топтомунда сыноо. Бул тест модель окутуу борборунун өзгөчөлүктөрүн же маалымат чогултуу адаттарын гана жаттап алганбы-жокпу, түшүнүүгө жардам берет.

Обзордо тышкы валидациянын жетишсиздиги пес оорусу боюнча AI адабиятынын негизги чектөөлөрүнүн бири катары баса белгиленет.

Проспективдүү валидация эмне үчүн күчтүүрөөк?

Проспективдүү валидацияда модель алдын ала иштелип чыгат жана андан кийин реалдуу клиникалык агымда кездешкен жаңы учурларда бааланат. Бул түзүлүш ретроспективдүү маалымат топтомдорунан айырмаланып, маалымат чогултуу, колдонуучу жүрүм-туруму, багыттоо процесси жана клиникалык чечим сыяктуу реалдуу колдонуу элементтерин жакшыраак чагылдырышы мүмкүн.

Жалпы Дерматологиядагы AI Жыйынтыктарын Пес Оорусуна Түз Колдонсо Болобу?

Жок. Обзор жалпы дерматологиядагы күчтүү AI жыйынтыктарын адам–AI кызматташуусу мүмкүн экенин көрсөткөн кыйыр далил катары гана колдонот; пес оорусуна тиешелүү дерматолог–AI head-to-head изилдөөлөр жетиштүү деңгээлде жүргүзүлбөгөндүктөн, меланома же башка тери ооруларында алынган көрсөткүч өсүштөрүн пес оорусунун диагнозу үчүн сандык түрдө колдонууга болбойт.

PanDerm мисалы эмне үчүн кыйыр далил?

Макала 2025-жылдагы кеңири дерматологиялык баалоодон PanDerm аттуу мультимодалдык foundation model үчүн эрте меланоманы аныктоодо клиницисттерге салыштырмалуу %10,2 айырма, дермоскопиялык тери рагын классификациялоодо клиницист тактыгында %11 өсүш жана 128 тери оорусунун дифференциалдык диагнозунда дерматолог эмес клиницисттердин көрсөткүчүндө %16,5 өсүш билдирилгенин келтирет.

Бирок PanDerm пес оорусу үчүн валидацияланган модель эмес. Бул сандарды пес оорусунун диагнозунун көрсөткүчүн божомолдоо катары колдонууга болбойт.

Мындан тышкары, булак тексти PanDerm жыйынтыктарын [19] номерлүү шилтеме менен берет, ал эми адабияттар тизмесинде [19] Moor жана кесиптештеринин 2023-жылдагы foundation-model макаласы; PanDerm менен түз байланышкан 2025-жылдагы Nature Medicine жазуусу [21] катары берилген. Verianla бул булак ичиндеги номерлөө дал келбестигин унчукпай оңдобойт.

AI Адис Дарыгердин Ордун Баса Алабы?

Бул обзорго ылайык, жок; учурдагы пес оорусу боюнча далил AIни адистин баалоосун алмаштырган автономдуу диагноз системасы катары эмес, клиникалык чечимди колдоо, триаж, операциялык классификация жана адистик жардамга жетүүнү жеңилдеткен жардамчы технология катары колдойт.

Автономдуу диагноз үчүн далил эмне үчүн жетишсиз?

Биринчиден, учурдагы пес оорусуна тиешелүү изилдөөлөрдүн саны жана маалыматтардын ар түрдүүлүгү чектелүү. Экинчиден, изилдөө тапшырмалары бири-биринен айырмаланат: айрым моделдер PB/MB классификациясында, айрымдары пес оорусунун классификациясында, айрымдары бир нече тери оорусун айырмалоо маселесинде иштейт.

Үчүнчүдөн, тышкы жана проспективдүү валидация чектелүү. Моделдин өз иштеп чыгуу маалымат топтомундагы жогорку көрсөткүчү башка географияда, башка камера түзмөгүндө же башка клиникалык практикада ошол эле натыйжаны кепилдебейт.

Төртүнчүдөн, пес оорусун аныктоодо визуалдык маалымат гана жок. Сезүү жоготуусу, перифериялык нервдин жабыркашы, бактериологиялык жыйынтыктар, гистопатология жана молекулалык табылгалар сыяктуу ар башка маалымат түрлөрү клиникалык жактан бирге чечмелениши керек.

Automation bias деген эмне?

Automation bias — саламаттык сактоо кызматкеринин автоматташтырылган системанын сунушуна ашыкча ишенип, өзүнүн клиникалык баалоосун экинчи орунга жылдыруу тобокелдиги. Обзор келечектеги адам–AI reader studies ичинде AI алдыңкы катардагы саламаттык кызматкерлеринин көрсөткүчүн жогорулатабы-жокпу, ошол эле учурда automation bias жаратабы-жокпу, баалоону сунуштайт.

Алгоритмдик бир жактуулук тери пигментациясы менен байланыштуу болушу мүмкүнбү?

Мүмкүн; бирок булак бул жерде өтө этият чек коёт. Тери өңү жана пигментация сүрөткө негизделген моделдерде distribution shift жана ар башка көрсөткүч үчүн мүмкүн болгон булак. Бирок обзордогу пес оорусуна тиешелүү баштапкы изилдөөлөр тери өңү боюнча бөлүнгөн көрсөткүч жыйынтыктарын бербейт.

Ошондуктан учурдагы пес оорусу маалыматтары пигментациядан келип чыккан көрсөткүч теңсиздиги бар экенин да, жок экенин да көрсөтпөйт. Бул маселе ар башка эндемикалык популяцияларда проспективдүү подгруппа баалоосун талап кылат.

Explainable AI эмне үчүн маанилүү?

Түшүндүрүлүүчү AI моделдин кайсы табылгага же маалымат үлгүсүнө таянып белгилүү сунуш чыгарганын клиницист жакшыраак түшүнүшүн максат кылат. Саламаттык сактоо колдонмолорунда бул өзгөчөлүк техникалык кызыгуу гана эмес, ишеним, ката талдоосу, бейтап коопсуздугу жана жөнгө салуучу көзөмөл жагынан маанилүү.

Булак ачык модель иштеп чыгууну, түшүндүрүлүүчүлүктү, fairnessти, бейтаптын купуялыгын, маалымдалган макулдукту, коопсуз маалымат башкаруусун жана клиникалык көзөмөлдү ишенимдүү AI үчүн зарыл тармактардын катарына кошот.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Обзор кандай жүргүзүлгөн?

Авторлор изилдөөнү “structured narrative review” деп аныкташат. PubMed/MEDLINE негизги библиографиялык маалымат базасы катары колдонулган.

PubMed издөөсүндө пес оорусу тарабында “leprosy”, “Hansen disease” же “Mycobacterium leprae”; технология тарабында “artificial intelligence”, “machine learning”, “deep learning”, “convolutional neural network”, “computer vision”, “foundation model”, “digital health”, “telemedicine”, “mobile health” же “clinical decision support” терминдери бириктирилген.

Издөө акыркы жолу 17 август 2026да жаңыртылган. Ошондой эле басмакана веб-сайттарында жана WHO булактарында пес оорусунун диагнозу жана санариптик саламаттык колдонмолору боюнча багытталган издөөлөр жүргүзүлүп, ылайыктуу обзорлордун жана баштапкы изилдөөлөрдүн адабият тизмелери кошумча жарыялар үчүн каралган.

Молекулалык диагноз, биомаркерлер, тышкы валидация, алгоритмдик бир жактуулук жана адам–AI диагностикалык салыштыруулары үчүн да кошумча багытталган издөөлөр жүргүзүлгөн.

Кайсы жарыяларга артыкчылык берилген?

Пес оорусунда AI же санариптик саламаттык колдонмосун түз баалаган рецензияланган баштапкы изилдөөлөргө артыкчылык берилген. Баштапкы далил аз болгон тармактарда системалуу же scoping обзорлор жана ыйгарым укуктуу көрсөтмөлөр колдонулган.

Диагностикалык классификацияны, операциялык классификацияны, сүрөт анализин, теледерматологияны, клиникалык чечим колдоосун, молекулалык/биомаркер интеграциясын, тышкы валидацияны же колдонуу көйгөйлөрүн караган изилдөөлөр ылайыктуу деп эсептелген.

Эски изилдөөлөр пес оорусунун телемедицинасы же алыстан диагноз тармагында негизги далил түзгөн учурда гана сакталган.

Эмне үчүн мета-анализ жүргүзүлгөн эмес?

Авторлор изилдөөлөр арасында клиникалык тапшырмалар, маалымат топтомдору, жыйынтык аныктамалары жана көрсөткүч метрикалары олуттуу айырмаланарын белгилешет. Бул гетерогендүүлүктөн улам сандык мета-анализ ылайыктуу эмес деп табылып, жыйынтыктар нарративдик түрдө синтезделген.

Бул чечим ошондой эле ар башка модель метрикаларын түз эле бириктирилген жалгыз көрсөткүч санына айландырбоо керектигин көрсөтөт.

Пес оорусуна түз колдонулган AI изилдөөлөрүн салыштыруу

de Souza жана кесиптештеринин модели эмне кылды?

Бул изилдөө пес оорусу бар бейтаптарды түз эле сүрөткө карап диагноз коюуга аракет кылуудан башка тапшырманы караган. Максат клиникалык жана эпидемиологиялык жазууларды колдонуп paucibacillary жана multibacillary операциялык классификациясына жардам берүү.

Random forest — бир нече чечим дарагын бириктирип, ар бир дарактын жыйынтыгынан коллективдүү классификация түзгөн машиналык үйрөнүү ыкмасы. Бул жерде булак обзор моделдин деталдуу гиперпараметрлерин же бардык маалымат алдын ала иштетүү кадамдарын кайра бербейт.

Билдирилген %92,38 accuracy, %93,97 sensitivity жана %87,09 specificity үмүт жараткан изилдөө көрсөткүчү. Бирок бул маанилер башка өлкөлөрдө же көз карандысыз клиникалык агымдарда да так ошондой чыгат деген жыйынтыкка келүүгө болбойт.

AI4Leprosy эмне үчүн мультимодалдык?

AI4Leprosy изилдөөсү тери сүрөтүн гана колдонбостон, клиникалык сүрөттү демографиялык жана клиникалык өзгөрмөлөр менен бириктирген. Ошондуктан булак аны мультимодалдык AI изилдөөсү катары карайт.

Булак обзор 222 катышуучудан 1229 тери сүрөтүн жана 585 metadata топтомун билдирип, модель үчүн %90 accuracy жана 0,9646 AUC берет.

Бирок булак 1-таблицада модель архитектурасын так көрсөтүүнүн ордуна “architecture to verify” деген сөздү калтырган. Ошондуктан Verianla моделдин CNN катмарларын, optimizerин, loss функциясын же башка техникалык архитектура деталдарын булакта ырасталбаган түрдө толуктабайт.

Yotsu жана кесиптештеринин жыйынтыгын эмне үчүн этият окуу керек?

Yotsu жана кесиптештеринин изилдөөсү пес оорусунан гана турган маалымат топтомун классификациялаган эмес. Териге байланышкан беш ар башка neglected tropical disease классынын 506 бейтапынан жалпы 1709 сүрөт колдонулган.

Булак обзор “%70тен жогору туура божомол” жыйынтыгын бүт көп класстуу тапшырма үчүн берет. Бул көрсөткүчтү “пес оорусун аныктоодо %70тен жогору тактык” деп кайра жазуу илимий жактан туура эмес.

Үч изилдөөнүн көрсөткүчтөрүн эмне үчүн рейтинг кылбоо керек?

%92,38, %90 жана %70тен жогору маанилерди катар коюп, “биринчи модель эң жакшы” деп рейтинг түзүү ылайыктуу эмес. Моделдер ар башка тапшырмаларды, ар башка популяцияларды жана ар башка маалымат түрлөрүн баалаган.

Мындан тышкары, accuracy, sensitivity, specificity жана AUC бир эле көрсөткүч түшүнүгү эмес. Бир моделдин AUC маанисин башка моделдин accuracy мааниси менен түз сандык артыкчылык салыштыруусуна коюуга болбойт.

Foundation model ыкмасы пес оорусунда ырасталдыбы?

Жок. Булак чоң мультимодалдык foundation моделдер келечекте клиникалык сүрөт, дермоскопия, гистопатология, текст жана түзүмдөштүрүлгөн клиникалык маалыматты бир өкүлчүлүктө бириктирүү потенциалы бар экенин талкуулайт.

Бирок пес оорусуна тиешелүү foundation modelдин клиникалык пайдасы азырынча көрсөтүлбөгөнүн ачык айтат.

Келечекте сунушталган мультимодалдык маалымат интеграциясы

Булак келечекте стандартташтырылган тери сүрөттөрүн сезүү белгилери, перифериялык нервди баалоо, молекулалык тесттер, кожоюн организмдин жооп биомаркерлери жана узак мөөнөттүү байкоо маалыматтары менен бириктирүүгө болорун талкуулайт.

Бул түзүлүш азырынча валидацияланган клиникалык курал эмес. Авторлор кошумча маалымат түрлөрү клиницисттин өзү же жөнөкөй моделдерге караганда чындап көбүрөөк пайда береби-жокпу, проспективдүү түрдө өлчөө керек деп эсептешет.

PCR/qPCR жана AI интеграциясынын потенциалы

Молекулалык тесттер морфологиялык тери көрүнүшүнөн айырмаланган маалымат катмарын берет. Өзгөчө бактериялык жүк төмөн болгон PB ооруда сүрөт жана клиникалык маалыматка молекулалык далилди кошуу теориялык жактан диагностикалык белгисиздикти азайтышы мүмкүн.

Обзор бул ыкманы изилденүүгө тийиш болгон келечектеги багыт катары сүрөттөйт. Интеграцияланган системалар диагностикалык натыйжалуулукту, диагнозго чейинки убакытты, оорунун өнүгүшүн божомолдоону же контакттагы адамдардын тобокелдигин классификациялоону чындап жакшыртканы азырынча проспективдүү түрдө көрсөтүлгөн эмес.

Санариптик саламаттык системалары кайсы реалдуу жашоо өлчөмдөрү менен бааланышы керек?

Булак accuracy же AUC гана жетиштүү эмес экенин баса белгилейт. Колдонуу изилдөөлөрүндө колдонууга ыңгайлуулук, офлайн иштей алуу, системалар аралык өз ара иштешүү, чыгым-натыйжалуулук, багыттоонун аякташы, дарылоого чейинки убакыт жана теңдик сыяктуу реалдуу саламаттык сактоо өлчөмдөрү да бааланышы керек.

Изилдөөнүн күчтүү жактары

• Пес оорусуна тиешелүү AI далили менен жалпы дерматологиядагы AI далилин ачык бөлөт.
• Диагнозду сүрөт классификациясы катары гана карабастан, клиникалык, бактериологиялык, гистопатологиялык жана молекулалык катмарлар менен бирге баалайт.
• PB оорунун төмөн бактериялык жүккө байланышкан өзгөчө диагностикалык кыйынчылыгын көрүнүктүү кылат.
• Модель көрсөткүчүн accuracy менен гана баалабай, тышкы валидацияны, calibrationды жана подгруппа көрсөткүчүн да талкууга киргизет.
• Тери пигментациясы жана демографиялык өкүлчүлүк сыяктуу fairness маселелерин талкуулайт.
• Телемедицинаны, мобилдик саламаттыкты жана багыттоо чынжырын AI талкуусуна кошот.
• AI адис дарыгердин ордун эмес, чечимди колдоону максат кылышы керектигин ачык айтат.

Изилдөөнүн чектөөлөрү

• Изилдөө нарративдик обзор; системалуу мета-анализ эмес.
• PubMed/MEDLINE негизги маалымат базасы; камтуу бардык илимий маалымат базаларын толук караган формалдуу системалуу обзор деңгээлинде эмес.
• Киргизилген изилдөөлөр тапшырма, маалымат түрү жана көрсөткүч өлчөмү боюнча гетерогендүү.
• Пес оорусуна тиешелүү баштапкы AI изилдөөлөрүнүн саны чектелүү.
• Көз карандысыз тышкы жана проспективдүү валидация жалпы алганда жетишсиз.
• 1-таблицада “verify in full text”, “architecture to verify” жана “denominator to verify” сыяктуу аяктай элек редакциялык сөз айкаштары бар.
• Обзор тери өңүнө жараша бөлүнгөн пес оорусуна тиешелүү AI көрсөткүч маалыматтарын бербейт.
• Жалпы дерматологиядан алынган PanDerm жыйынтыктарын пес оорусуна түз колдонууга болбойт.
• PanDerm параграфындагы шилтеме номери менен адабияттар тизмесиндеги тиешелүү жазуунун ортосунда булак ичиндеги дал келүү көйгөйү бар.
• Изилдөө жаңы AI моделин иштеп чыкпайт же жаңы бейтап когорту боюнча проспективдүү валидация жүргүзбөйт.
• Көрсөткүч метрикалары үчүн бардык изилдөөлөрдө жалпы ишеним интервалдары же жалпы ката өлчөмдөрү берилген эмес.
• Модель calibration маанилери бардык баштапкы изилдөөлөр үчүн сандык түрдө билдирилген эмес.
• Экономикалык колдонууга жарактуулук жана реалдуу клиникалык багыттоо жыйынтыктары азырынча жетиштүү ырасталган эмес.

Изилдөө колдогон жана колдобогон жыйынтыктар

Келечектеги изилдөө артыкчылыктары

Авторлор көп борборлуу кызматташууну, стандартташтырылган клиникалык маалымат топтомдорун, проспективдүү тышкы валидацияны, ачык отчет берүүнү жана түшүндүрүлүүчү AIни негизги артыкчылыктардын катарына киргизишет.

Ар башка тери пигментацияларында, ар башка эндемикалык популяцияларда жана ар башка саламаттык сактоо шарттарында подгруппа көрсөткүчүн өзүнчө баалоо fairness жагынан зарыл.

AI моделдеринде discrimination гана эмес, calibration жана uncertainty estimation да бааланышы керек. Моделдин туура божомол көрсөткүчү канчалык маанилүү болсо, кайсы учурда белгисиз экенин ишенимдүү көрсөтө алышы да клиникалык коопсуздук үчүн ошончолук маанилүү.

Проспективдүү human–AI reader studies AI жалгыз, клиницист жалгыз жана AI колдогон клиницист көрсөткүчүн салыштырып, системанын чыныгы салымын өлчөшү керек.

Акыркы максат AI бейтапты түз автоматтык түрдө “оң/терс” деп жарыялаган өзүнчө курал эмес, шектүү учурду ылайыктуу тастыктоочу тестке жана адистик жардамга байланыштыра турган коопсуз клиникалык чечим колдоо системасы болушу.

Обзордун негизги илимий жыйынтыгы

Бул обзордун негизги жыйынтыгы “AI пес оорусун адамдардан жакшы диагноз коёт” эмес. Учурдагы пес оорусуна тиешелүү изилдөөлөр изилдөө шарттарында үмүт жараткан көрсөткүчтөрдү көрсөтөт; бирок маалымат топтомдору кичине же чектелген, тапшырмалар гетерогендүү жана көз карандысыз проспективдүү валидация жетишсиз.

Эң негиздүү ыкма — AI тери сүрөттөрүн, клиникалык маалыматтарды жана санариптик саламаттык агымдарын колдонуп алдыңкы катардагы саламаттык кызматкерлерин колдошу; белгисиз же шектүү учурларды тастыктоочу лабораториялык ыкмаларга жана адистин клиникалык баалоосуна багытташы.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталышы: Artificial Intelligence and Digital Health in the Diagnosis of Leprosy: Current Advances and Future Perspectives

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

Жооптуу автор: María Moreno.

Тең салым: Булакта тең биринчи авторлук же тең салым тууралуу билдирүү көрсөтүлгөн эмес.

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

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

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

Журнал: Acta Microbiologica Hellenica.

Басмакана: Hellenic Society for Microbiology атынан MDPI.

Булактын түрү: Review; авторлордун ыкма аныктамасы боюнча structured narrative review.

Библиографиялык жазуу: Acta Microbiologica Hellenica, 2026, 71(4), Article 44.

DOI: 10.3390/amh71040044

Расмий шилтеме: DOI 10.3390/amh71040044 аркылуу басмакананын жазуусу.

Жарыялоо убакыт тартиби: Received: 31 август 2026; Revised: 16 октябрь 2026; Accepted: 20 октябрь 2026; Published: 22 октябрь 2026.

Academic Editor: Tomislav S. Kostyanev.

Рецензиялоо абалы: Жарыяланган Review; Acta Microbiologica Hellenica рецензияланган, ачык жеткиликтүү медициналык микробиология журналы.

Лицензия: Creative Commons Attribution (CC BY).

Preprint абалы: Каралган булак жарыяланган журнал версиясы; булакта өзүнчө preprint идентификатору көрсөтүлгөн эмес.

Адабият издөө ыкмасы: PubMed/MEDLINE негизги маалымат базасы; басмакана сайттарында жана WHO булактарында багытталган издөө; ылайыктуу изилдөөлөрдүн адабият тизмесин кароо; молекулалык диагноз, биомаркерлер, тышкы валидация, алгоритмдик бир жактуулук жана адам–AI салыштыруулары үчүн кошумча багытталган издөөлөр.

Акыркы издөө жаңыртуусу: 17 август 2026.

Мета-анализ: Жүргүзүлгөн эмес. Авторлор изилдөө тапшырмалары, маалымат топтомдору, жыйынтык аныктамалары жана көрсөткүч метрикаларындагы гетерогендүүлүктөн улам сандык мета-анализ ылайыктуу эмес экенин билдиришкен.

Жаңы эксперименттик маалымат: Жок.

Жаңы AI модели: Жок.

Булакта номерленген илимий теңдеме: Жок. Accuracy, sensitivity жана specificity теңдемелери Verianlaда булакта колдонулган метрикаларды үйрөтүүчү түшүндүрмө катары гана берилген.

Негизги пес оорусу-AI изилдөөлөрү: de Souza жана б. (2021), Barbieri жана б. / AI4Leprosy (2022) жана Yotsu жана б. (2023).

Булак 1-таблица редакциялык эскертүүсү: Айрым уячаларда “denominator to verify”, “architecture to verify” жана “verify in full text” деген сөздөр жарыяланган булакта көрүнөт. Бул талаалар Verianla тарабынан божомол менен толтурулган эмес.

PanDerm шилтеме эскертүүсү: Макала PanDerm көрсөткүчү параграфында [19] номерин колдонот; адабияттар тизмесинде [19] Moor жана б. (2023), PanDerm менен түз байланышкан 2025-жылдагы Nature Medicine жазуусу болсо [21] Yan жана б. катары көрүнөт. Бул булак ичиндеги шилтеме дал келүүсү унчукпай өзгөртүлгөн эмес.

IRB: Колдонулбайт; изилдөө мурда жарыяланган жана коомчулукка ачык адабияттын нарративдик обзору.

Маалымдалган макулдук: Колдонулбайт.

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Маалыматтардын жеткиликтүүлүгү: Ыкма бөлүмү талданган маалыматтар шилтеме берилген жарыяларда бар экенин билдирсе, акыркы Data Availability Statement макаланын жыйынтыктарын колдогон чийки маалыматтар авторлордон суроо боюнча берилерин билдирет. Verianla эки билдирүүнү тең өзгөртпөй каттайт.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдирген эмес.

Conceptualization: María Moreno жана Gerardo Rivera.

Methodology: Gerardo Rivera, María Moreno жана Luis Rodríguez.

Software: Raúl Rubio жана Augusto Salinas.

Validation: Gerardo Rivera, Josefina Rodríguez жана David Orozco.

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

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

Resources: María Moreno жана Francisco González.

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

Writing — original draft: Gerardo Rivera жана María Moreno.

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

Visualization: Gerardo Rivera жана David Orozco.

Supervision: María Moreno жана Raúl Rubio.

Project administration: María Moreno.

Funding acquisition: María Moreno.

Acknowledgment эскертүүсү: Булак авторлор чыгарылган материалды карап чыгып түзөткөнүн жана жарыяланган мазмун үчүн жоопкерчиликти алганын билдирет; конкреттүү жасалма интеллект куралы же колдонуу деталдары булакта өзүнчө аталган эмес.

Негизги чечмелөө чеги: Пес оорусуна тиешелүү AI моделдериндеги изилдөө көрсөткүчү реалдуу дүйнөдөгү клиникалык натыйжалуулуктун же адис дарыгердин ордун баса алуунун далили эмес. Жалпы дерматологиядагы AI жыйынтыктарын пес оорусуна сандык түрдө өткөрбөш керек.