Vestnik dermatologii i venerologiiVestnik dermatologii i venerologiiВестник дерматологии и венерологии0042-46092313-6294Rossijskoe Obschestvo Dermatovenerologov i Kosmetologov1674610.25208/vdv16746REVIEWSОБЗОР ЛИТЕРАТУРЫReview ArticleEarly diagnosis of skin oncologic diseases using artificial intelligence technologiesРанняя диагностика злокачественных новообразований кожи с помощью технологий искусственного интеллектаhttps://orcid.org/0009-0009-2964-3281SamokhinSimon О.СамохинСемён Олегович
Russian Federation
dr.dokip@gmail.comhttps://orcid.org/0000-0002-6989-9363PatrushevAlexander V.ПатрушевАлександр Владимирович
Russian Federation

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

д.м.н., доцент

alexpat2@yandex.ruhttps://orcid.org/0009-0004-8727-0624AkaevaYulia I.АкаеваЮлия Игоревна
Russian Federation
Juliaakaeva@gmail.comhttps://orcid.org/0000-0002-1649-9796ParfenovSergei A.ПарфёновСергей Александрович
Russian Federation

MD, Cand. Sci. (Med.)

к.м.н.

sa.parfenov1988@yandex.ruhttps://orcid.org/0000-0002-6489-9938KutelevGennadii G.КутелевГеннадий Геннадьевич
Russian Federation

MD, Cand. Sci. (Med.)

к.м.н.

gena08@yandex.ruS.M. Kirov Military Medical AcademyВоенно-медицинская академия имени С.М. Кирова2002202418032024100138460312202330012024Copyright ©; 2024, Samokhin S.О., Patrushev A.V., Akaeva Y.I., Parfenov S.A., Kutelev G.G.Copyright ©; 2024, Самохин С.О., Патрушев А.В., Акаева Ю.И., Парфёнов С.А., Кутелев Г.Г.2024Samokhin S.О., Patrushev A.V., Akaeva Y.I., Parfenov S.A., Kutelev G.G.Самохин С.О., Патрушев А.В., Акаева Ю.И., Парфёнов С.А., Кутелев Г.Г.https://creativecommons.org/licenses/by-nc/4.0https://vestnikdv.ru/jour/article/view/16746

The last decade has seen significant progress in computer-aided image analysis and recognition, with modern computer-aided diagnostic algorithms not only catching up with, but in many aspects surpassing human abilities. At the heart of this breakthrough is the development of deep convolutional neural networks, which have given a new impetus to medical diagnosis, particularly of skin cancers. In this paper, we analyzed photo-based skin disease classification systems developed using algorithms based on deep learning convolutional neural networks. Such methods have been variously reported to enable automated diagnosis of skin neoplasms with high sensitivity and specificity. A disease that requires more detailed analysis of graphic images — skin melanoma — was chosen as the main object of study. Early diagnosis of melanoma is of great socio-economic importance, as in this case the prognosis of patients is significantly improved. The aim of this work is to analyze the results of artificial intelligence (AI) applications in dermatology, especially in the context of early detection of skin melanoma. Scientific articles were searched in PubMed, Scopus and eLIBRARY databases using the keywords “convolutional neural networks”, “skin cancer” and “artificial intelligence”. The depth of the search was 10 years. The final analysis included 38 sources where the results of our own research were presented. The advantages of artificial intelligence methods for dermatologists were analyzed. Artificial intelligence can significantly assist dermatologists in developing visual neoplasm diagnosis skills and improve diagnostic accuracy. The use of AI to process dermatoscopic data in conjunction with the analysis of anamnestic and clinical information from medical records will reduce the burden on the healthcare system through correctly diagnosed benign skin tumors. All of this promises to have a significant impact on the future development of dermatovenerology.

В последнее десятилетие произошел значительный прогресс в сфере компьютерного анализа изображений и их распознавания, причем современные алгоритмы компьютерной диагностики не только догоняют, но и во многих аспектах превосходят человеческие способности. В основе этого прорыва лежит развитие глубоких сверточных нейронных сетей, которые дали новый импульс медицинской диагностике, в частности, онкологических заболеваний кожи. В данной работе был проведен анализ систем классификации кожных заболеваний по фотографии, разработанных с использованием алгоритмов, построенных на сверточных нейронных сетях глубокого обучения. Подобные методы, по различным данным, позволяют проводить автоматизированную диагностику кожных новообразований с высокой чувствительностью и специфичностью. В качестве основного объекта исследования было выбрано заболевание, которое требует более детального анализа графических изображений, — меланома кожи. Ранняя диагностика меланомы имеет огромное социально-экономическое значение, так как в данном случае существенно улучшается прогноз пациентов. Цель работы заключается в анализе результатов применения искусственного интеллекта (ИИ) в дерматологии, особенно для раннего обнаружения меланомы кожи. Поиск научных статей осуществлялся в базах данных PubMed, Scopus и eLIBRARY по ключевым словам: «онкологические заболевания кожи», «искусственный интеллект», «меланома», «дерматоскопия», «сверточные нейронные сети». Глубина поиска — 10 лет. В итоговый анализ попало 38 источников, где представлены результаты ряда современных исследований. Проанализированы и продемонстрированы преимущества методов ИИ для использования дерматологами. ИИ может оказать значительную помощь дерматологам в развитии навыков визуальной диагностики новообразований и повысить точность диагностики. Использование ИИ для обработки дерматоскопических данных в совокупности с анализом анамнестической и клинической информации из медицинской документации позволит снизить нагрузку на систему здравоохранения за счет правильно диагностированных доброкачественных опухолей кожи. Все это обещает оказать существенное воздействие на будущее развитие дерматовенерологии.

artificial intelligencemelanomadermatoscopyconvolutional neural networksискусственный интеллектмеланомадерматоскопияcверточные нейронные сетиS.M. Kirov Military Medical AcademyВоенно-медицинская академия имени С.М. КироваГаврилов Д.А., Закиров Э.И., Гамеева Е.В., Семенов В.Ю., Александрова О.Ю. Автоматизированная диагностика меланомы кожи на основе математической модели искусственной сверточной нейронной сети. Исследования и практика в медицине. 2018;5(3):110–116. [Gavrilov DA, Zakirov EI, Ganeeva EV, Semenov VYu, Alexandrova OYu. Automated skin melanoma diagnostics based on mathematical model of artificial convolutional neural network. Research’n Practical Medicine Journal. 2018;5(3):110–116. (In Russ.)] doi: 10.17709/2409-2231-2018-5-3-11Fujisawa Y, Otomo Y, Ogata Y, Nakamura Y, Fujita R, Ishitsuka Y, et al. Deep-learning-based, computer-aided classifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumour diagnosis. Br J Dermatol. 2019;180(2):373–381. doi: 10.1111/bjd.16924Мелерзанов А., Гаврилов Д. Диагностика меланомы кожи с помощью сверточных нейронных сетей глубокого обучения. Врач. 2018;29(6):31–33. [Melerzanov A, Gavrilov D. Melanoma diagnosis using convolutional neural networks of deep learning. Vrach. 2018;29(6):31–33. (In Russ.)] doi: 10.29296/25877305-2018-06-06Brinker TJ, Hekler A, Enk AH, Berking C, Haferkamp S, Hauschild A, et al. Deep neural networks are superior to dermatologists in melanoma image classification. Eur J Cancer. 2019;119:11–17. doi: 10.1016/j.ejca.2019.05.023Краюшкин П.В. Возможности искусственного интеллекта в диагностике онкологических заболеваний кожи. Косметика и медицина. 2018;3:90–99. [Krayushkin PV. Possibilities of artificial intelligence in diagnostics of oncologic skin diseases. Journal of Cosmetics & Medicine. 2018;3:90–99.] URL: www.cmjournal.ruНикитаев В.Г., Проничев А.Н., Тамразова О.Б., Сергеев В.Ю., Гуров Д.В., Зайцев С.М., и др. Сверточные нейронные сети в диагностике новообразований кожи. Безопасность информационных технологий. 2021;28(4):118–126. [Nikitaev VG, Pronichev AN, Tamrazova OB, Sergeev VYu, Gurov DV, Zaitsev SM, et al. Сonvolutional neural networks in the diagnosis of skin neoplasms. IT Security (Russia). 2021;28(4):118–126. (In Russ.)] doi: 10.26583/bit.2021.4.09Хабарова Р.И., Кулева С.А. Искусственный интеллект в диагностике доброкачественных новообразований кожи у пациентов детского возраста. Интеграция нейронной сети в мобильное приложение. Вопросы онкологии. 2022;68(6):820–826. [Khabarova RI, Kuleva SA. Artificial intelligence in the diagnosis of benign skin neoplasms in pediatric patients. Integration of neural network into mobile application. Voprosy onkologii. 2022;68(6):820–826. (In Russ.)] doi: 10.37469/0507-3758-2022-68-6-820-826Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, et al. A deep learning system for differential diagnosis of skin diseases. Nat Med. 2020;26(6):900–908. doi: 10.1038/s41591-020-0842-3Jones OT, Matin RN, van der Schaar M, Prathivadi Bhayankaram K, Ranmuthu CKI, Islam MS, et al. Artificial intelligence and machine learning algorithms for early detection of skin cancer in community and primary care settings: a systematic review. Lancet Digit Health. 2022;4(6):е466–е476. doi: 10.1016/S2589-7500(22)00023-1Wen D, Khan SM, Xu AJ, Ibrahim H, Smith L, Caballero J, et al. Characteristics of publicly available skin cancer image datasets: a systematic review. Lancet Digit Health. 2022;4(1):е64–е74. doi: 10.1016/s2589-7500(21)00252-1Stiff KM, Franklin MJ, Zhou Y, Madabhushi A, Knackstedt TJ. Artificial intelligence and melanoma: A comprehensive review of clinical, dermoscopic, and histologic applications. Pigment Cell Melanoma Res. 2022;35(2):203–211. doi: 10.1111/pcmr.13027Muñoz-López C, Ramírez-Cornejo C, Marchetti MA, Han SS, Del Barrio-Díaz P, Jaque A, et al. Performance of a deep neural network in teledermatology: a singlecentre prospective diagnostic study. J Eur Acad Dermatol Venereol. 2021;35(2):546–553. doi: 10.1111/jdv.16979Tschandl P, Rosendahl C, Akay BN, Argenziano G, Blum A, Braun RP, et al. Expert-level diagnosis of nonpigmented skin cancer by combined convolutional neural networks. JAMA Dermatol. 2019;155(1):58–65. doi: 10.1001/jamadermatol.2018.4378Dildar M, Akram S, Irfan M, Khan HU, Ramzan M, Mahmood AR, et al. Skin Cancer Detection: A Review Using Deep Learning Techniques. Int J Environ Res Public Health. 2021;18(10):5479. doi: 10.3390/ijerph18105479Du-Harpur X, Watt FM, Luscombe NM, Lynch MD. What is AI? Applications of artificial intelligence to dermatology. Br J Dermatol. 2020;183(3):423–430. doi: 10.1111/bjd.18880Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018;29(8):1836–1842. doi: 10.1093/annonc/mdy166Lucius M, De All J, De All JA, Belvisi M, Radizza L, Lanfranconi M, et al. Deep neural frameworks improve the accuracy of general practitioners in the classification of pigmented skin lesions. Diagnostics (Basel). 2020;10(11):969. doi: .3390/diagnostics10110969Rivera SC, Liu X, Chan AW, Denniston AK, Calvert MJ. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI Extension. BMJ. 2020;370:m3210. doi: 10.1136/bmj.m3210Aggarwal P, Papay FA. Artificial intelligence image recognition of melanoma and basal cell carcinoma in racially diverse populations. J Dermatolog Treat. 2022;33(4):2257–2262. doi: 10.1080/09546634.2021.1944970Milton MAA. Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge. arXiv. 2019. arXiv:1901.10802. doi: 10.48550/arXiv.1901.10802Curiel-Lewandrowski С, Novoa RA, Berry E, et al. Artificial Intelligence Approach in Melanoma. In: Fisher D, Bastian B. (eds). Melanoma. New York, NY: Springer; 2019. doi: 10.1007/978-1-4614-7147-9_43Jojoa Acosta MF, Caballero Tovar LY, Garcia-Zapirain MB, Percybrooks WS. Melanoma Diagnosis Using Deep Learning Techniques on Dermatoscopic Images. BMC Med. Imaging. 2021;21(1):6. doi: 10.1186/s12880-020-00534-8Phillips M, Marsden H, Jaffe W, Matin RN, Wali GN, Greenhalgh J, et al. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw Open. 2019;2(10):1913436. doi: 10.1001/jamanetworkopen.2019.13436Mar VJ, Soyer HP. Artificial intelligence for melanoma diagnosis: how can we deliver on the promise? Ann Oncol. 2019;30(12):е1–е3. doi: 10.1093/annonc/mdy191Berlin SJ, John M. Particle Swarm Optimization with Deep Learning for Human Action Recognition. Multimed. Tools Appl. 2020;79:17349–17371. doi: 10.1007/s11042-020-08704-0AI Dermatologist. Skin Scanner. URL: https://ai-derm.com/Wells A, Patel S, Lee JB, Motaparthi K. Artificial intelligence in dermatopathology: Diagnosis, education, and research. J Cutan Pathol. 2021;48(8):1061–1068. doi: 10.1111/cup.13954Freeman K, Dinnes J, Chuchu N, Takwoingi Y, Bayliss SE, Matin RN, et al. Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic accuracy studies. BMJ. 2020;368:m127. doi: 10.1136/bmj.m127Jain A, Way D, Gupta V, Gao Y, de Oliveira Marinho G, Hartford J, et al. Development and assessment of an artificial intelligence-based tool for skin condition diagnosis by primary care physicians and nurse practitioners in teledermatology practices. JAMA Netw Open. 2021;4(4):e217249. doi: 10.1001/jamanetworkopen.2021.7249Guerrisi A, Falcone I, Valenti F, Rao M, Gallo E, Ungania S, et al. Artificial Intelligence and Advanced Melanoma: Treatment Management Implications. Cells. 2022;11(24):3965. doi: 10.3390/cells11243965Young AT, Xiong M, Pfau J, Keiser MJ, Wei ML. Artificial Intelligence in Dermatology: A Primer. J Invest Dermatol. 2020;140(8):1504–1512. doi: 10.1016/j.jid.2020.02.026Jutzi TB, Krieghoff-Henning EI, Holland-Letz T, Utikal JS, Hauschild A, Schadendorf D, et al. Artificial intelligence in skin cancer diagnostics: The patients’ perspective. Front Med (Lausanne). 2020;7:233. doi: 10.3389/fmed.2020.00233Dick V, Sinz C, Mittlböck M, Kittler H, Tschandl P. Accuracy of computer-aided diagnosis of melanoma: a meta-analysis. JAMA Dermatol. 2019;155(11):1291–1299. doi: 10.1001/jamadermatol.2019.1375MacLellan AN, Price EL, Publicover-Brouwer P, Matheson K, Ly TY, Pasternak S, et al. The use of noninvasive imaging techniques in the diagnosis of melanoma: a prospective diagnostic accuracy study. J Am Acad Dermatol. 2021;85(2):353–359. doi: 10.1016/j.jaad.2020.04.019Winkler JK, Sies K, Fink C, Toberer F, Enk A, Deinlein T, et al. Melanoma recognition by a deep learning convolutional neural network — performance in different melanoma subtypes and localizations. Eur J Cancer. 2020;127:21–29. doi: 10.1016/j.ejca.2019.11.020Phillips M, Greenhalgh J, Marsden H, Palamaras I. Detection of malignant melanoma using artificial intelligence: an observational study of diagnostic accuracy. Dermatol Pract Concept. 2019;10(1):2020011. doi: 10.5826/dpc.1001a11Ali IS, Mohamed MF, Mahdy YB. Data Augmentation for Skin Lesion Using Self-Attention Based Progressive Generative Adversarial Network. arXiv. 2019. arXiv:1910.11960. doi: 10.48550/arXiv.1910.11960Sevli O. A deep convolutional neural network-based pigmented skin lesion classification application and experts evaluation. Neural Computing and Applications. 2021;33(18):12039–12050. doi: 10.1007/s00521-021-05929-4