Vol. 5 No. 1 (2026), Articles
Vol. 5 No. 1 (2026)

SUN’IY INTELLEKTNING GISTOLOGIK DIAGNOSTIKADAGI O‘RNI

Articles
Published 2026-06-01
Dustmurodova Sevinch Inom qizi
Samarqand davlat tibbiyot universiteti, Boshqaruv va menejment fakutetining 1-bosqich talabalari[1,2]
Ashurova Shahzoda Jasurovna
Samarqand davlat tibbiyot universiteti, Boshqaruv va menejment fakutetining 1-bosqich talabalari[1,2]
Kurbonov Xurshed Rahmatulloyevich
Samarqand davlat tibbiyot universiteti, Gistologiya, sitologiya va embriologiya kafedrasi assistenti, PhD.
PDF

Keywords

sun’iy intellekt, gistologik diagnostika, raqamli patologiya, mashinaviy o‘qitish, chuqur o‘qitish, histopatologiya, tibbiy tasvir tahlili, onkologik diagnostika, big data, algoritmik tahlil, hujayra morfologiyasi, avtomatlashtirilgan diagnostika, klinik qaror qo‘llab-quvvatlash tizimi, tibbiyotda raqamlashtirish, erta tashxis.

Abstract

So‘nggi yillarda tibbiyotning raqamli transformatsiyasi natijasida sun’iy intellekt (SI) texnologiyalarining diagnostik jarayonlarga integratsiyasi jadal sur’atlarda rivojlanmoqda. Ayniqsa, gistologik diagnostika sohasida SI asosidagi tizimlar hujayra va to‘qima darajasidagi morfologik o‘zgarishlarni aniqlash, tasniflash va prognostik baholashda yuqori aniqlik va tezkorlikni ta’minlab, an’anaviy mikroskopik tahlilning samaradorligini sezilarli darajada oshirmoqda. Sun’iy intellekt algoritmlari, xususan, mashinaviy o‘qitish (machine learning) va chuqur o‘qitish (deep learning) modellarining histopatologik tasvirlarni tahlil qilishda qo‘llanilishi diagnostik xatoliklarni kamaytirish, inson omiliga bog‘liq subyektivlikni pasaytirish hamda standartlashtirilgan natijalarga erishish imkonini bermoqda. Mazkur maqolada sun’iy intellekt texnologiyalarining gistologik diagnostikadagi o‘rni, ularning ishlash mexanizmlari, klinik amaliyotdagi qo‘llanilish sohalari hamda afzallik va cheklovlari ilmiy asosda tahlil qilinadi. Shuningdek, raqamli patologiya tizimlarining rivojlanishi, katta hajmdagi ma’lumotlar (big data) bilan ishlash imkoniyati va avtomatlashtirilgan tasvir analizining onkologik kasalliklar diagnostikasidagi ahamiyati yoritiladi. Sun’iy intellektning patologik jarayonlarni erta aniqlashdagi roli, ayniqsa, saraton kasalliklarini skrining qilish va prognozlashda muhim ahamiyat kasb etadi. Tadqiqotlar shuni ko‘rsatadiki, SI asosidagi tizimlar gistologik preparatlarni tahlil qilishda yuqori aniqlik (ba’zi hollarda 90–95% gacha) ko‘rsatib, patolog shifokorlarning diagnostik qarorlarini qo‘llab-quvvatlovchi muhim yordamchi vosita sifatida xizmat qilmoqda. Shu bilan birga, klinik amaliyotga keng joriy etish uchun ma’lumotlar sifati, algoritmik shaffoflik va etik masalalar kabi muammolarni hal etish zarur.                

PDF

References

1. Litjens G., Kooi T., Bejnordi B. E. et al. A survey on deep learning in medical image analysis. Medical Image Analysis. Elsevier, 2017. Vol. 42, pp. 60–88.

2. Esteva A., Kuprel B., Novoa R. A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. Springer Nature, 2017. Vol. 542, pp. 115–118.

3. Campanella G., Hanna M. G., Geneslaw L. et al. Clinical-grade computational pathology using weakly supervised deep learning. Nature Medicine. Springer Nature, 2019. Vol. 25, pp. 1301–1309.

4. Van der Laak J., Litjens G., Ciompi F. Deep learning in histopathology: the path to the clinic. Nature Medicine. Springer Nature, 2021. Vol. 27, pp. 775–784.

5. Shmatko A., Kather J. N., Gerstung M. Artificial intelligence in histopathology: enhancing cancer research and clinical oncology.

Nature Cancer. Springer Nature, 2022. Vol. 3, pp. 1026–1038.

6. Song A. H. et al. Artificial intelligence for digital and computational pathology. Nature Reviews Bioengineering. Springer Nature, 2023. Vol. 1, pp. 930–949.

7. Bahadir C. D. et al. Artificial intelligence applications in histopathology.

Nature Reviews Electrical Engineering. Springer Nature, 2024. Vol. 1, pp. 93–108.

8. Rudin C. Stop explaining black box machine learning models for high stakes decisions. Nature Machine Intelligence. Springer Nature, 2019. Vol. 1, pp. 206–215.

9. Cruz-Roa A. et al. Accurate and reproducible invasive breast cancer detection in whole-slide images. Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer, 2013. pp. 72–80.

10. Kather J. N. et al. Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. PNAS. National Academy of Sciences, 2019. Vol. 116(48), pp. 23662–23667.

11. World Health Organization (WHO). Digital health and artificial intelligence in pathology. Geneva: WHO Press, 2023. pp. 1–98.

12. O‘zbekiston Respublikasi Sog‘liqni Saqlash Vazirligi. Raqamli tibbiyot va laborator diagnostika bo‘yicha uslubiy qo‘llanma. Toshkent: SSV nashriyoti, 2022. pp. 1–124.