Introduction. Over the past few decades, thanks to advances in algorithm development, the introduction of available computing power, and the management of large data sets, machine learning methods have become active in various fields of life. Among them, deep learning possesses a special place, which is used in many spheres of health care and is an integral part and prerequisite for the development of digital pathology. Objectives. The purpose of the review was to gather the data on existing image analysis technologies and machine learning tools developed for the whole-slide digital images in pathology. Methods: Analysis of the literature on machine learning methods used in pathology, staps of automated image analysis, types of neural networks, their application and capabilities in digital pathology was performed. Results. To date, a wide range of deep learning strategies have been developed, which are actively used in digital pathology, and demonstrated excellent diagnostic accuracy. In addition to diagnostic solutions, the integration of artificial intelligence into the practice of pathomorphological laboratory provides new tools for assessing the prognosis and prediction of sensitivity to different treatments. Conclusions: The synergy of artificial intelligence and digital pathology is a key tool to improve the accuracy of diagnostics, prognostication and personalized medicine facilitation

В огляді проаналізовано сучасний стан розвитку та впровадження цифрової патології у патологоанатомічну практику з метою діагностики, консультування та персоналізації лікування меланоми. Конвергенція цифрової патології та штучного інтелекту призвела до зміни парадигм у патолоанатомічній практиці. Завдяки цифровій патології, патологоанатоми мають можливість покращити точність, ефективність і узгодженість діагностики меланоми. Доступ до цифрових слайдів полегшує дистанційну первинну діагностичну роботу. Надання телеконсультацій, підвищує ефективність і збалансованість робочого навантаження, покращує співпрацю між загальними патологами та дерма-топатологами, стимулює віртуальну освіту та інноваційні дослідження. Виявлення субвізуальних морфометричних особливостей та інтеграція даних мультиоміки являються передумовами покращення прогностичної та предиктив-ної інформації для персоналізації лікування пацієнтів із меланомою, що відкриває нові перспективи прецизійної медицини. Однак впровадження цифрової патології в алгоритми діагностики та персоналізованого лікування потребує вирішення низки важливих проблем, пов'язаних із клінічною валідацією цифрових інструментів.