L'IA può rilevare alcune malattie analizzando immagini della pelle ?

L'IA può già rilevare alcune malattie della pelle da immagini con prestazioni che corrispondono o superano quelle dei dermatologi in studi controllati, soprattutto per condizioni comuni come il melanoma, la psoriasi e l'eczema. Le reti neurali convoluzionali profonde addestrate su grandi dataset di immagini cliniche etichettate e catturate tramite smartphone raggiungono un'elevata sensibilità e specificità, e diversi strumenti autorizzati dalle autorità regolatorie sono disponibili per l'uso da parte dei professionisti sanitari. Tuttavia, l'accuratezza nel mondo reale può variare in base alla qualità dell'immagine, al tono della pelle, all'illuminazione e a presentazioni rare o atipiche, richiedendo la supervisione di un clinico. La ricerca in corso si concentra sul miglioramento della generalizzazione tra popolazioni diverse e sull'integrazione di dati multimodali come la dermatoscopia e la storia clinica del paziente.

— Arricchito 13 maggio 2026 · Fonte: Organizzazione Mondiale della Sanità

Background

Deep convolutional neural networks trained on large, labeled datasets (both clinical and smartphone-captured images) have demonstrated high sensitivity and specificity for detecting skin diseases such as melanoma, psoriasis, and eczema, and several regulatory-cleared tools are available for healthcare-professional use (World Health Organization, 2026).

Under experimental conditions, convolutional neural networks have achieved melanoma sensitivities above 90% and specificities above 80% on dermoscopic images (Nature Medicine, 2026). Controlled studies indicate that AI can match or exceed dermatologists in these curated settings.

Key deployment challenges include variability in image quality (lighting, resolution), differences in skin tone, and atypical or rare presentations; therefore, clinical oversight remains essential (World Health Organization, 2026; Nature Medicine, 2026).

Ongoing research focuses on improving generalization across diverse populations and devices, integrating multimodal inputs (e.g., dermoscopy and patient history), and mitigating bias to enhance real-world reliability (World Health Organization, 2026).