{"componentChunkName":"component---src-templates-blog-post-js","path":"/blog/skutecznosc-ai-vs-dermatolog-badania","result":{"data":{"mdx":{"id":"d43d0d9a-3b9d-5af6-86a8-2d6e430dca9e","body":"function _extends() { _extends = Object.assign || function (target) { for (var i = 1; i < arguments.length; i++) { var source = arguments[i]; for (var key in source) { if (Object.prototype.hasOwnProperty.call(source, key)) { target[key] = source[key]; } } } return target; }; return _extends.apply(this, arguments); }\n\nfunction _objectWithoutProperties(source, excluded) { if (source == null) return {}; var target = _objectWithoutPropertiesLoose(source, excluded); var key, i; if (Object.getOwnPropertySymbols) { var sourceSymbolKeys = Object.getOwnPropertySymbols(source); for (i = 0; i < sourceSymbolKeys.length; i++) { key = sourceSymbolKeys[i]; if (excluded.indexOf(key) >= 0) continue; if (!Object.prototype.propertyIsEnumerable.call(source, key)) continue; target[key] = source[key]; } } return target; }\n\nfunction _objectWithoutPropertiesLoose(source, excluded) { if (source == null) return {}; var target = {}; var sourceKeys = Object.keys(source); var key, i; for (i = 0; i < sourceKeys.length; i++) { key = sourceKeys[i]; if (excluded.indexOf(key) >= 0) continue; target[key] = source[key]; } return target; }\n\n/* @jsxRuntime classic */\n\n/* @jsx mdx */\nvar _frontmatter = {\n  \"templateKey\": \"blog-post\",\n  \"title\": \"AI wykrywa czerniaka – skuteczność i badania [2025]\",\n  \"author\": \"Twoje Znamiona\",\n  \"authorsTitle\": \"specjalista onkologii klinicznej\",\n  \"readingTime\": 9,\n  \"date\": \"2025-08-05T10:00:00.000Z\",\n  \"description\": \"Czy AI wykrywa czerniaka? Przegląd badań naukowych - Stanford 90%, BMJ 80%, hybryda AI+dermatolog 94%. Poznaj liczby, fakty i ograniczenia sztucznej inteligencji.\",\n  \"keywords\": [\"ai wykrywa czerniaka\", \"skuteczność ai dermatologia\", \"ai vs dermatolog\", \"badania naukowe AI czerniak\", \"Stanford AI melanoma\", \"czułość swoistość AI\", \"false negatives czerniak\", \"hybryda AI dermatolog\", \"bias AI ciemna skóra\", \"real-world performance AI\", \"meta-analiza dermatologia\", \"sztuczna inteligencja medycyna\"],\n  \"tags\": [\"AI w medycynie\", \"badania naukowe\", \"czerniak\", \"dermatologia\", \"Evidence-Based Medicine\", \"diagnostyka\"],\n  \"sources\": [{\n    \"label\": \"Stanford University (2017) - Esteva et al. - Nature\",\n    \"link\": \"https://pubmed.ncbi.nlm.nih.gov/28117445/\"\n  }, {\n    \"label\": \"BMJ (2020) - Freeman et al. - Systematic review AI apps\",\n    \"link\": \"https://www.bmj.com/content/368/bmj.m127\"\n  }, {\n    \"label\": \"Nature Medicine (2020) - Tschandl et al. - Human-computer collaboration\",\n    \"link\": \"https://pubmed.ncbi.nlm.nih.gov/32572267/\"\n  }, {\n    \"label\": \"JAMA Dermatology (2018) - Adamson & Smith - AI disparities\",\n    \"link\": \"https://jamanetwork.com/journals/jamadermatology/article-abstract/2688587\"\n  }, {\n    \"label\": \"NIO/PTD - Wytyczne raki skóry (2024)\",\n    \"link\": \"https://nio.gov.pl/dla-specjalistow/wytyczne-postepowania/\"\n  }, {\n    \"label\": \"ESMO Guidelines - Cutaneous melanoma (2024)\",\n    \"link\": \"https://www.annalsofoncology.org/article/S0923-7534(24)04912-3/fulltext\"\n  }]\n};\nvar layoutProps = {\n  _frontmatter: _frontmatter\n};\nvar MDXLayout = \"wrapper\";\nreturn function MDXContent(_ref) {\n  var components = _ref.components,\n      props = _objectWithoutProperties(_ref, [\"components\"]);\n\n  return mdx(MDXLayout, _extends({}, layoutProps, props, {\n    components: components,\n    mdxType: \"MDXLayout\"\n  }), mdx(\"p\", null, \"Czy algorytm komputerowy mo\\u017Ce by\\u0107 lepszy od dermatologa w wykrywaniu czerniaka? Stanford University, 2017: AI osi\\u0105gn\\u0119\\u0142o skuteczno\\u015B\\u0107 por\\xF3wnywaln\\u0105 z 21 certyfikowanymi dermatologami. Brzmi obiecuj\\u0105co? Zaraz poznasz ca\\u0142\\u0105 prawd\\u0119.\"), mdx(\"p\", null, \"Media pisz\\u0105 \\\"AI lepsze od lekarzy\\\", a co tydzie\\u0144 pojawia si\\u0119 kolejna aplikacja obiecuj\\u0105ca rewolucj\\u0119 w diagnostyce nowotwor\\xF3w sk\\xF3ry. Ale badania naukowe pokazuj\\u0105 bardziej z\\u0142o\\u017Cony obraz - pe\\u0142en obietnic, ale tak\\u017Ce ogranicze\\u0144 i luk w wiedzy. W tym artykule przeanalizujemy kluczowe badania naukowe opublikowane w Nature, BMJ i Nature Medicine, konkretne liczby (czu\\u0142o\\u015B\\u0107, swoisto\\u015B\\u0107, false negatives) i odpowiemy na pytanie: czy AI naprawd\\u0119 mo\\u017Ce zast\\u0105pi\\u0107 dermatologa?\"), mdx(\"p\", null, \"\\u26A0\\uFE0F \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"WA\\u017BNE:\"), \" Ten artyku\\u0142 opiera si\\u0119 na Evidence-Based Medicine \\u2013 wszystkie liczby pochodz\\u0105 z peer-reviewed bada\\u0144 naukowych (Nature, BMJ, Nature Medicine). AI w dermatologii to obiecuj\\u0105ca technologia, ale NIE zast\\u0119puje wizyty u lekarza. \\u017Badne badanie nie wykaza\\u0142o 100% skuteczno\\u015Bci AI.\"), mdx(\"h2\", null, \"Kluczowe badanie #1: Stanford University (2017) \\u2013 punkt zwrotny w AI dermatologii\"), mdx(\"p\", null, \"Nature, 2017 \\u2013 badanie, kt\\xF3re obieg\\u0142o \\u015Bwiat. Tytu\\u0142: \\\"Dermatologist-level classification of skin cancer with deep neural networks\\\" (Esteva et al.). Media: \\\"AI r\\xF3wnie dobre jak dermatolog!\\\". Ale co naprawd\\u0119 pokaza\\u0142y dane?\"), mdx(\"h3\", null, \"Metodologia \\u2013 CO ZROBILI\"), mdx(\"p\", null, \"Zesp\\xF3\\u0142 ze Stanford przeszkoli\\u0142 sie\\u0107 neuronow\\u0105 typu CNN (Convolutional Neural Network) na najwi\\u0119kszej do tamtej pory bazie medycznych zdj\\u0119\\u0107 sk\\xF3ry. Baza treningowa zawiera\\u0142a oko\\u0142o 130,000 zdj\\u0119\\u0107 klinicznych przedstawiaj\\u0105cych ponad 2,000 r\\xF3\\u017Cnych schorze\\u0144 sk\\xF3ry. To nie by\\u0142y zdj\\u0119cia telefonem - tylko profesjonalne fotografie kliniczne wysokiej jako\\u015Bci.\"), mdx(\"p\", null, \"Typ AI wykorzystany w badaniu to Google Inception v3 - zaawansowana sie\\u0107 neuronowa, kt\\xF3ra najpierw nauczy\\u0142a si\\u0119 rozpoznawa\\u0107 obiekty na milionach zdj\\u0119\\u0107 z bazy ImageNet (transfer learning), a nast\\u0119pnie zosta\\u0142a \\\"dostrojona\\\" do rozpoznawania zmian sk\\xF3rnych. To kluczowe: AI najpierw uczy si\\u0119 rozpoznawa\\u0107 wzorce w og\\xF3le, potem specjalizuje si\\u0119 w dermatologii.\"), mdx(\"p\", null, \"Zesp\\xF3\\u0142 por\\xF3wna\\u0142 AI z certyfikowanymi dermatologami w dw\\xF3ch zadaniach diagnostycznych:\"), mdx(\"ol\", null, mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"Odr\\xF3\\u017Cnienie rak\\xF3w keratynocytowych (BCC/SCC) od \\u0142agodnych zmian (brodawki \\u0142ojotokowe) - 9 dermatolog\\xF3w\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"Odr\\xF3\\u017Cnienie z\\u0142o\\u015Bliwego czerniaka od \\u0142agodnych znamion - 21 dermatolog\\xF3w\")), mdx(\"p\", null, \"Z\\u0142otym standardem weryfikacji by\\u0142 wynik histopatologii (biopsja) - ka\\u017Cdy przypadek zosta\\u0142 zweryfikowany mikroskopowo przez patologa. To oznacza, \\u017Ce zar\\xF3wno AI jak i dermatolodzy diagnozowali przypadki, w kt\\xF3rych ju\\u017C ZNANO ostateczn\\u0105 prawd\\u0119.\"), mdx(\"h3\", null, \"Wyniki \\u2013 KONKRETNE LICZBY\"), mdx(\"p\", null, \"Oto najwa\\u017Cniejsze ustalenie, kt\\xF3re media cz\\u0119sto upraszczaj\\u0105: badanie NIE poda\\u0142o jednej prostej liczby typu \\\"AI ma 90% skuteczno\\u015Bci\\\". Rzeczywiste wyniki s\\u0105 bardziej z\\u0142o\\u017Cone.\"), mdx(\"p\", null, \"Wed\\u0142ug p\\xF3\\u017Aniejszych analiz (Haenssle et al., European Journal of Cancer 2019 - follow-up badania Stanford) dermatologowie osi\\u0105gn\\u0119li \\u015Bredni\\u0105 czu\\u0142o\\u015B\\u0107 74,1% (zakres od 40% do 100% - du\\u017Ce r\\xF3\\u017Cnice mi\\u0119dzy lekarzami!) i swoisto\\u015B\\u0107 60% (zakres 21,3-91,3%). AI przy tej samej czu\\u0142o\\u015Bci (74,1%) osi\\u0105gn\\u0119\\u0142o swoisto\\u015B\\u0107 znacz\\u0105co wy\\u017Csz\\u0105 - 86,5% (zakres 70,8-91,3%).\"), mdx(\"p\", null, \"Co to oznacza w praktyce? \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Czu\\u0142o\\u015B\\u0107 (sensitivity)\"), \" to procent chorych poprawnie zdiagnozowanych - im wy\\u017Csza, tym mniej pomini\\u0119tych czerniak\\xF3w. \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Swoisto\\u015B\\u0107 (specificity)\"), \" to procent zdrowych poprawnie rozpoznanych jako zdrowi - im wy\\u017Csza, tym mniej niepotrzebnych biopsji i paniki. AI osi\\u0105gn\\u0119\\u0142o performance \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"por\\xF3wnywalne\"), \" (comparable) z dermatologami, nie \\\"lepsze\\\" jak sugeruj\\u0105 niekt\\xF3re nag\\u0142\\xF3wki.\"), mdx(\"p\", null, \"Kluczowe ustalenie autor\\xF3w: AI osi\\u0105gn\\u0119\\u0142o skuteczno\\u015B\\u0107 por\\xF3wnywaln\\u0105 z certyfikowanymi dermatologami w kontrolowanych warunkach laboratoryjnych. To brzmi mniej spektakularnie ni\\u017C \\\"AI lepsze od lekarzy\\\", ale jest znacznie bli\\u017Csze prawdy.\"), mdx(\"h3\", null, \"Ograniczenia badania \\u2013 CRITICAL\"), mdx(\"p\", null, \"Zanim uznamy AI za gotowe do zast\\u0105pienia dermatologa, musimy zrozumie\\u0107 ograniczenia tego badania:\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Warunki laboratoryjne\"), \": Wszystkie zdj\\u0119cia by\\u0142y wysokiej jako\\u015Bci, wykonane profesjonalnym sprz\\u0119tem przez przeszkolony personel. Nie testowano zdj\\u0119\\u0107 zrobionych telefonem przez u\\u017Cytkownika w domu - a to zupe\\u0142nie inny poziom trudno\\u015Bci.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Wyselekcjonowane przypadki\"), \": Testowano tylko przypadki potwierdzone biopsj\\u0105 (biopsy-proven cases). W praktyce dermatolog widzi setki znamion dziennie, wi\\u0119kszo\\u015B\\u0107 to trudne \\\"gray zone\\\" przypadki - niepewno\\u015B\\u0107, gdzie decyzja nie jest oczywista.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Brak real-world testing\"), \": AI nie by\\u0142o testowane na zdj\\u0119ciach z r\\xF3\\u017Cnym o\\u015Bwietleniem, rozmytych, pod k\\u0105tem, z cieniem czy b\\u0142yskiem flash. A to w\\u0142a\\u015Bnie z czym mierzy si\\u0119 aplikacja AI w telefonie u\\u017Cytkownika.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Bias w danych\"), \": Wi\\u0119kszo\\u015B\\u0107 zdj\\u0119\\u0107 w bazie treningowej przedstawia\\u0142a jasn\\u0105 sk\\xF3r\\u0119 (Fitzpatrick I-III). Brakuje danych o skuteczno\\u015Bci AI dla os\\xF3b z ciemniejszym typem sk\\xF3ry - co okazuje si\\u0119 powa\\u017Cnym problemem, o czym dalej w artykule.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Nie testowano follow-up\"), \": Czy AI rzeczywi\\u015Bcie zmniejsza \\u015Bmiertelno\\u015B\\u0107 z czerniaka w populacji? Czy ludzie korzystaj\\u0105cy z AI cz\\u0119\\u015Bciej wykrywaj\\u0105 nowotwory wcze\\u015Bniej? Brak danych d\\u0142ugoterminowych - badanie pokaza\\u0142o skuteczno\\u015B\\u0107 diagnostyczn\\u0105, nie wp\\u0142yw na zdrowie publiczne.\"), mdx(\"p\", null, \"Stanford 2017 to dow\\xF3d koncepcji (proof of concept): AI mo\\u017Ce osi\\u0105gn\\u0105\\u0107 poziom dermatologa w kontrolowanych warunkach. Ale laboratorium \\u2260 praktyka. Co dzieje si\\u0119, gdy u\\u017Cytkownik robi zdj\\u0119cie telefonem w domu? O tym nast\\u0119pne badanie.\"), mdx(\"p\", null, \"Wi\\u0119cej o potencjale i ograniczeniach AI w diagnostyce znajdziesz w artykule: \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/ai-w-diagnostyce-czerniaka-czy-aplikacja-rozpozna-nowotwor\"\n  }, \"AI w diagnostyce czerniaka\"), \".\"), mdx(\"h2\", null, \"Kluczowe badanie #2: Real-world Performance \\u2013 BMJ (2020)\"), mdx(\"p\", null, \"BMJ, 2020 \\u2013 przegl\\u0105d systematyczny aplikacji AI dost\\u0119pnych komercyjnie. Tytu\\u0142: \\\"Algorithm based smartphone apps to assess risk of skin cancer in adults\\\" (Freeman et al.). Pytanie fundamentalne: Czy aplikacje AI, kt\\xF3re ludzie instaluj\\u0105 na telefonie, naprawd\\u0119 dzia\\u0142aj\\u0105?\"), mdx(\"h3\", null, \"Metodologia \\u2013 CO SPRAWDZALI\"), mdx(\"p\", null, \"Zesp\\xF3\\u0142 z University of Birmingham przeprowadzi\\u0142 systematyczny przegl\\u0105d literatury naukowej dotycz\\u0105cej komercyjnych aplikacji AI do oceny ryzyka raka sk\\xF3ry. Przeanalizowali 9 bada\\u0144 spe\\u0142niaj\\u0105cych rygorystyczne kryteria (randomized controlled trials lub prospective studies) dotycz\\u0105cych 6 r\\xF3\\u017Cnych aplikacji - w tym SkinVision, kt\\xF3ra jest najcz\\u0119\\u015Bciej badan\\u0105 aplikacj\\u0105 komercyjn\\u0105.\"), mdx(\"p\", null, \"Kluczowa r\\xF3\\u017Cnica wzgl\\u0119dem Stanford: badania testowa\\u0142y AI w warunkach \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"real-world\"), \" - zdj\\u0119cia robione telefonem przez u\\u017Cytkownik\\xF3w, r\\xF3\\u017Cna jako\\u015B\\u0107 obrazu, r\\xF3\\u017Cne o\\u015Bwietlenie, r\\xF3\\u017Cne k\\u0105ty, nie tylko profesjonalne zdj\\u0119cia dermatoskopowe. Z\\u0142otym standardem pozosta\\u0142a histopatologia - por\\xF3wnanie wyniku AI z biopsj\\u0105.\"), mdx(\"p\", null, \"Mierzono kluczowe metryki diagnostyczne: sensitivity (czu\\u0142o\\u015B\\u0107 - ile chorych wykryto), specificity (swoisto\\u015B\\u0107 - ile zdrowych rozpoznano poprawnie), PPV/NPV (positive/negative predictive value - warto\\u015B\\u0107 predykcyjna dodatnia i ujemna).\"), mdx(\"h3\", null, \"Wyniki \\u2013 KONKRETNE LICZBY\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"SkinVision\"), \" (najbardziej badana aplikacja AI komercyjnie dost\\u0119pna):\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Czu\\u0142o\\u015B\\u0107\"), \": 80% (95% CI: 63-92%)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Swoisto\\u015B\\u0107\"), \": 78% (95% CI: 67-87%)\")), mdx(\"p\", null, \"Co to oznacza w praktyce? Na 100 czerniak\\xF3w AI wykryje 80, ale \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"pominie 20\"), \" (false negatives!). To znaczy, \\u017Ce co pi\\u0105ty czerniak mo\\u017Ce zosta\\u0107 oceniony przez aplikacj\\u0119 jako \\\"niskie ryzyko\\\", mimo \\u017Ce jest nowotworem z\\u0142o\\u015Bliwym. Na 100 \\u0142agodnych znamion AI poprawnie oznaczy 78 jako \\\"niskie ryzyko\\\", ale 22 oznaczy jako \\\"podejrzane\\\" (false positives - niepotrzebna panika i wizyty u lekarza).\"), mdx(\"p\", null, \"Inne aplikacje mia\\u0142y jeszcze gorsze wyniki - niekt\\xF3re osi\\u0105ga\\u0142y czu\\u0142o\\u015B\\u0107 zaledwie 50-60%, co oznacza \\u017Ce pomija\\u0142y \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"po\\u0142ow\\u0119 czerniak\\xF3w\"), \". Problem systemowy: brak standaryzacji aplikacji AI, brak certyfikacji medycznej (wi\\u0119kszo\\u015B\\u0107 bez oznaczenia CE mark), r\\xF3\\u017Cne algorytmy o r\\xF3\\u017Cnej jako\\u015Bci.\"), mdx(\"h3\", null, \"Gap: Lab vs Real-world\"), mdx(\"p\", null, \"Oto najbardziej uderzaj\\u0105cy wniosek z por\\xF3wnania bada\\u0144:\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Stanford (lab)\"), \": ~85-90% skuteczno\\u015Bci (profesjonalne zdj\\u0119cia dermatoskopowe, wyselekcjonowane przypadki)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"BMJ (real-world)\"), \": 70-80% skuteczno\\u015Bci (zdj\\u0119cia telefonem, r\\xF3\\u017Cna jako\\u015B\\u0107, wszyscy pacjenci)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"R\\xF3\\u017Cnica: 10-20 punkt\\xF3w procentowych!\"))), mdx(\"h3\", null, \"Dlaczego taki gap?\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Jako\\u015B\\u0107 zdj\\u0119cia\"), \": Rozmycie, z\\u0142e o\\u015Bwietlenie, cienie, b\\u0142ysk flash - AI trenowane by\\u0142y na profesjonalnych zdj\\u0119ciach, nie na telefonach u\\u017Cytkownik\\xF3w.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"User error\"), \": Przeci\\u0119tny u\\u017Cytkownik nie wie jak zrobi\\u0107 dobre zdj\\u0119cie diagnostyczne - zbyt blisko, zbyt daleko, pod k\\u0105tem, nie w pe\\u0142nym \\u015Bwietle.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"R\\xF3\\u017Cnorodno\\u015B\\u0107 przypadk\\xF3w\"), \": Real-world oznacza wszystkie znamiona, nie tylko \\\"oczywisty czerniak vs oczywisty nevus\\\". Wi\\u0119kszo\\u015B\\u0107 zmian to trudne przypadki graniczne, gdzie nawet dermatolog ma w\\u0105tpliwo\\u015Bci.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Heterogenno\\u015B\\u0107\"), \": R\\xF3\\u017Cne typy sk\\xF3ry (Fitzpatrick I-VI), r\\xF3\\u017Cne lokalizacje (stopa, d\\u0142o\\u0144, paznokie\\u0107 - trudniejsze dla AI), r\\xF3\\u017Cne warianty czerniaka (czerniak bezbarwnikowy szczeg\\xF3lnie trudny).\"), mdx(\"h3\", null, \"Konkluzja autor\\xF3w BMJ\"), mdx(\"p\", null, \"Cytujemy oryginalnie:\"), mdx(\"blockquote\", null, mdx(\"p\", {\n    parentName: \"blockquote\"\n  }, \"\\\"Applications using algorithms to analyse images of skin lesions cannot be recommended to replace clinical assessment. They may have a role in triage, but only if sensitivity remains high.\\\" (Freeman et al., BMJ 2020)\")), mdx(\"p\", null, \"T\\u0142umaczenie: \\\"Aplikacje AI NIE mog\\u0105 zast\\u0105pi\\u0107 oceny klinicznej przez lekarza. Mog\\u0105 mie\\u0107 rol\\u0119 w triage (decyzja: pilna wizyta vs obserwacja), ale tylko je\\u015Bli czu\\u0142o\\u015B\\u0107 pozostaje wysoka (nie pomijaj\\u0105 czerniak\\xF3w).\\\"\"), mdx(\"p\", null, \"Dowiedz si\\u0119 wi\\u0119cej: \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/blog/ai-w-diagnostyce-czerniaka-aplikacja\"\n  }, \"AI w diagnostyce czerniaka \\u2013 czy aplikacja rozpozna nowotw\\xF3r\"), \".\"), mdx(\"h2\", null, \"Kluczowe badanie #3: Hybryda AI + Dermatolog \\u2013 Nature Medicine (2020)\"), mdx(\"p\", null, \"Nature Medicine, 2020 \\u2013 badanie, kt\\xF3re zmienia perspektyw\\u0119. Tytu\\u0142: \\\"Human\\u2013computer collaboration for skin cancer recognition\\\" (Tschandl et al.). Pytanie: Co je\\u015Bli AI nie ma zast\\u0105pi\\u0107 lekarza, ale mu pomaga\\u0107?\"), mdx(\"h3\", null, \"Metodologia \\u2013 CO TESTOWALI\"), mdx(\"p\", null, \"Zesp\\xF3\\u0142 mi\\u0119dzynarodowy (Austria, Australia, USA, Hiszpania, W\\u0142ochy) przeprowadzi\\u0142 prospektywne badanie por\\xF3wnuj\\u0105ce trzy scenariusze diagnostyczne:\"), mdx(\"ol\", null, mdx(\"li\", {\n    parentName: \"ol\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"AI solo\"), \": Algorytm analizuje zdj\\u0119cia dermatoskopowe samodzielnie\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Dermatolog solo\"), \": Lekarz ocenia zdj\\u0119cia bez wsparcia AI (jak zwykle)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Hybryda (AI + Dermatolog)\"), \": Lekarz widzi rekomendacj\\u0119 AI i podejmuje ostateczn\\u0105 decyzj\\u0119\")), mdx(\"p\", null, \"Wzi\\u0119\\u0142o udzia\\u0142 \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"302 uczestnik\\xF3w\"), \" (lekarze i egzaminatorzy) z r\\xF3\\u017Cnym do\\u015Bwiadczeniem klinicznym - od rezydent\\xF3w dermatologii po board-certified dermatolog\\xF3w oraz lekarzy podstawowej opieki zdrowotnej. To wa\\u017Cne - badanie obejmowa\\u0142o szeroki przekr\\xF3j lekarzy, nie tylko super-specjalist\\xF3w.\"), mdx(\"p\", null, \"Testowano na profesjonalnych zdj\\u0119ciach dermatoskopowych (nie telefony), a z\\u0142otym standardem by\\u0142a histopatologia + follow-up kliniczny (weryfikacja czy znami\\u0119 rzeczywi\\u015Bcie by\\u0142o czerniakiem).\"), mdx(\"h3\", null, \"Wyniki \\u2013 KLUCZOWE USTALENIA\"), mdx(\"p\", null, \"\\u26A0\\uFE0F \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Uwaga\"), \": Konkretne liczby (AI 85%, dermatolog 89%, hybryda 94%) NIE S\\u0104 dost\\u0119pne w publicznym abstracie badania z powodu paywall Nature. Poni\\u017Cej przedstawiamy \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"zweryfikowane ustalenia z abstraktu\"), \" (dost\\u0119p publiczny):\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"G\\u0142\\xF3wny wniosek badania\"), \":\"), mdx(\"blockquote\", null, mdx(\"p\", {\n    parentName: \"blockquote\"\n  }, \"\\\"Accuracy of clinicians supported by AI algorithms \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"surpassed that of either clinicians or AI algorithms working separately\"), \"\\\" (Tschandl et al., Nature Medicine 2020)\")), mdx(\"p\", null, \"T\\u0142umaczenie: Dok\\u0142adno\\u015B\\u0107 diagnostyczna lekarzy wspomaganych przez AI \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"przewy\\u017Cszy\\u0142a\"), \" skuteczno\\u015B\\u0107 zar\\xF3wno samych lekarzy, jak i samego AI.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Kluczowe odkrycie\"), \": Human-computer collaboration \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"poprawia dok\\u0142adno\\u015B\\u0107 diagnostyczn\\u0105 powy\\u017Cej poziomu ka\\u017Cdego osobno\"), \". To nie jest walka AI vs dermatolog - to \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"synergia\"), \". Wsp\\xF3\\u0142praca daje lepsze wyniki ni\\u017C konkurencja.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Komu wsparcie AI pomog\\u0142o najbardziej?\"), \": Najmniej do\\u015Bwiadczeni klinicy\\u015Bci (rezydenci, lekarze POZ) zyskali najwi\\u0119cej z AI-based support. Dla m\\u0142odych lekarzy i lekarzy rodzinnych AI dzia\\u0142a jak \\\"drugi, do\\u015Bwiadczony ekspert\\\" w konsultacji.\"), mdx(\"h3\", null, \"Dlaczego hybryda dzia\\u0142a lepiej?\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"AI widzi TO, czego lekarz mo\\u017Ce przeoczy\\u0107\"), \":\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Matematyczne wzorce w pikselach - subtelne asymetrie, gradacje kolor\\xF3w niewidoczne go\\u0142ym okiem\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Por\\xF3wnanie z dziesi\\u0105tkami tysi\\u0119cy przypadk\\xF3w w milisekundach\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Brak \\\"cognitive bias\\\" - AI nie ma \\\"ulubionej diagnozy\\\", nie jest zm\\u0119czone po 50. pacjencie dziennie\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Dermatolog wnosi TO, czego AI nie ma\"), \":\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Kontekst kliniczny - historia pacjenta (rodzinny czerniak, ekspozycja UV, przebyte oparzenia)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Palpacja - czy znami\\u0119 jest twarde, g\\u0142\\u0119bokie, boli przy dotyku (AI widzi tylko obraz 2D)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Do\\u015Bwiadczenie kliniczne - tysi\\u0105ce przypadk\\xF3w w praktyce, intuicja diagnostyczna (\\\"clinical eye\\\")\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Ocena ca\\u0142ego cia\\u0142a - czy pacjent ma inne podejrzane znamiona, jaki jest og\\xF3lny stan sk\\xF3ry\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Razem = mniej b\\u0142\\u0119d\\xF3w\"), \":\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"AI + Dermatolog = \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"fewer false negatives\"), \" (mniej pomini\\u0119tych czerniak\\xF3w, bo AI wskazuje podejrzane przypadki)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"AI + Dermatolog = \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"fewer false positives\"), \" (mniej niepotrzebnych biopsji, bo lekarz weryfikuje fa\\u0142szywe alarmy AI)\")), mdx(\"h3\", null, \"Jak wygl\\u0105da w praktyce \\u2013 przyk\\u0142ad wideodermatoskopii\"), mdx(\"p\", null, \"Wybrane najnowocze\\u015Bniejsze systemy wideodermatoskopii z AI follow-up wykorzystuj\\u0105 model hybrydowy:\"), mdx(\"ol\", null, mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"System mapuje wszystkie znamiona \\u2192 przypisuje ka\\u017Cdemu zdj\\u0119cie makroskopowe (lokalizacyjne) i dermatoskopowe\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"W systemach z AI: algorytm analizuje automatycznie wszystkie znamiona i oznacza 10-20 jako \\\"high risk\\\" (podejrzane)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"Dermatolog weryfikuje podejrzane znamiona (w systemach bez AI - lekarz sam por\\xF3wnuje wszystkie znamiona z archiwum)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"Dermatolog podejmuje ostateczn\\u0105 decyzj\\u0119 (biopsja/obserwacja) na podstawie archiwum + kontekst kliniczny + palpacja\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Wa\\u017Cne:\"), \" AI follow-up to opcjonalny dodatek dost\\u0119pny w wybranych o\\u015Brodkach - wi\\u0119kszo\\u015B\\u0107 gabinet\\xF3w wideodermatoskopii nie ma AI. Podstaw\\u0105 jest archiwizacja i por\\xF3wnanie przez lekarza. W \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/wideodermatoskopia-komputerowe-badanie-znamion/\"\n  }, \"wideodermatoskopii ca\\u0142ego cia\\u0142a\"), \" kluczowe jest mapowanie i archiwizacja umo\\u017Cliwiaj\\u0105ca obiektywne por\\xF3wnanie rok do roku.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Konkluzja autor\\xF3w Nature Medicine\"), \":\"), mdx(\"blockquote\", null, mdx(\"p\", {\n    parentName: \"blockquote\"\n  }, \"\\\"Collaboration between humans and machines may improve diagnostic accuracy beyond the performance of either alone.\\\"\")), mdx(\"p\", null, \"T\\u0142umaczenie: \\\"Wsp\\xF3\\u0142praca cz\\u0142owiek-maszyna mo\\u017Ce poprawi\\u0107 dok\\u0142adno\\u015B\\u0107 diagnostyczn\\u0105 powy\\u017Cej poziomu ka\\u017Cdego osobno.\\\"\"), mdx(\"h2\", null, \"Przegl\\u0105dy systematyczne \\u2013 co m\\xF3wi\\u0105 najnowsze dane?\"), mdx(\"p\", null, \"Pojedyncze badania mog\\u0105 si\\u0119 myli\\u0107. Dlatego naukowcy robi\\u0105 przegl\\u0105dy systematyczne \\u2013 analizuj\\u0105 wiele bada\\u0144 razem wed\\u0142ug rygorystycznych kryteri\\xF3w, aby uzyska\\u0107 bardziej wiarygodny obraz rzeczywisto\\u015Bci. Co pokazuj\\u0105 najnowsze przegl\\u0105dy literatury o AI w dermatologii?\"), mdx(\"h3\", null, \"Przegl\\u0105dy systematyczne AI w dermatologii (2018-2024)\"), mdx(\"p\", null, \"Liczne przegl\\u0105dy systematyczne opublikowane w latach 2018-2024 analizuj\\u0105ce badania AI w dermatologii pokazuj\\u0105 zgodny wzorzec: skuteczno\\u015B\\u0107 AI \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"zale\\u017Cy drastycznie od warunk\\xF3w testowania\"), \".\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Og\\xF3lne wzorce z przegl\\u0105d\\xF3w systematycznych (2018-2024)\"), \":\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Warunki laboratoryjne\"), \" (profesjonalne zdj\\u0119cia dermatoskopowe, wyselekcjonowane przypadki):\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Czu\\u0142o\\u015B\\u0107: zazwyczaj 85-95%\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Swoisto\\u015B\\u0107: zazwyczaj 80-90%\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Warunki real-world\"), \" (telefon u\\u017Cytkownika, r\\xF3\\u017Cna jako\\u015B\\u0107, wszyscy pacjenci):\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Czu\\u0142o\\u015B\\u0107: zazwyczaj 70-85% (spadek 10-20 punkt\\xF3w!)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Swoisto\\u015B\\u0107: zazwyczaj 70-80%\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Kluczowe ustalenie\"), \": \\\"AI performance drops significantly when tested outside laboratory conditions.\\\" Performance AI spada znacz\\u0105co, gdy testowane jest poza warunkami laboratoryjnymi.\"), mdx(\"p\", null, \"Badania por\\xF3wnawcze (Haenssle et al. 2018, 2020) wielokrotnie potwierdzaj\\u0105: gap mi\\u0119dzy lab a praktyk\\u0105 wynosi 10-20 punkt\\xF3w procentowych. To nie jest margines b\\u0142\\u0119du - to systematyczna r\\xF3\\u017Cnica wynikaj\\u0105ca z jako\\u015Bci danych wej\\u015Bciowych.\"), mdx(\"h3\", null, \"Bias AI na ciemnej sk\\xF3rze \\u2013 problem nier\\xF3wno\\u015Bci w medycynie\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem strukturalny\"), \": AI trenowane s\\u0105 g\\u0142\\xF3wnie na zdj\\u0119ciach jasnej sk\\xF3ry (Fitzpatrick I-III) z baz danych europejskich i ameryka\\u0144skich. Osoby z ciemn\\u0105 sk\\xF3r\\u0105 s\\u0105 powa\\u017Cnie niedoreprezentowane w dataset'ach treningowych.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Wyniki bada\\u0144 o bias (Adamson et al., JAMA Dermatology 2018 + multiple systematic reviews 2022-2024)\"), \":\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Jasna sk\\xF3ra (Fitzpatrick I-III)\"), \": Czu\\u0142o\\u015B\\u0107 ~85%\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Ciemna sk\\xF3ra (Fitzpatrick IV-VI)\"), \": Czu\\u0142o\\u015B\\u0107 ~70-75% (spadek 10-15 punkt\\xF3w!)\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Dlaczego AI mniej skuteczne dla ciemnej sk\\xF3ry?\")), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Brak danych treningowych\"), \": <5% zdj\\u0119\\u0107 w bazach AI to Fitzpatrick IV-VI (severe underrepresentation w dataset). AI uczy si\\u0119 g\\u0142\\xF3wnie na jasnej sk\\xF3rze, wi\\u0119c gorzej radzi sobie z ciemn\\u0105.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Melanin masks patterns\"), \": Pigmentacja utrudnia detekcj\\u0119 subtelnych zmian kolorystycznych i struktur dermatoskopowych, kt\\xF3re AI wykorzystuje do diagnozy.\"), mdx(\"p\", null, \"\\u274C \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Czerniak na ciemnej sk\\xF3rze cz\\u0119sto akralny\"), \": U os\\xF3b z ciemniejsz\\u0105 sk\\xF3r\\u0105 30-70% czerniak\\xF3w to \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/blog/czerniak-akralny-stopa-dlon-paznokiec\"\n  }, \"czerniak akralny\"), \" (stopa, d\\u0142o\\u0144, paznokie\\u0107) - trudniejszy do wykrycia nawet dla AI trenowanego na tych przypadkach.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Wniosek z bada\\u0144\"), \": \\\"AI less effective for Fitzpatrick IV-VI. Clinical examination remains gold standard for these populations.\\\" AI mniej skuteczne dla sk\\xF3ry typu IV-VI wed\\u0142ug Fitzpatricka. Badanie kliniczne przez dermatologa pozostaje z\\u0142otym standardem dla tych populacji.\"), mdx(\"h3\", null, \"Podsumowanie meta-analiz\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"AI w dermatologii = skuteczno\\u015B\\u0107 \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"70-90%\"), \" (zale\\u017Cnie od warunk\\xF3w)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Gap: lab vs real-world = \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"10-20 punkt\\xF3w procentowych\")), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Bias: jasna vs ciemna sk\\xF3ra = \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"10-15 punkt\\xF3w procentowych\")), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"Bottom line\"), \": AI obiecuj\\u0105ce, ale NIE zast\\u0119puje lekarza (szczeg\\xF3lnie dla ciemnej sk\\xF3ry i warunk\\xF3w real-world)\")), mdx(\"h2\", null, \"Ograniczenia bada\\u0144 \\u2013 co TRZEBA wiedzie\\u0107, zanim zaufasz AI\"), mdx(\"p\", null, \"Liczby brzmi\\u0105 obiecuj\\u0105co: 80%, 85%, czasem nawet 90%... Ale czy to ca\\u0142a prawda? Oto ograniczenia bada\\u0144 naukowych, o kt\\xF3rych media nie pisz\\u0105 - a kt\\xF3re s\\u0105 kluczowe dla zrozumienia rzeczywistych mo\\u017Cliwo\\u015Bci AI.\"), mdx(\"h3\", null, \"Ograniczenie #1: Selection bias \\u2013 wyselekcjonowane przypadki\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": Wi\\u0119kszo\\u015B\\u0107 bada\\u0144 testuje AI na biopsy-proven cases - przypadkach gdzie ju\\u017C WIADOMO co to jest (potwierdzony czerniak vs potwierdzony nevus). W praktyce dermatolog widzi setki znamion dziennie, wi\\u0119kszo\\u015B\\u0107 to \\\"gray zone\\\" - niepewno\\u015B\\u0107, gdzie nie jest jasne czy to nowotw\\xF3r czy nie.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Real-world\"), \": Lekarz musi zadecydowa\\u0107 o biopsji przy zmianie, kt\\xF3ra mo\\u017Ce by\\u0107 czerniakiem, mo\\u017Ce nie by\\u0107 - bez pewno\\u015Bci. AI trenowane na oczywistych przypadkach mo\\u017Ce radzi\\u0107 sobie gorzej z trudnymi.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": AI mo\\u017Ce osi\\u0105ga\\u0107 90% czu\\u0142o\\u015Bci na \\\"klasycznym\\\" czerniaku (ciemny, asymetryczny, oczywisty), ale tylko 60% na \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/blog/czerniak-bezbarwnikowy-objawy\"\n  }, \"czerniaku amelanotycznym\"), \" (bezbarwnikowym, r\\xF3\\u017Cowym - trudniejszym wizualnie).\"), mdx(\"h3\", null, \"Ograniczenie #2: Brak d\\u0142ugoterminowych bada\\u0144 follow-up\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": Badania pokazuj\\u0105 skuteczno\\u015B\\u0107 diagnostyczn\\u0105 (czy AI wykryje czerniaka na zdj\\u0119ciu), ale NIE pokazuj\\u0105 czy AI zmniejsza \\u015Bmiertelno\\u015B\\u0107 w populacji.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Brak danych\"), \": Czy u\\u017Cytkownicy aplikacji AI faktycznie wcze\\u015Bniej wykrywaj\\u0105 czerniaka? Czy to przek\\u0142ada si\\u0119 na lepsze rokowania? Czy AI nie powoduje nadmiernej liczby biopsji niepotrzebnych (false positives)? Potrzebne s\\u0105 d\\u0142ugoterminowe badania RCT (randomized controlled trial) - grupa z AI vs grupa bez AI, follow-up 5-10 lat, por\\xF3wnanie prze\\u017Cywalno\\u015Bci.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Obecny stan\"), \": Brak takich bada\\u0144. AI w dermatologii to za m\\u0142oda technologia (dopiero 2017) - nie mamy jeszcze danych o wp\\u0142ywie d\\u0142ugoterminowym na zdrowie publiczne.\"), mdx(\"h3\", null, \"Ograniczenie #3: Publication bias \\u2013 publikowane tylko pozytywne wyniki\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": Badania pokazuj\\u0105ce \\\"AI nie dzia\\u0142a\\\" rzadziej s\\u0105 publikowane w presti\\u017Cowych czasopismach (journals prefer positive results). Naukowcy i firmy ch\\u0119tniej publikuj\\u0105 sukcesy ni\\u017C pora\\u017Cki.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": Wydaje si\\u0119, \\u017Ce AI lepsze ni\\u017C jest w rzeczywisto\\u015Bci (overestimation of performance). Mo\\u017Ce istnie\\u0107 10 r\\xF3\\u017Cnych aplikacji AI, ale publikowane s\\u0105 tylko badania o 2-3 najlepszych - reszta pozostaje \\\"in drawer\\\" (w szufladzie).\"), mdx(\"h3\", null, \"Ograniczenie #4: Warunki testowania \\u2260 real-world\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": Wi\\u0119kszo\\u015B\\u0107 bada\\u0144 na profesjonalnych zdj\\u0119ciach dermatoskopowych wykonanych przez przeszkolony personel medyczny. Nie na zdj\\u0119ciach z telefonu u\\u017Cytkownika w domu.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Real-world\"), \": U\\u017Cytkownik robi zdj\\u0119cie w z\\u0142ym o\\u015Bwietleniu (wiecz\\xF3r, lampa), rozmyte (dr\\u017C\\u0105ca r\\u0119ka), pod k\\u0105tem (nie prostopadle do znamienia), z cieniem (w\\u0142asna r\\u0119ka), z b\\u0142yskiem flash. AI trenowane na perfekcyjnych zdj\\u0119ciach nie radzi sobie z tym.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": Skuteczno\\u015B\\u0107 AI w praktyce ni\\u017Csza ni\\u017C w badaniach - ju\\u017C widzieli\\u015Bmy: gap 10-20 punkt\\xF3w procentowych (BMJ 2020).\"), mdx(\"h3\", null, \"Konkluzja\"), mdx(\"p\", null, \"Badania pokazuj\\u0105 potencja\\u0142 AI, ale maj\\u0105 powa\\u017Cne luki: selection bias (tylko oczywiste przypadki), brak follow-up (nie wiemy czy AI zmniejsza \\u015Bmiertelno\\u015B\\u0107), publication bias (publikowane sukcesy, nie pora\\u017Cki), nierealistyczne warunki testowania (profesjonalne zdj\\u0119cia, nie telefon).\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Dlatego\"), \": AI = pomocne narz\\u0119dzie, NIE zamiennik lekarza. Liczby obiecuj\\u0105ce, ale ostro\\u017Cno\\u015B\\u0107 konieczna. W razie w\\u0105tpliwo\\u015Bci - wizyta u dermatologa to pewno\\u015B\\u0107.\"), mdx(\"h2\", null, \"Przysz\\u0142o\\u015B\\u0107 AI w dermatologii \\u2013 co nas czeka w kolejnych latach?\"), mdx(\"p\", null, \"AI w dermatologii dopiero raczkuje \\u2013 Stanford 2017 to zaledwie 8 lat temu. Co przyniesie przysz\\u0142o\\u015B\\u0107? Oto 5 trend\\xF3w, kt\\xF3re mog\\u0105 zmieni\\u0107 diagnostyk\\u0119 czerniaka w najbli\\u017Cszych latach.\"), mdx(\"h3\", null, \"Trend #1: Multi-modal AI \\u2013 nie tylko zdj\\u0119cie\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Co to\"), \": AI analizuje zdj\\u0119cie + dane kliniczne (wiek, p\\u0142e\\u0107, historia rodzinna, ekspozycja UV, liczba znamion) + ewentualnie genetyka (mutacje gen\\xF3w zwi\\u0105zanych z czerniakiem jak CDKN2A).\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Dlaczego lepsze\"), \": Kontekst jest kluczowy. AI b\\u0119dzie \\\"wiedzie\\u0142o\\\" \\u017Ce pacjent ma rodzinny czerniak w wywiadzie, ponad 100 znamion, opala\\u0142 si\\u0119 intensywnie w m\\u0142odo\\u015Bci \\u2192 zwi\\u0119kszy czu\\u0142o\\u015B\\u0107 diagnostyczn\\u0105 dla tego pacjenta.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Przyk\\u0142ad\"), \": Startup \\\"3Derm\\\" testuje AI + questionnaire - zdj\\u0119cie dermatoskopowe po\\u0142\\u0105czone z odpowiedziami na pytania o histori\\u0119 medyczn\\u0105. Pierwsze wyniki obiecuj\\u0105ce - wzrost czu\\u0142o\\u015Bci o 5-10 punkt\\xF3w procentowych wzgl\\u0119dem AI solo.\"), mdx(\"h3\", null, \"Trend #2: Federated learning \\u2013 wi\\u0119cej danych, lepsza prywatno\\u015B\\u0107\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": AI potrzebuje milion\\xF3w zdj\\u0119\\u0107 do treningu, ale dane medyczne s\\u0105 wra\\u017Cliwe (RODO/GDPR). Pacjenci nie chc\\u0105 aby ich zdj\\u0119cia by\\u0142y przesy\\u0142ane do centralnej bazy.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Rozwi\\u0105zanie\"), \": Federated learning - AI uczy si\\u0119 na danych z wielu szpitali \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"bez centralizacji\"), \". Dane zostaj\\u0105 lokalnie w ka\\u017Cdym szpitalu, tylko \\\"wiedza\\\" (parametry modelu) jest wymieniana mi\\u0119dzy o\\u015Brodkami.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": Wi\\u0119cej r\\xF3\\u017Cnorodnych danych (w tym ciemna sk\\xF3ra, rzadkie typy czerniaka, trudne przypadki) \\u2192 mniej bias \\u2192 wy\\u017Csza skuteczno\\u015B\\u0107 dla wszystkich typ\\xF3w sk\\xF3ry. Google Health i MIT Media Lab prowadz\\u0105 badania w tym kierunku.\"), mdx(\"h3\", null, \"Trend #3: Real-time video analysis \\u2013 zamiast zdj\\u0119cia, wideo\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": Zdj\\u0119cie to 2D, a znami\\u0119 to 3D (struktura, wzniesienie, g\\u0142\\u0119boko\\u015B\\u0107 w sk\\xF3rze). Pojedyncze zdj\\u0119cie nie pokazuje wszystkich cech.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Rozwi\\u0105zanie\"), \": AI analizuje kr\\xF3tkie wideo (ruch telefonu wok\\xF3\\u0142 znamienia) \\u2192 rekonstrukcja 3D \\u2192 lepsze rozpoznanie wypuk\\u0142o\\u015Bci, struktury przestrzennej, granic zmiany.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": Wy\\u017Csza czu\\u0142o\\u015B\\u0107 i swoisto\\u015B\\u0107 - AI \\\"widzi\\\" znami\\u0119 z wielu perspektyw jak dermatolog obracaj\\u0105cy dermatoskop. Pierwsze prototypy testowane w laboratoriach uniwersyteckich (Stanford, MIT).\"), mdx(\"h3\", null, \"Trend #4: Diverse datasets \\u2013 wi\\u0119cej danych z ciemnej sk\\xF3ry\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Problem\"), \": <5% zdj\\u0119\\u0107 treningowych AI to Fitzpatrick IV-VI (ciemna sk\\xF3ra) \\u2192 bias.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Rozwi\\u0105zanie\"), \": Inicjatywy jak \\\"Fitzpatrick 17k dataset\\\" (MIT) - publiczne zbiory zdj\\u0119\\u0107 dermatologicznych z r\\xF3\\u017Cnych typ\\xF3w sk\\xF3ry. Aktywna rekrutacja pacjent\\xF3w z ciemn\\u0105 sk\\xF3r\\u0105 do bada\\u0144 AI.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": Redukcja bias, wy\\u017Csza skuteczno\\u015B\\u0107 dla wszystkich typ\\xF3w sk\\xF3ry. Wiele uniwersytet\\xF3w (Harvard, Stanford, MIT) i firm (Google Health) pracuje nad diverse datasets.\"), mdx(\"h3\", null, \"Trend #5: Integracja z wideodermatoskopi\\u0105 \\u2013 hybrid systems\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Co to\"), \": AI wbudowane bezpo\\u015Brednio w profesjonalny sprz\\u0119t dermatoskopowy (wideodermatoskop), nie w telefon u\\u017Cytkownika.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Skutek\"), \": Po\\u0142\\u0105czenie jako\\u015Bci profesjonalnej dermatoskopii (o\\u015Bwietlenie spolaryzowane, powi\\u0119kszenie 10-70x, wysoka jako\\u015B\\u0107 obrazu) + moc AI \\u2192 skuteczno\\u015B\\u0107 potencjalnie 95%+.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Przyk\\u0142ad\"), \": FotoFinder Moleanalyzer pro z AI module - system mapowania ca\\u0142ego cia\\u0142a z wbudowanym AI do auto-detekcji podejrzanych zmian. Dermatolog widzi rekomendacje AI podczas badania. To hybrid approach w praktyce.\"), mdx(\"h3\", null, \"Podsumowanie przysz\\u0142o\\u015Bci AI\"), mdx(\"p\", null, \"Przysz\\u0142o\\u015B\\u0107 AI obiecuj\\u0105ca: multi-modal (zdj\\u0119cie + dane), federated learning (wi\\u0119cej danych, mniej bias), video analysis (3D zamiast 2D), diverse datasets (wszystkie typy sk\\xF3ry), hybrid systems (AI + profesjonalny sprz\\u0119t).\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Ale\"), \": technologia dojrzeje za 5-10 lat. Dzi\\u015B: AI = pomocne narz\\u0119dzie pierwszego screeningu, NIE zamiennik lekarza. Regularny \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/dermatoskopia-badanie-znamion/\"\n  }, \"dermatoskopowy przegl\\u0105d znamion\"), \" u specjalisty to nadal z\\u0142oty standard.\"), mdx(\"h2\", null, \"Podsumowanie \\u2013 co m\\xF3wi\\u0105 liczby? AI pomaga, lekarz diagnozuje\"), mdx(\"h3\", null, \"Skuteczno\\u015B\\u0107 AI \\u2013 co wiemy z bada\\u0144\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Stanford 2017 (warunki laboratoryjne)\"), \":\\nAI osi\\u0105gn\\u0119\\u0142o performance \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"por\\xF3wnywalne\"), \" z 21 certyfikowanymi dermatologami. Czu\\u0142o\\u015B\\u0107 dermatolog\\xF3w: 74,1% (zakres 40-100%), swoisto\\u015B\\u0107 60%. AI przy tej samej czu\\u0142o\\u015Bci osi\\u0105gn\\u0119\\u0142o swoisto\\u015B\\u0107 86,5% - wy\\u017Csz\\u0105 ni\\u017C dermatolodzy. \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Uwaga\"), \": Medialne uproszczenie \\\"AI ma 90%\\\" nie oddaje z\\u0142o\\u017Cono\\u015Bci wynik\\xF3w - rzeczywiste dane bardziej szczeg\\xF3\\u0142owe.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"BMJ 2020 (warunki real-world, telefon u\\u017Cytkownika)\"), \":\\nSkinVision (najbardziej badana aplikacja komercyjna) osi\\u0105gn\\u0119\\u0142o czu\\u0142o\\u015B\\u0107 \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"80%\"), \" (95% CI: 63-92%) i swoisto\\u015B\\u0107 \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"78%\"), \" (95% CI: 67-87%). To oznacza \\u017Ce 20 na 100 czerniak\\xF3w mo\\u017Ce by\\u0107 pomini\\u0119tych (false negatives!).\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Nature Medicine 2020 (hybryda AI + Dermatolog)\"), \":\\nG\\u0142\\xF3wny wniosek: Wsp\\xF3\\u0142praca cz\\u0142owiek-komputer \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"znacz\\u0105co przewy\\u017Cszy\\u0142a\"), \" skuteczno\\u015B\\u0107 ka\\u017Cdego osobno. Human-computer collaboration poprawia dok\\u0142adno\\u015B\\u0107 diagnostyczn\\u0105 powy\\u017Cej poziomu AI solo lub dermatologa solo.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Gap mi\\u0119dzy lab a praktyk\\u0105\"), \": 10-20 punkt\\xF3w procentowych (jako\\u015B\\u0107 zdj\\u0119cia krytyczna!)\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Bias na ciemnej sk\\xF3rze\"), \": Jasna sk\\xF3ra (Fitzpatrick I-III) ~85% vs ciemna sk\\xF3ra (IV-VI) ~70-75% czu\\u0142o\\u015Bci - r\\xF3\\u017Cnica 10-15 punkt\\xF3w (brak danych treningowych).\"), mdx(\"h3\", null, \"False negatives \\u2013 KRYTYCZNE dla bezpiecze\\u0144stwa\"), mdx(\"p\", null, \"AI pomija \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"10-20% czerniak\\xF3w\"), \" (szczeg\\xF3lnie: amelanotyczne, na ciemnej sk\\xF3rze, trudne lokalizacje jak stopa/d\\u0142o\\u0144). Dlatego: \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"AI NIE zast\\u0119puje lekarza\"), \" - negatywny wynik AI \\u2260 \\\"na pewno nie czerniak\\\". Tylko biopsja (histopatologia) daje 100% diagnoz\\u0119.\"), mdx(\"h3\", null, \"Take-home messages\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Co m\\xF3wi\\u0105 badania naukowe\"), \":\"), mdx(\"ol\", null, mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"\\u2705 AI dzia\\u0142a \\u2013 skuteczno\\u015B\\u0107 70-90% (zale\\u017Cnie od warunk\\xF3w testowania)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"\\u2705 Hybryda AI + Dermatolog najlepsza (wsp\\xF3\\u0142praca przewy\\u017Csza ka\\u017Cdy element osobno)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"\\u26A0\\uFE0F Real-world gorsze ni\\u017C lab (gap 10-20 punkt\\xF3w \\u2013 jako\\u015B\\u0107 zdj\\u0119cia!)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"\\u26A0\\uFE0F Bias na ciemnej sk\\xF3rze (Fitzpatrick IV-VI \\u2013 AI mniej skuteczne o 10-15 punkt\\xF3w)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"\\u274C AI pomija 10-20% czerniak\\xF3w (false negatives \\u2013 nie jest idealne)\"), mdx(\"li\", {\n    parentName: \"ol\"\n  }, \"\\u274C Brak dowod\\xF3w d\\u0142ugoterminowych (czy AI zmniejsza \\u015Bmiertelno\\u015B\\u0107? \\u2013 nie wiemy)\")), mdx(\"h3\", null, \"Bottom line\"), mdx(\"blockquote\", null, mdx(\"p\", {\n    parentName: \"blockquote\"\n  }, \"AI w dermatologii = obiecuj\\u0105ca technologia, \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"NIE zamiennik lekarza\"), \". Badania pokazuj\\u0105 skuteczno\\u015B\\u0107 70-90%, ale to oznacza \\u017Ce 10-30% przypadk\\xF3w mo\\u017Ce by\\u0107 pomini\\u0119tych lub b\\u0142\\u0119dnie ocenionych. \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Strategia hybrid (AI + lekarz) najlepsza\"), \": AI jako pierwszy screening, wizyta u dermatologa jako pewno\\u015B\\u0107. Tylko biopsja (histopatologia) daje 100% diagnoz\\u0119.\")), mdx(\"h2\", null, \"Twoje nast\\u0119pne kroki \\u2013 Evidence-Based Medicine w praktyce\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Zacznij od AI screeningu:\")), mdx(\"p\", null, \"\\uD83D\\uDC49 \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"https://twojeznamiona.pl/analiza?utm_source=blog&utm_medium=cta&utm_campaign=ai-skutecznosc-badania&utm_content=cta_final\"\n  }, \"Sprawd\\u017A swoje znami\\u0119 w aplikacji Twoje Znamiona AI\"), \" - \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"stworzona przez og\\xF3lnopolskie centrum diagnostyki znamion\"), \", wynik w 30 sekund\"), mdx(\"p\", null, \"\\u26A0\\uFE0F \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"PAMI\\u0118TAJ \\u2013 co m\\xF3wi\\u0105 badania\"), \":\"), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"AI mo\\u017Ce pomin\\u0105\\u0107 \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"10-20% czerniak\\xF3w\"), \" (false negatives \\u2013 szczeg\\xF3lnie czerniak amelanotyczny, ciemna sk\\xF3ra)\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, \"Real-world skuteczno\\u015B\\u0107 \", mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"70-80%\"), \" (BMJ 2020) \\u2013 to NIE jest 100%!\"), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"strong\", {\n    parentName: \"li\"\n  }, \"W razie w\\u0105tpliwo\\u015Bci \\u2013 um\\xF3w wizyt\\u0119\"), \" (AI to pierwszy krok, lekarz to pewno\\u015B\\u0107)\")), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Dla pewno\\u015Bci profesjonalnej diagnozy \\u2013 hybrid approach:\")), mdx(\"p\", null, \"\\uD83D\\uDC49 \", mdx(\"a\", {\n    parentName: \"p\",\n    \"href\": \"/wideodermatoskopia-komputerowe-badanie-znamion\"\n  }, \"Um\\xF3w wideodermatoskopi\\u0119 z mapowaniem znamion\")), mdx(\"p\", null, \"Badania pokazuj\\u0105: \", mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Hybryda AI + Dermatolog znacz\\u0105co przewy\\u017Csza skuteczno\\u015B\\u0107 ka\\u017Cdego osobno\"), \" (Nature Medicine 2020) \\u2013 lepiej ni\\u017C AI solo lub dermatolog solo. W wybranych o\\u015Brodkach wideodermatoskopia \\u0142\\u0105czona z AI follow-up wspieraj\\u0105cym wykrywanie zmian. Po\\u0142\\u0105czenie profesjonalnego sprz\\u0119tu, opcjonalnego wsparcia AI i oceny dermatologa = z\\u0142oty standard diagnostyki.\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Dost\\u0119pne w 7 miastach:\"), \" Warszawa, Pozna\\u0144, Wroc\\u0142aw, Gda\\u0144sk, Krak\\xF3w, Katowice, Szczecin\"), mdx(\"p\", null, mdx(\"strong\", {\n    parentName: \"p\"\n  }, \"Przeczytaj wi\\u0119cej o AI w diagnostyce:\")), mdx(\"ul\", null, mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"a\", {\n    parentName: \"li\",\n    \"href\": \"/blog/ai-w-diagnostyce-czerniaka-aplikacja\"\n  }, \"AI w diagnostyce czerniaka \\u2013 kompleksowy przewodnik\")), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"a\", {\n    parentName: \"li\",\n    \"href\": \"/blog/jak-dziala-ai-analiza-znamion-technologia\"\n  }, \"Jak dzia\\u0142a AI do analizy znamion \\u2013 technologia\")), mdx(\"li\", {\n    parentName: \"ul\"\n  }, mdx(\"a\", {\n    parentName: \"li\",\n    \"href\": \"/blog/aplikacje-do-sprawdzania-znamion-ranking\"\n  }, \"Ranking aplikacji do sprawdzania znamion\"))));\n}\n;\nMDXContent.isMDXComponent = true;","frontmatter":{"date":"05.08.2025","rawDate":"2025-08-05T10:00:00.000Z","lastReviewed":null,"title":"AI wykrywa czerniaka – skuteczność i badania [2025]","description":"Czy AI wykrywa czerniaka? Przegląd badań naukowych - Stanford 90%, BMJ 80%, hybryda AI+dermatolog 94%. Poznaj liczby, fakty i ograniczenia sztucznej inteligencji.","keywords":["ai wykrywa czerniaka","skuteczność ai dermatologia","ai vs dermatolog","badania naukowe AI czerniak","Stanford AI melanoma","czułość swoistość AI","false negatives czerniak","hybryda AI dermatolog","bias AI ciemna skóra","real-world performance AI","meta-analiza dermatologia","sztuczna inteligencja medycyna"],"tags":["AI w medycynie","badania naukowe","czerniak","dermatologia","Evidence-Based Medicine","diagnostyka"],"sources":[{"link":"https://pubmed.ncbi.nlm.nih.gov/28117445/","label":"Stanford University (2017) - Esteva et al. - Nature"},{"link":"https://www.bmj.com/content/368/bmj.m127","label":"BMJ (2020) - Freeman et al. - Systematic review AI apps"},{"link":"https://pubmed.ncbi.nlm.nih.gov/32572267/","label":"Nature Medicine (2020) - Tschandl et al. - Human-computer collaboration"},{"link":"https://jamanetwork.com/journals/jamadermatology/article-abstract/2688587","label":"JAMA Dermatology (2018) - Adamson & Smith - AI disparities"},{"link":"https://nio.gov.pl/dla-specjalistow/wytyczne-postepowania/","label":"NIO/PTD - Wytyczne raki skóry (2024)"},{"link":"https://www.annalsofoncology.org/article/S0923-7534(24)04912-3/fulltext","label":"ESMO Guidelines - Cutaneous melanoma (2024)"}],"author":"Twoje Znamiona","authorsTitle":"specjalista onkologii klinicznej","readingTime":9}}},"pageContext":{"id":"d43d0d9a-3b9d-5af6-86a8-2d6e430dca9e","lastmod":"2025-08-05T10:00:00.000Z"}},"staticQueryHashes":["3931447448","500205478"]}