Early diagnosis of skin oncologic diseases using artificial intelligence technologies

Full Text

Введение

Среди областей, где искусственный интеллект (ИИ) зарекомендовал себя, особо выделяется анализ графических изображений. Одними из направлений стали распознавание и классификация заболеваний кожи. Новейшие достижения в обработке изображений и машинном обучении предоставляют перспективу создания систем на основе искусственных нейронных сверточных сетей, превосходящих человека в задачах анализа различных медицинских изображений. Важное место здесь занимают искусственные нейронные сети, особенно сверточные, которые демонстрируют потенциал в автоматизированной диагностике [1, 2].

На сегодняшний день меланома стоит в ряду самых опасных и быстро метастазирующих форм злокачественных новообразований кожи, оставляя мало шансов на успешное лечение на поздних стадиях. Однако развитие компьютерной диагностики привело к созданию систем, которые позволяют выявлять и классифицировать кожные заболевания с точностью, сопоставимой, а в некоторых случаях даже превосходящей человеческие возможности [1, 3, 4]. В одном из исследований онлайн-версия CDSS Isabel («Изабель») при анализе данных 50 пациентов поставила верный диагноз в 96% случаев. Этот результат превзошел человеческий, поскольку врачи правильно диагностировали патологии в среднем у 95% амбулаторных пациентов [5]. В данной работе проанализированы различные алгоритмы для первичной диагностики меланомы на основе нейронных сетей. Большинство из них достигли высокой точности в определении меланомы на дерматоскопических изображениях, что позволяет надеяться на увеличение числа выявленных ранних форм заболеваний при профилактических осмотрах. Подобные инструменты также могут стать дополнительным источником информации для врачей, способствуя более точной диагностике. Исследование ориентировано на создание системы, способной поддерживать медицинских специалистов в процессе диагностики и принятия решений, особенно при определении злокачественных новообразований, включая меланому. Таким образом, интеграция ИИ в клиническую практику позволит добиться более эффективной диагностики (на ранней стадии), а значит, и улучшения качества оказания медицинской помощи в целом [6–8].

В обзорную статью включены ретроспективные и проспективные исследования, систематические обзоры, а также серии клинических случаев, описывающие диагностику онкологических заболеваний кожи. Поиск проводился в библиографических базах PubMed, Scopus, eLIBRARY. Таким образом, для обзора были отобраны статьи, опубликованные только в рецензируемых научных журналах. Стратегия поиска представляла поисковый запрос по таким ключевым терминам, как: «онкологические заболевания кожи», «искусственный интеллект», «меланома», «дерматоскопия», «сверточные нейронные сети». Из полученного перечня данных выбирались статьи с наибольшим числом цитирований. Вручную рассматривались списки литературы всех недавно опубликованных статей и соответствующих систематических обзоров. Всего было просмотрено 166 названий, 58 полных статей, 38 из которых включены в настоящий обзор (рис. 1). Критерии включения: автоматизированная диагностика изображений новообразований кожи; сравнение методов анализа изображений ИИ; диагностика меланомы кожи с помощью ИИ. Критерии невключения: малый объем выборки, источники литературы старше 10 лет.

 

Рис. 1. Этапы и критерии отбора исследований, систематических обзоров и клинических случаев

Fig. 1. Stages and criteria for the selection of studies, systematic reviews and clinical cases

 

Преимущественное внимание было уделено основному злокачественному новообразованию кожи — меланоме. Тщательно исследовано множество источников и научных исследований, что дало глубокое понимание современных методов анализа изображений.

Клиническое применение искусственного интеллекта

Меланома представляет собой злокачественное заболевание кожи с тенденцией к быстрому метастазированию и плохим прогнозом в случае поздней диагностики. Заболеваемость меланомой стремительно возрастает во многих популяциях. Особенно высокие показатели (20–60 случаев на 100 тыс. человек в год) и темп прироста (на 3–5% в год) отмечаются среди белого населения. В последние десятилетия меланома стала важной медицинской проблемой из-за постоянного роста заболеваемости и смертности. Помимо меланомы, существуют и другие злокачественные новообразования кожи, такие как плоскоклеточная и базальноклеточная карцинома, но меланома выделяется своей агрессивностью и плохим прогнозом [9, 10].

Раннее обнаружение меланомы существенно улучшает прогноз, поскольку на ранних стадиях болезни выживаемость значительно выше. Например, при диагностике на первой стадии общая 5-летняя выживаемость составляет 95%, в то время как на последней стадии она снижается до 53% [11].

Некоторые системы здравоохранения, например британская, сталкиваются с вызовом обеспечения качественной первичной медицинской помощи и ранней диагностики поражений кожи. В этом контексте ИИ и машинное обучение демонстрируют потенциал для улучшения диагностики опухолей кожи. Исследования показывают, что алгоритмы машинного обучения могут эффективно применяться в практике и даже превосходить некоторых дерматологов в точности диагностики [8, 12].

Важным направлением исследований является применение глубокого обучения, особенно сверточных нейронных сетей (Convolutional Neural Network, CNN) для диагностики меланомы. CNN — это тип нейронных сетей, разработанный для анализа изображений и данных с пространственной структурой [6, 13, 14], обладающий следующими ключевыми характеристиками:

1) специализация на изображениях — CNN оптимизированы для обработки графических данных, автоматически извлекая признаки, такие как грани и текстуры;

2) сверточные слои — используются сверточные операции для выделения локальных паттернов, что делает их эффективными в обнаружении объектов;

3) пулинг-слои — слои пулинга уменьшают размерность данных, сохраняя важные признаки;

4) автоматическое обучение признакам — сети обучаются выявлять признаки на разных уровнях абстракции;

5) применение в компьютерном зрении — используются в основном в распознавании объектов и классификации изображений.

CNN — мощный инструмент для анализа пространственных данных, применяемый в различных областях. В случае дерматопатологии успешно проводятся обучение, валидация и тестирование CNN для диагностической классификации дермаскопических изображений меланомы и доброкачественных невусов, а результаты сравниваются с результатами экспертов-дерматологов. Первые результаты работы данного алгоритма показали, что при улучшенной средней чувствительности (88,9%) эффективность выявления точного диагноза дерматологами уступала CNN (75,7% против 82,5). Данные H. Haenssle, C. Fink, R. Schneiderbauer и соавт. убедительно показывают, что алгоритм CNN может быть подходящим инструментом для помощи врачам в выявлении меланомы независимо от их индивидуального опыта и уровня подготовки [14–18].

Классификация пигментных поражений представляет сложную задачу для дерматологов и патологоанатомов из-за вариабельности клинических и гистологических проявлений. В табл. 1 мы представили сравнение преимуществ и недостатков основных методов диагностики (визуализации) кожных заболеваний со сверточной нейронной сетью, в которой особенно стоит отметить высокую точность диагностики CNN, которая не уступает иным методам визуальной диагностики [19, 20].

 

Таблица 1. Сравнение преимуществ и недостатков основных методов диагностики (визуализации) кожных заболеваний со сверточной нейронной сетью

Table 1. Comparison of advantages and disadvantages of the main methods of diagnosis (visualization) of skin diseases with a convolutional neural network

Метод диагностики	Преимущества	Недостатки
Дерматоскопия	Использует 10- или 20-кратное увеличение для диагностики широкого спектра дерматологических заболеваний. Подходит для долгосрочного мониторинга. Имеются четкие критерии диагностики рака кожи, которые хорошо коррелируют с его гистопатологическими особенностями	Обладает ограниченной кратностью увеличения. Требует надлежащей подготовки специалистов и их определенного опыта. Интерпретация результатов в большинстве случаев субъективна
Общий снимок тела (Total body photography, TBP)	Подходит для самообследования кожи. 3D-TBP создает трехмерную модель человека, улучшая визуализацию. Можно использовать для долгосрочного мониторинга	Процедура занимает много времени
Отражательная конфокальная микроскопия	Предоставляет возможность визуализировать микроскопические структуры с увеличением в 30 раз. Глубоко исследует кожу, достигая сосочкового слоя дермы. В некоторых случаях может заменить необходимость в биопсии. Облегчает дифференциальную диагностику. Идеальна для долгосрочного мониторинга	Ограничивается возможностью работать только со структурами, находящимися на уровне сосочкового слоя дермы. Требует квалифицированных специалистов с определенным опытом
Оптическая когерентная томография	Позволяет визуализировать очень мелкие структуры (3–15 мкм) с высоким разрешением. Обеспечивает большую глубину исследования, достигая 1,5 мм. Создает двух- и трехмерные изображения. В определенных ситуациях может заменить биопсию. Успешно интегрируется с другими методами, включая допплеровское сканирование	Более дорогостоящий метод. Требует квалифицированных специалистов с определенным опытом. Не всегда способствует однозначной дифференциации между доброкачественными и злокачественными новообразованиями
Сверточная нейронная сеть (CNN)	Высокая точность диагностики: обучены распознавать даже мельчайшие признаки и аномалии на коже, что приводит к высокой точности диагностики. Скорость обработки: способны быстро анализировать большие объемы изображений, что позволяет проводить диагностику более эффективно и быстро. Автоматизация: позволяют автоматизировать процесс диагностики, что может сократить нагрузку на медицинский персонал и увеличить производительность. Способность к обучению на больших объемах данных: могут эффективно обучаться на больших датасетах изображений, что помогает повысить их способность к распознаванию различных патологий. Доступность: технология становится все более доступной и может использоваться в разных уровнях здравоохранения	Необходимость больших объемов данных: для достижения высокой точности требуется обучение на большом количестве разнообразных изображений, что может быть сложно в некоторых клинических ситуациях. Зависимость от качества данных: могут быть чувствительны к качеству и разнообразию данных, что может привести к ошибкам в диагностике, если обучающие данные нерепрезентативны. Сложность интерпретации: интерпретация работы и объяснение принимаемых решений могут быть сложными, что затрудняет обоснование диагноза перед пациентами и медицинским персоналом. Недостаток контекста: в отличие от дерматологов, могут не учитывать широкий контекст и дополнительные факторы при диагностике, такие как медицинская история пациента. Систематические ошибки: в редких случаях могут допускать систематические ошибки (примерно 4%), что в некоторых случаях может привести к неверным диагнозам

 

Для улучшения диагностической точности в сфере скрининга меланомы были исследованы различные автоматизированные стратегии анализа изображений (рис. 2). Однако большинство подходов ограничивалось «искусственными» критериями диагностики. В одной из знаковых публикаций (C. Curiel-Lewandrowski, R.A. Novoa, E. Berry и соавт.) использование глубоких нейронных сетей было предложено как подход, позволяющий автоматически анализировать изображения поражений кожи на более фундаментальном уровне и создавать собственные диагностические подсказки [21].

 

Рис. 2. Общий принцип работы обученных систем распознавания искусственного интеллекта по заданному алгоритму, основанному на базе изображений

Fig. 2. The general principle of operation of trained artificial intelligence recognition systems according to a given algorithm based on images

 

С совершенствованием ИИ и стремительным темпом разработки приложений ранняя диагностика меланомы становится все более актуальной. Авторы отмечают, что существует несколько важных аспектов, которые нужно учесть при рассмотрении проблем клинического применения ИИ для выявления меланомы, в частности:

1) необходимость расширения объема и качества данных — для достижения наилучших результатов требуется создание более обширных, полных и неискаженных наборов данных как для обучения, так и для оценки. Эти данные должны включать широкий спектр пациентов, отражающих разнообразие характеристик (возраст, пол, этническая принадлежность, генетические особенности, актинические поражения и др.);

2) разработка интерпретируемых систем ИИ — очень важно создавать ИИ-системы, которые способны предоставлять понятные и обоснованные объяснения. Эти объяснения должны быть доступными для проверки даже неспециалистами;

3) создание надежных и самосознающих систем ИИ — искусственные интеллектуальные системы должны быть надежными и иметь способность распознавать изображения или состояния заболевания, для которых они применяются;

4) научное обоснование и безопасное применение — важно проводить научные исследования, чтобы обосновать эффективность и безопасность использования ИИ в конкретных клинических сценариях.

Учитывая эти аспекты, мы можем развивать и применять ИИ-системы для выявления меланомы с большей эффективностью и уверенностью в их работе в клинической практике [14, 21–24].

Таким образом, меланома представляет собой серьезную медицинскую проблему, исследования в области ИИ и машинного обучения показывают потенциал улучшения диагностики и скрининга этого заболевания.

Современные методы диагностики при помощи искусственного интеллекта

Д.А. Гаврилов и соавт. считают всемирно известные и успешно применяемые на сегодняшний день врачами-дерматологами критерии ABCDE-анализа отправной точкой в диагностике меланомы кожи по изображениям. К сожалению, эффективность такой системы оценки составляет всего 70%, в то время как нейронная сеть с архитектурой Inception v. 3, обученная на распознавание миллионов различных изображений с портала ImageNet, дополненная 10 тыс. фотографий кожных образований для отличия доброкачественных опухолей от злокачественных, показала успешное применение в диагностике — 91% [1].

Другая не менее значимая разработка Р.И. Хабаровой и С.А. Кулевой представляет собой созданное на основе обучающих и тестовых данных приложение, разработанное на языке программирования Python с использованием фреймворков машинного обучения Tensor-Flow 2.0. Интеграция ИИ в мобильное приложение значительно усовершенствовала процесс дифференциальной диагностики. Оно обеспечивает ежедневный контроль, предоставляя врачам возможность проводить поверхностную микроскопию кожи (дерматоскопию) и анализировать изображения с помощью мобильного приложения с выдачей быстрых результатов. Принцип работы следующий: после запуска мобильного приложения пользователь загружает дерматоскопический снимок, выбирая опцию «Выбрать фото». Затем нажатием кнопки «Распознать» выполняются анализ изображения и идентификация типа меланоцитарного невуса с высокой точностью, до тысячных долей. Применение ИИ как вспомогательного инструмента для диагностики меланоцитарных новообразований кожи у детей и подростков показало свой высокий потенциал и значительные перспективы, несмотря на ограниченную выборку [7, 25].

Также существует интернет-сайт, который предлагает анализ изображений кожи за определенную плату и определяет наличие патологий. Это инновационный инструмент, обученный на тысячах изображениях и работающий на базе ИИ. Он позволяет выявлять даже мельчайшие аномалии и предоставляет точную диагностику. Ресурс AI Dermatologist использует алгоритм глубокого машинного обучения. Эта платформа была обучена на обширной базе данных дермоскопических изображений, каждое из которых было проверено и оценено дерматологами. Благодаря такому эффективному обучению ИИ способен различать доброкачественные и злокачественные опухоли по правилу ABCDE (выявление меланомы), одновременно оценивая тысячи характеристик, гораздо больше, чем может воспринять человеческий глаз.

Отличительная особенность AI Dermatologist — его способность обрабатывать огромное количество данных, обеспечивая уровень доказательного анализа, не имеющий аналогов. Кроме того, постоянное сотрудничество с медицинскими специалистами обеспечивает непрерывное совершенствование алгоритма. Благодаря растущему опыту и автономной разработке правил ИИ не только определяет меланому, но и выявляет риски, связанные с вирусом папилломы человека, и классифицирует различные типы акне.

AI Dermatologist находится в авангарде решений для здравоохранения, основанных на ИИ, и демонстрирует огромный потенциал ИИ в революции в области дерматологии. Стремление к точности, постоянному совершенствованию и всестороннему анализу делает его ценным инструментом как для медицинских работников, так и для людей, ищущих достоверную дерматологическую информацию [26–29].

Возможности применения искусственного интеллекта в дерматологии

Дерматология — идеальная область для применения глубокого обучения, так как распознавание образов при большом увеличении имеет первостепенное значение для точной диагностики. Алгоритмы глубокого обучения значительно улучшают точность диагностики, сокращают время выполнения заказов, помогают классифицировать случаи для дальнейшего рассмотрения и снижают нагрузку на дерматологов в рутинных клинических ситуациях.

На сегодняшний день глубокое обучение в основном ограничено бинарной классификацией, и перед его практическим внедрением необходимо создать систему, способную предоставлять мультиклассовую диагностику. Такая система должна быть протестирована на изображениях из разных лабораторий с различной обработкой тканей, широким спектром патологий и артефактов, представляющих типичную диагностическую нагрузку в дерматовенерологии.

Глубокое обучение призвано не вытеснять человека, а, наоборот, поддерживать и обогащать его знания в диагностике. ИИ может быть ценным инструментом для обучения дерматологов, помогая им разрабатывать навыки визуальной диагностики и решать сложные проблемы в дерматологии. Также он может способствовать выявлению когнитивных процессов, лежащих в основе диагностических ошибок, и составлению точных диагностических отчетов.

ИИ также способен поддерживать исследования в данной области, извлекая и классифицируя большие объемы неструктурированных данных, что может привести к новым открытиям и более точным определениям дерматоскопических признаков. Технологии обработки текста также могут дополнительно усилить исследования, позволяя извлекать данные о распространенных медицинских диагнозах непосредственно из электронных медицинских записей. Благодаря этим инновациям глубокое обучение обещает оказать значительное воздействие на развитие дерматологии в будущем [4, 27, 30, 31].

Онкологические заболевания кожи на сегодняшний день принято считать одной из наиболее актуальных и важных медицинских проблем. В связи с их широкой распространенностью и угрозой для общественного здоровья неотложность исследований и разработок в этой области становится очевидной [4, 23].

Сложность диагностики меланомы выступает одной из проблем при оказании специализированной медицинской помощи. Она обусловлена многообразием клинических проявлений заболевания и трудностью их идентификации на ранних стадиях. Недостаток объективных инструментов для точной диагностики лишь усугубляет данную проблему и подчеркивает необходимость развития новых методов и технологий, таких как ИИ и машинное обучение, для более эффективной борьбы с меланомой и другими онкологическими заболеваниями кожи [32–35].

Значительная часть подозрительных пигментных образований кожи, направляемых на гистологическое исследование, оказывается доброкачественной, что приводит к нагрузке на вторичные (специализированные) медицинские и патологоанатомические службы. Для снижения этой нагрузки и повышения точности диагностики меланомы на всех этапах обследования пациентов, включая первичное обращение и патологоанатомическое исследование, представляется важным использовать методы и технологии ИИ [23, 24]. Точность диагностики меланомы дерматологами без использования эпилюминесцентной микроскопии (дерматоскопии) оценивается на уровне 65–80%, и ИИ может дополнить этот процесс, обеспечивая вспомогательный инструмент в сложных случаях. В этом контексте знание основ ИИ становится необходимостью для дерматологов, позволяя им более эффективно использовать современные технологии на практике [27, 36–38].

Заключение

Дерматология выделяется как идеальное поле для применения глубокого обучения. Алгоритмы глубокого обучения улучшают точность диагностики, сокращают время на прием пациентов и снижают нагрузку на дерматопатологов. Необходимость создания системы для мультиклассовой диагностики, тестирование на разнообразных изображениях и артефактах, а также валидация представляются ключевыми шагами.

ИИ представляет собой не только значимую самостоятельную сущность, но и мощный инструмент для обучения и профессионального развития дерматологов. Он способен помогать в обнаружении когнитивных процессов, лежащих в основе диагностических ошибок, и создавать точные диагностические отчеты. Кроме того, он поддерживает исследования, извлекая и классифицируя большие объемы данных, и улучшает диагностику меланомы и других опухолей кожи.

Для реализации потенциала ИИ в области дерматологии необходимо проводить дополнительные исследования и внедрять его в клиническую практику.

Диагностика меланомы на ранней стадии представляет собой одну из сложнейших задач в области дерматологии и онкологии. При этом лечение заболевания на поздних стадиях требует значительных финансовых затрат в системе здравоохранения. Применение ИИ в этой области активно развивается, и нейронные сети становятся все более востребованными для классификации изображений пигментных поражений на основе клинических, дерматоскопических и гистологических данных.

About the authors

Simon О. Samokhin

S.M. Kirov Military Medical Academy

Author for correspondence.
Email: dr.dokip@gmail.com
ORCID iD: 0009-0009-2964-3281
Россия, Saint Petersburg

Alexander V. Patrushev

S.M. Kirov Military Medical Academy

Email: alexpat2@yandex.ru
ORCID iD: 0000-0002-6989-9363

MD, Dr. Sci. (Med.), Assistant Professor

Россия, Saint Petersburg

Yulia I. Akaeva

S.M. Kirov Military Medical Academy

Email: Juliaakaeva@gmail.com
ORCID iD: 0009-0004-8727-0624
Россия, Saint Petersburg

Sergei A. Parfenov

S.M. Kirov Military Medical Academy

Email: sa.parfenov1988@yandex.ru
ORCID iD: 0000-0002-1649-9796

MD, Cand. Sci. (Med.)

Россия, Saint Petersburg

Gennadii G. Kutelev

S.M. Kirov Military Medical Academy

Email: gena08@yandex.ru
ORCID iD: 0000-0002-6489-9938

MD, Cand. Sci. (Med.)

Россия, Saint Petersburg

References

Supplementary files