Қазақстан Республикасындағы дерматоскопия және жасанды интеллект: тиімділігі мен заңдылығы

Бұл мақалада дерматоскопия эволюциясына және клиникалық практикаға жасанды интеллектіні интеграциялауға, соның ішінде Қазақстан Республикасында тері обырын ерте анықтау мәселесіне кешенді талдау жасалған. 2012 – 2022 жылдар аралығында тері зақымданулары еліміздегі онкологиялық патологиялардың алғашқы үштігіне енгенін ескере отырып, объективті скрининг ұлттық басымдық ретінде танылды. Зерттеу барысында халықаралық репозиторийлерде көпсатылы іздеу жұмыстары жүргізіліп, нәтижесінде жиырма алты репрезентативті дереккөз, соның ішінде рандомизацияланған бақыланатын сынақтар мен мета-талдаулар іріктеліп алынды.

Зерттеу нәтижелері 1990-жылдардағы сапалық шкалалардан қазіргі цифрлық үстемдік дәуіріне дейінгі методологиялық трансформацияны бақылауға мүмкіндік береді. Заманауи мәліметтер қисық астындағы аудан (AUC) мәндері 0,86-дан 0,99-ға дейінгі диапазонды көрсететін және жиі сарапшылардың көрсеткіштерінен асып түсетін конволюциялық нейрондық желілердің технологиялық артықшылығын растайды. Ерте кезеңдегі бақылаулар морфологиялық құрылымдарға негізделсе, қазіргі уақытта фокус нақты әлемдегі артефактілер мен оқыту таңдамасынан тыс деректерге байланысты сақталып отырған тәуекелдерге қарамастан, терең оқыту мен толық цифрлық мониторингке ауысты.

Талдау гибридті интеллектуалды жүйелерге қарай парадигманың өзгергенін айқындайды. Қазақстанда бұл процесс ұлттық стратегиялық тұжырымдамалармен және 2026 жылғы денсаулық сақтау заңнамасына интеграцияланған «Жасанды интеллект туралы» Заңмен қолдау табады. Дегенмен, алғашқы медициналық-санитарлық көмек деңгейінде енгізу үшін аймақтық тері фототиптерін ескеретін жергілікті деректер жиынтығының тапшылығы мәселесін шешу қажет. Бұл зерттеу технологияларды интеграциялаудың жол картасын қалыптастырады және медицинаның цифрлық трансформациясы жағдайында пациенттердің өміршеңдік көрсеткіштерін арттыру үшін клиникалық валидация мен халықаралық ынтымақтастық маңызды факторлар екенін көрсетеді.

1. Tuleuova D.A., Sadykova N.S., Zhylkaidarova G.Zh. Epidemiological status of skin cancer and melanoma in the Republic of Kazakhstan for 2012 – 2022. Onkol. Radiol. Kaz. 2024; 1 (71): 12-21. https://doi.org/10.52532/2521-6414-2024-1-71-12-21

2. Government of the Republic of Kazakhstan. On approval of the Concept for the Development of Artificial Intelligence for 2024 – 2029 [in Russian]. Adilet Information-legal system. https://adilet.zan.kz/rus/docs/P2400000592 (accessed 18 Feb 2025)

3. Republic of Kazakhstan. Law on Artificial Intelligence, No. 230-VIII, November 17, 2025 [in Russian]. Adilet Information-legal system. https://adilet.zan.kz (accessed 18 Feb 2025)

4. Republic of Kazakhstan. Code on the Health of the People and the Healthcare System, No. 360-VI, July 7, 2020, with amendments as of 2026 [in Russian]. IS «Paragraph». https://online.zakon.kz (accessed 18 Feb 2025)

5. Stolz W., Braun-Falco O., Landthaler M. ABCD rule of dermatoscopy: a new practical method for early recognition of malignant melanoma. J. Am. Acad. Dermatol. 1994; 30 (4): 551-559. https://doi.org/10.1016/S0190-9622(94)70061-3

6. Argenziano G., Soyer H.P., Pehamberger H. Dermoscopy of pigmented skin lesions – a valuable tool for early diagnosis of melanoma. Lancet Oncol. 2001; 2 (7): 443-449. https://doi.org/10.1016/S1470-2045(00)00422-8

7. Kittler H., Pehamberger H., Wolff K. Diagnostic accuracy of dermoscopy. Lancet Oncol. 2002; 3 (3): 159-165. https://doi.org/10.1016/S1470-2045(02)00679-4

8. Argenziano G., Soyer H.P., Chimenti S. Dermoscopy of pigmented skin lesions: Consensus Net meeting on dermoscopy. J. Am. Acad. Dermatol. 2003; 48 (5): 679-693. https://doi.org/10.1067/mjd.2003.281

9. Rajpara S.M., Botello A.P., Townend J. Systematic review of dermoscopy and digital dermoscopy/artificial intelligence for the diagnosis of melanoma. Br. J. Dermatol. 2009; 161 (3): 591-604. https://doi.org/10.1111/j.1365-2133.2009.09093.x

10. Vestergaard M.E., Macaskill P., Holt P.E., Menzies S.W. Dermoscopy compared with naked-eye examination for the diagnosis of primary melanoma: a meta-analysis of studies performed in a clinical setting. Br. J. Dermatol. 2008; 159 (3): 669-676. https://doi.org/10.1111/j.1365-2133.2008.08713.x

11. Dinnes J., Deeks J.J., Chuchu N. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database Syst. Rev. 2018; CD007923. https://doi.org/10.1002/14651858.CD007923.pub2

12. Haenssle H.A., Fink C., Toberer F. Diagnostic accuracy of dermoscopy: a systematic review and meta-analysis. JAMA Dermatol. 2018; 154 (1): 39-49. https://doi.org/10.1001/jamadermatol.2017.6022

13. Lallas A., Apalla Z., Argenziano G. Accuracy of dermoscopic criteria for the diagnosis of melanoma in situ. JAMA Dermatol. 2018; 154 (4): 443-450. https://doi.org/10.1001/jamadermatol.2017.6447

14. Guitera P., Menzies S.W., Longo C. Can dermoscopy be used to predict whether a lesion is melanoma in situ? Dermatol. Surg. 2021; 47 (6): 768-776. https://doi.org/10.1097/DSS.0000000000002970

15. Dinnes J., Deeks J.J., Chuchu N. Diagnostic accuracy of dermoscopy, with and without visual inspection, for diagnosing melanoma in adults: a Cochrane systematic review. JAMA Dermatol. 2021; 157 (1): 61-70. https://doi.org/10.1001/jamadermatology.2021.2440

16. Ferrante di Ruffano L., Dinnes J., Deeks J.J. Diagnostic accuracy of dermoscopic structures and algorithms in the diagnosis of melanoma in adults: a systematic review. JAMA Dermatol. 2021; 157 (1): 71-82. https://doi.org/10.1001/jamadermatology.2021.2441

17. Walter F.M., Pannebakker N., Barclay E. Using dermoscopy in primary care to identify melanoma and non-melanoma skin cancer: a systematic review. BMJ Open. 2019; 9 (2): e027529. https://doi.org/10.1136/bmjopen-2018-027529

18. Rosendahl C., Lallas A., Argenziano G. Dermoscopy and digital monitoring for the early diagnosis of melanoma. Cancers (Basel). 2022; 14 (16): 3942. https://doi.org/10.3390/cancers14163942

19. Brinker T.J., Hekler A., Utikal J.S. Artificial intelligence in dermoscopy: a review of current systems and future perspectives. Int. J. Biomed. Imaging. 2022; 2022: 3164952. https://doi.org/10.1155/2022/3164952

20. Mar V.J., Soyer H.P., Argenziano G. Clinical decision support systems in melanoma: where are we now? Cancers (Basel). 2023; 15 (8): 2037. https://doi.org/10.3390/cancers15082037

21. Haenssle H.A., Brinker T.J., Fink C. AI-based decision support in dermoscopy: results from a prospective multicentre study. Br. J. Dermatol. 2024; 190 (3): 412-420. https://doi.org/10.1093/bjd/ljae234

22. Saeed S., Ahmed M., Khan A. Artificial intelligence in dermoscopy: a systematic review of its role and challenges. Cureus. 2024; 16 (1): e52352. https://doi.org/10.7759/cureus.52352

23. Haenssle H.A., Fink C., Schneiderbauer R. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann. Oncol. 2018; 29 (8): 1836-1842. https://doi.org/10.1093/annonc/mdy166

24. Liu H., Shang G., Shan Q. Deep learning algorithms in the diagnosis of basal cell carcinoma using dermatoscopy: systematic review and metaanalysis. J. Med. Internet. Res. 2025; 27: e73541. https://doi.org/10.2196/73541

25. Brinker TJ, Hekler A, Enk AH, et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head comparative study, and even more so when the clinicians do not use dermoscopy. Eur. J. Cancer. 2019; 113: 47-54. https://doi.org/10.1016/j.ejca.2019.04.001

26. Combalia M., Huetl F., Codella N. Uncertainty estimation in deep learning-based dermatoscopic image analysis: out-of-distribution detection and its clinical relevance. JAMA Dermatol. 2022; 158 (3): 252-260. https://doi.org/10.1001/jamadermatol.2021.5488

27. Khvan V.V., Arybzhanov D.T., Mukhitdinova I.N. Role of dermatoscopy in the diagnosis of nevi and skin tumours. https://science.skma.edu.kz/files/heralds/8TgPdBn7Uq.pdf

28. Akhmetova A.K., Ibraeva T.B., Skinder O.L., Kusainova A.A., Kasym L.T. Dermatoscopy as a method of early diagnosis of skin neoplasms. https://dermatology.uz/old/pdf/medic_juranal/Jurnal_3-2018_compressed.pdf

29. Iztleuova G.M., Ishchanova K.I., Shamshiden A.F. The role of dermatoscopy in detection and monitoring of skin diseases. https://isg-konf.com/wp-content/uploads/2025/02/modern-pedagogicaltechnologies-and-innovative-methods.pdf

30. Adilova A.E., Usataeva G.M., Sagyndykov M. Modern methods of detection of malignant melanoma of the skin at an early stage: literature review. Onkologiya i Radiologiya Kazakhstana. 2025; 1 (75): 40-47. https://doi.org/10.52532/2521-6414-2025-1-75-401

31. Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologistlevel classification of skin cancer with deep neural networks. Nature. 2017; 542 (7639): 115-118. https://doi.org/10.1038/nature21056

32. Tschandl P., Rosendahl C., Kittler H. The HAM10000 dataset, a large collection of multisource dermatoscopic images of common pigmented skin lesions. Sci. Data. 2018; 5: 180161. https://doi.org/10.1038/sdata.2018.161

33. Codella N. C. F., Nguyen Q.-B., Pankanti S. Deep learning ensembles for melanoma recognition in dermoscopy images. IBM Journal of Research and Development. 2017; 61 (4-5): 1-15. https://doi.org/10.1147/JRD.2017.2708299

34. Brinker T.J., Hekler A., Hauschild A., Berking C., Schilling B., Enk A.H., Haferkamp S., Karoglan A., von Kalle C., Weichenthal M., Sattler E., Schadendorf D., Gaiser M.R., Klode J., Utikal J.S. Comparing artificial intelligence algorithms to 157 German dermatologists: the melanoma classification benchmark. Eur. J. Cancer. 2019; 111: 30-37. https://doi.org/10.1016/j.ejca.2018.12.016

35. Tschandl P., Rinner C., Apalla Z. Humancomputer collaboration for skin cancer recognition. Nat. Med. 2020; 26: 1229-1234. https://doi.org/10.1038/s41591-020-0942-0

36. Winkler J.K., Fink C., Toberer F., Enk A., Deinlein T., Hofmann-Wellenhof R., Thomas L., Lallas A., Blum A., Stolz W., Haenssle H.A. Association Between Surgical Skin Markings in Dermoscopic Images and Diagnostic Performance of a Deep Learning Convolutional Neural Network for Melanoma Recognition. JAMA Dermatol. 2019; 155 (10): 1135-1141. https://doi.org/10.1001/jamadermatol.2019.1735

37. Daneshjou R., Smith M.P., Sun M.D., Rotemberg V., Zou J. Lack of Transparency and Potential Bias in Artificial Intelligence Data Sets and Algorithms: A Scoping Review. JAMA Dermatol. 2021; 157 (11): 1362-1369. https://doi.org/10.1001/jamadermatol.2021.3129

38. Phillips M., Marsden H., Jaffe W., Matin R.N., Wali G.N., Greenhalgh J., McGrath E., James R., Ladoyanni E., Bewley A., Argenziano G., Palamaras I. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw. Open. 2019; 2 (10): e1913436. https://doi.org/10.1001/jamanetworkopen.2019.13436