Vestnik dermatologii i venerologiiVestnik dermatologii i venerologiiВестник дерматологии и венерологии0042-46092313-6294Rossijskoe Obschestvo Dermatovenerologov i Kosmetologov1693610.25208/vdv16936djxlkmREVIEWSОБЗОР ЛИТЕРАТУРЫReview ArticleArtificial intelligence in dermatology: а scoping reviewПрименение методов искусственного интеллекта в дерматологии: обзор предметного поляhttps://orcid.org/0000-0002-5283-59614458-5608VasilevYuriy A.ВасильевЮрий Александрович
Russian Federation

MD, Cand. Sci. (Med.)

к.м.н.

VasilevYA1@zdrav.mos.ruhttps://orcid.org/0000-0002-6619-61793148-4843GalkinVsevolod N.ГалкинВсеволод Николаевич
Russian Federation

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

д.м.н., профессор

galkinvn2@zdrav.mos.ruhttps://orcid.org/0000-0002-0737-03178798-1606RavodinRoman A.РаводинРоман Анатольевич
Russian Federation

MD, Dr. Sci. (Med.)

д.м.н.

rracad@mail.ruhttps://orcid.org/0000-0001-8886-36846135-4872NanovaOlga G.НановаОльга Геннадьевна
Russian Federation

Cand. Sci. (Biology)

канд. биол. наук

NanovaOG@zdrav.mos.ruhttps://orcid.org/0000-0001-9199-72299768-9082SavinNikita A.СавинНикита Александрович
Russian Federation

Cand. Sci. (Phys.-Math.)

к.ф.-м.н.

SavinNA2@zdrav.mos.ruhttps://orcid.org/0000-0002-2681-93783306-1387BlokhinIvan A.БлохинИван Андреевич
Russian Federation

MD, Cand. Sci. (Med.)

к.м.н.

BlokhinIA@zdrav.mos.ruhttps://orcid.org/0009-0005-3984-40453556-3510MynkoOleg I.МынкоОлег Игоревич
Russian Federation
MynkoOI@zdrav.mos.ruhttps://orcid.org/0000-0002-2990-77363602-7120VladzymyrskyyAnton V.ВладзимирскийАнтон Вячеславович
Russian Federation

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

д.м.н., профессор

VladzimirskijAV@zdrav.mos.ruhttps://orcid.org/0000-0002-0245-44318948-6152OmelyanskayaOlga V.ОмелянскаяОльга Васильевна
Russian Federation
OmelyanskayaOV@zdrav.mos.ruResearch and Practical Clinical Center for Diagnostics and Telemedicine TechnologiesНаучно-практический клинический центр диагностики и телемедицинских технологийCity Clinical Hospital named after S.S. Yudin of the Moscow City Department of HealthcareГородская клиническая больница имени С.С. ЮдинаLomonosov Moscow State UniversityМосковский государственный университет имени М.В. Ломоносова190120260602202610169210209202510122025Copyright ©; 2026, Vasilev Y.A., Galkin V.N., Ravodin R.A., Nanova O.G., Savin N.A., Blokhin I.A., Mynko O.I., Vladzymyrskyy A.V., Omelyanskaya O.V.Copyright ©; 2026, Васильев Ю.А., Галкин В.Н., Раводин Р.А., Нанова О.Г., Савин Н.А., Блохин И.А., Мынко О.И., Владзимирский А.В., Омелянская О.В.2026Vasilev Y.A., Galkin V.N., Ravodin R.A., Nanova O.G., Savin N.A., Blokhin I.A., Mynko O.I., Vladzymyrskyy A.V., Omelyanskaya O.V.Васильев Ю.А., Галкин В.Н., Раводин Р.А., Нанова О.Г., Савин Н.А., Блохин И.А., Мынко О.И., Владзимирский А.В., Омелянская О.В.https://creativecommons.org/licenses/by-nc/4.0https://vestnikdv.ru/jour/article/view/16936

Due to the large volume of diverse data regularly received, automation of routine processes in dermatology is a highly relevant task. Artificial intelligence (AI) may provide effective solutions for automating various processes in dermatology. Review Aim: To assess the current state of development and implementation of AI in dermatology and identify key challenges hindering AI integration into clinical practice. A literature search was conducted in PubMed and the Russian Science Citation Index (RSCI) databases, as well as in the Federal Service for Surveillance in Healthcare (Roszdravnadzor) register, to identify registered medical devices incorporating AI. The time frame covered 2019 to 2025. Bibliometric data, research focus, and type of pathology studied, the main methodological characteristics, the diagnostic accuracy of AI and medical staff, the number and experience of medical staff involved, and proven results of AI implementation were extracted from the articles. For the assessment of bias risk, the QUADAS-CAD was used. A total of 41 out of 270 identified references were included in the systematic review. Most studies focused on diagnosing malignant skin neoplasms (65.85%), melanoma (51.22%). In the analyzed studies, AI demonstrated high diagnostic performance comparable to those of experienced medical specialists. Median value (n = 27) for accuracy of neural networks in diagnosing malignant skin neoplasms was 80% (95% CI: 76.55–83.45%). Of the algorithms analyzed, eight have the status of medical devices with AI, and four are mobile applications that can be used to diagnose skin diseases. AI implementation in dermatology is at an advanced stage, with 19.5% of studies analyzed reaching commercial deployment and product distribution levels. However, further research is needed in this area, with improvements in the quality of methodologies used to assess the diagnostic accuracy of AI.

Благодаря большому объему регулярно поступающих разноплановых данных автоматизация рутинных процессов в дерматологии является крайне актуальной задачей. Методы искусственного интеллекта (ИИ) могут быть хорошим решением для автоматизации целого ряда процессов в дерматологии. Цель обзора — оценить уровень развития и внедрения методов ИИ в области дерматологии и выявить основные проблемы, осложняющие процесс внедрения ИИ в практику врачей-дерматологов. Поиск работ проводили в базах данных PubMed и РИНЦ, а также в реестре медицинских изделий Росздравнадзора. Проводился поиск зарегистрированных медицинских изделий с ИИ. Временной интервал составил 2019–2025 гг. Из статей извлекали библиометрические данные, направление исследований и тип исследуемой патологии, основные методические характеристики работ, значения диагностической точности ИИ и медицинских работников, число и опыт задействованных медицинских работников, доказанные результаты внедрения ИИ. Для оценки риска систематической ошибки использовали опросник QUADAS-CAD. Всего в обзор включили 41 работу из 270 найденных ссылок. Большинство исследований выполнено в области диагностики злокачественных новообразований кожи (65,85%), меланомы (51,22%). В проанализированных работах алгоритмы ИИ демонстрируют высокие значения диагностических параметров, сопоставимые с параметрами врачей-специалистов с большим практическим опытом. Медианное значение (n = 27) точности при диагностике злокачественных новообразований кожи нейронными сетями составило 80% (95%-й ДИ: 76,55–83,45%). Из проанализированных алгоритмов восемь имеют статус медицинского изделия с ИИ, четыре в виде мобильного приложения могут быть использованы для диагностики кожных заболеваний. В области дерматологии внедрение ИИ в медицинскую практику находится на продвинутом уровне, 19,5% проанализированных работ находится на уровне коммерческого внедрения и распространения продукта. Тем не менее необходимы дальнейшие исследования в этой области с повышением качества используемых методологий оценки диагностической точности ИИ.

artificial intelligenceneural networksdermatologyskin neoplasmsmelanomaискусственный интеллектнейронные сетидерматологияновообразования кожимеланомаThe article was prepared within the framework of the research “Scientific substantiation of methods of radiation diagnosis of tumor diseases using radiomic analysis” (ЕГИСУ No. 123031500005-2) in accordance with the order of the Moscow City Department of Health dated December 17, 2024 No. 1184 “On approval of state assignments, the financial support of which is carried out at the expense of the budget of the city of Moscow to state budgetary (autonomous) institutions subordinate to the Department of Health of the City of Moscow, for 2025 and the planning period of 2026 and 2027”.Статья подготовлена в рамках НИР «Научное обоснование методов лучевой диагностики опухолевых заболеваний с использованием радиомического анализа» (№ ЕГИСУ 123031500005-2) в соответствии с приказом Департамента здравоохранения города Москвы от 17 декабря 2024 г. № 1184 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2025 год и плановый период 2026 и 2027 годов».Zhang Y, Weng Y, Lund J. Applications of Explainable Artificial Intelligence in Diagnosis and Surgery. Diagnostics. 2022;12(2):237. doi: 10.3390/diagnostics12020237Zhang S, Wang Y, Zheng Q, Li J, Huang J, Long X. Artificial intelligence in melanoma: A systematic review. J Cosmet Dermatol. 2022;21(11):5993–6004. doi: 10.1111/jocd.15323Васильев Ю.А., Владимиров А.В., Омелянская О.В., Решетников Р.В., Блохин И.А., Коденко М.Р., и др. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике. Med Vizual. 2024;28(3):22–41. [Vasil’ev YuA, Vladimirov AV, Omelyanskaya OV, Reshetnikov RV, Blokhin IA, Kodenko MR, et al. Review of meta-analyses on the use of artificial intelligence in radiation diagnostics. Medical Visualization. 2024;28(3):22–41. (In Russ.)]. doi: 10.24835/1607-0763-1425Wang G, Meng X, Zhang F. Past, present, and future of global research on artificial intelligence applications in dermatology: A bibliometric analysis. Medicine (Baltimore). 2023;102(45):e35993. doi: 10.1097/MD.0000000000035993Luo N, Zhong X, Su L, Cheng Z, Ma W, Hao P. Artificial intelligence-assisted dermatology diagnosis: From unimodal to multimodal. Comput Biol Med. 2023;165:107413. doi: 10.1016/j.compbiomed.2023.107413Avilés-Izquierdo JA, Molina-López I, Rodríguez-Lomba E, Marquez-Rodas I, Suarez-Fernandez R, Lazaro-Ochaita P. Who detects melanoma? Impact of detection patterns on characteristics and prognosis of patients with melanoma. J Am Acad Dermatol. 2016;75(5):967–974. doi: 10.1016/j.jaad.2016.07.009Ranpariya V, Feldman SR. Characterizing dermatology mobile applications that use artificial intelligence. Dermatol Online J. 2021;27(9). doi: 10.5070/D327955147Tricco AC, Lillie E, Zarin W, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Annals of Internal Medicine. 2018;169(7):467–473. doi: 10.7326/M18-0850Kodenko MR, Vasilev YA, Vladzymyrskyy AV, Omelyanskaya OV, Leonov DV, Blokhin IA, et al. Diagnostic Accuracy of AI for Opportunistic Screening of Abdominal Aortic Aneurysm in CT: A Systematic Review and Narrative Synthesis. Diagnostics (Basel). 2022;12(12):3197. doi: 10.3390/diagnostics12123197Свидетельство о регистрации программы для ЭВМ RU 2023680710, 04.10.2023. Заявка № 2023669947 от 29.09.2023. Сервис поддержки принятия врачебных решений для диагностики новообразований кожи ПроРодинки по ТУ 58.29.32-001-43490523-2022. [Certificate of registration of the computer program RU 2023680710, 04.10.2023. Application No. 2023669947 from 29.09.2023. Service to support medical decision-making for the diagnosis of skin neoplasms ProRodinki according to TU 58.29.32-001-43490523-2022. (In Russ.)].Белоусова А.С., Гаранина О.Е. Оценка клинических критериев меланомы кожи при самодиагностике пользователей приложения ПроРодинки // ВолгаМед: сборник тезисов X Всероссийской научно-практической конференции молодых ученых и студентов с международным участием. Нижний Новгород, 2024. С. 121–122. [Belousova AS, Garanina OE. Evaluation of clinical criteria for skin melanoma in self-diagnosis by users of the ProRodinki application. In: VolgaMed: Collection of abstracts of the X All-Russian Scientific and Practical Conference of Young Scientists and Students with International Participation. Nizhny Novgorod; 2024. P. 121–122. (In Russ.)]Сиводедова Н.А., Карякин Н.Н., Шливко И.Л. Ранняя диагностика злокачественных новообразований кожи с использованием программного продукта на основе искусственного интеллекта и его медико-экономический эффект. Menedzher Zdravookhraneniya. 2024;6:108–118. [Sivodedova NA, Karyakin NN, Shlivko IL. Early diagnosis of malignant skin neoplasms using a software product based on artificial intelligence and its medical-economic effect. Health Manager. 2024;6:108–118. (In Russ.)]Сиводедова Н.А., Карякин Н.Н., Гамаюнов С.В., Ускова К.А. Обзор результатов опроса пользователей мобильного приложения “ПроРодинки”, используемого для выявления злокачественных новообразований кожи на территории Нижегородской области. ОРГЗДРАВ: новости, мнения, обучения. Вестник ВШОУЗ. 2023;9(4):107–115. [Sivodedova NA, Karyakin NN, Gamayunov SV, Uskova .A. Review of the results of a survey of users of the prorodinki mobile application used to detect malignant skin neoplasms in the Nizhny Novgorod region. ORGZDRAV: news, opinions, training. Bulletin of VSHOUZ. 2023;9(4):107–115. (In Russ.)]ПроРодинки 2.0. URL: https://prorodinki.ru/ (accessed: 26.05.2025).Maron RC, Haggenmüller S, von Kalle C, Utikal JS, Meier F, Gellrich FF, et al. Robustness of convolutional neural networks in recognition of pigmented skin lesions. Eur J Cancer. 2021;145:81–91. doi: 10.1016/j.ejca.2020.11.020Du-Harpur X, Arthurs C, Ganier C, Woolf R, Laftah Z, Lakhan M, et al. Clinically Relevant Vulnerabilities of Deep Machine Learning Systems for Skin Cancer Diagnosis. J Invest Dermatol. 2021;141(4):916–920. doi: 10.1016/j.jid.2020.07.034Михалев А.С., Жуковская В.А., Кобелев М.А., Пятаева А.В., Гец А.Е. Исследование эффективности современных архитектур сверточных нейронных сетей в задаче распознавания кожных новообразований // GraphiCon 2024: материалы 34-й Международной конференции по компьютерной графике и машинному зрению. Омск, 2024. С. 629–635. [Mikhalev AS, Zhukovskaya VA, Kobelev MA, Pyataeva AV, Gets AE. Investigation of the effectiveness of modern architectures of convolutional neural networks in the task of recognizing skin neoplasms. In: GraphiCon 2024: Proceedings of the 34th International Conference on Computer Graphics and Machine Vision. Omsk; 2024. P. 629–635. (In Russ.)]Wang A, Fulton R, Hwang S, Margolis DJ, Mowery DL. Patient Phenotyping for Atopic Dermatitis with Transformers and Machine Learning. medRxiv [Preprint]. 2023:2023.08.25.23294636. doi: 10.1101/2023.08.25.23294636 Update in: JMIR Form Res. 2024;8:e52200. doi: 10.2196/52200Chan WH, Srivastava R, Damaraju N, Do H, Burnett G, MacFarlane J, et al. Automated detection of skin reactions in epicutaneous patch testing using machine learning. Br J Dermatol. 2021;185(2):456–458. doi: 10.1111/bjd.20141Sacha JP, Caterino TL, Fisher BK, Carr GJ, Youngquist RS, D’Alessandro BM, et al. Development and qualification of a machine learning algorithm for automated hair counting. Int J Cosmet Sci. 2021;43 (Suppl 1):S34–S41. doi: 10.1111/ics.12735Shakeel CS, Khan SJ, Chaudhry B, Aijaz SF, Hassan U. Classification Framework for Healthy Hairs and Alopecia Areata: A Machine Learning (ML) Approach. Comput Math Methods Med. 2021;2021:1102083. doi: 10.1155/2021/1102083Kim YJ, Han SS, Yang HJ, Chang SE. Prospective, comparative evaluation of a deep neural network and dermoscopy in the diagnosis of onychomycosis PLoS One. 2020;15(6):e0234334. doi: 10.1371/journal.pone.0234334. Erratum in: PLoS One. 2020;15(12):e0244899. doi: 10.1371/journal.pone.0244899Wu H, Yin H, Chen H, Sun M, Liu X, Yu Y, et al. A deep learning-based smartphone platform for cutaneous lupus erythematosus classification assistance: Simplifying the diagnosis of complicated diseases. J Am Acad Dermatol. 2021;85(3):792–793. doi: 10.1016/j.jaad.2021.02.043McNeil A, Parks K, Liu X, Saknite I, Chen F, Reasat T, et al. Artificial intelligence recognition of cutaneous chronic graft-versus-host disease by a deep learning neural network. Br J Haematol. 2022;197(6):e69–e72. doi: 10.1111/bjh.18141Damiani G, Conic RRZ, Pigatto PDM, Carrera CG, Franchi C, Cattaneo A, et al. Predicting Secukinumab Fast-Responder Profile in Psoriatic Patients: Advanced Application of Artificial-Neural-Networks (ANNs). J Drugs Dermatol. 2020;19(12):1241–1246. doi: 10.36849/JDD.2020.5006Armstrong AW, Riedl E, Brunner PM, Piaserico S, Visser WI, Haustrup N, et al. Identifying Predictors of PASI100 Responses up to Month 12 in Patients with Moderate-to-severe Psoriasis Receiving Biologics in the Psoriasis Study of Health Outcomes (PSoHO). Acta Derm Venereol. 2024;104:adv40556. doi: 10.2340/actadv.v104.40556Bohjanen S, McAdams B, Goldstick C, Hordinsky M. Machine learning model quantifies mast cells in biopsies of psoriatic lesions imaged with confocal microscopy. Skin Res Technol. 2024;30(5):e13763. doi: 10.1111/srt.13763Zhu Y, Yang K, Lin JM, Ni C, Zhang Y, Li Z, et al. A Comparative Study on the Application of Robotic Hair Restoration Technology Versus Traditional Follicular Unit Excision in Male Androgenetic Alopecia. J Cosmet Dermatol. 2024;23(12):4213–4222. doi: 10.1111/jocd.16554Norimatsu Y, Yoshizaki A, Kabeya Y, Fukasawa T, Omatsu J, Fukayama M, et al. Expert-Level Distinction of Systemic Sclerosis from Hand Photographs Using Deep Convolutional Neural Networks. J Invest Dermatol. 2021;141(10):2536–2539. doi: 10.1016/j.jid.2021.03.020Flament F, Jiang R, Houghton J, Zhang Y, Kroely C, Jablonski NG, et al. Accuracy and clinical relevance of an automated, algorithm-based analysis of facial signs from selfie images of women in the United States of various ages, ancestries and phototypes: A cross-sectional observational study. J Eur Acad Dermatol Venereol. 2023;37(1):176–183. doi: 10.1111/jdv.18541Damiani G, Grossi E, Berti E, Conic RRZ, Radhakrishna U, Pacifico A, et al. Artificial neural networks allow response prediction in squamous cell carcinoma of the scalp treated with radiotherapy. J Eur Acad Dermatol Venereol. 2020;34(6):1369–1373. doi: 10.1111/jdv.16210Coudray N, Juarez MC, Criscito MC, Quiros AC, Wilken R, Cullison SRJ, et al. Self-supervised artificial intelligence predicts recurrence, metastasis and disease specific death from primary cutaneous squamous cell carcinoma at diagnosis. Res Sq [Preprint]. 2023:rs.3.rs-3607399. doi: 10.21203/rs.3.rs-3607399/v1 Update in: NPJ Digit Med. 2025;8(1):105. doi: 10.1038/s41746-025-01496-3Brinker TJ, Schmitt M, Krieghoff-Henning EI, Barnhill R, Beltraminelli H, et al. Diagnostic performance of artificial intelligence for histologic melanoma recognition compared to 18 international expert pathologists. J Am Acad Dermatol. 2022;86(3):640–642. doi: 10.1016/j.jaad.2021.02.009Höhn J, Krieghoff-Henning E, Jutzi TB, von Kalle C, Utikal JS, Meier F, et al. Combining CNN-based histologic whole slide image analysis and patient data to improve skin cancer classification. Eur J Cancer. 2021;149:94–101. doi: 10.1016/j.ejca.2021.02.032Pyun SH, Min W, Goo B, Seit S, Azzi A, Yu-Shun Wong D, et al. Real-time, in vivo skin cancer triage by laser-induced plasma spectroscopy combined with a deep learning-based diagnostic algorithm. J Am Acad Dermatol. 2023;89(1):99–105. doi: 10.1016/j.jaad.2022.06.1166Sohn GK, Sohn JH, Yeh J, Chen Y, Brian Jiang SI. A deep learning algorithm to detect the presence of basal cell carcinoma on Mohs micrographic surgery frozen sections. J Am Acad Dermatol. 2021;84(5):1437–1438. doi: 10.1016/j.jaad.2020.06.080Faita F, Oranges T, Di Lascio N, Ciompi F, Vitali S, Aringhieri G, et al. Ultra-high-frequency ultrasound and machine learning approaches for the differential diagnosis of melanocytic lesions. Exp Dermatol. 2022;31(1):94–98. doi: 10.1111/exd.14330Winkler JK, Kommoss KS, Toberer F, Enk A, Maul LV, Navarini AA, et al. Performance of an automated total body mapping algorithm to detect melanocytic lesions of clinical relevance. Eur J Cancer. 2024;202:114026. doi: 10.1016/j.ejca.2024.114026Fischman S, Pérez-Anker J, Tognetti L, Di Naro A, Suppa M, Cinotti E, et al. Non-invasive scoring of cellular atypia in keratinocyte cancers in 3D LC-OCT images using Deep Learning. Sci Rep. 2022;12(1):481. doi: 10.1038/s41598-021-04395-1Marri SS, Albadri W, Hyder MS, Janagond AB, Inamadar AC. Efficacy of an Artificial Intelligence App (Aysa) in Dermatological Diagnosis: Cross-Sectional Analysis. JMIR Dermatol. 2024;7:e48811. doi: 10.2196/48811Han SS, Kim YJ, Moon IJ, Jung JM, Lee MY, Lee WJ, et al. Evaluation of Artificial Intelligence-Assisted Diagnosis of Skin Neoplasms: A Single-Center, Paralleled, Unmasked, Randomized Controlled Trial. J Invest Dermatol. 2022;142(9):2353–2362.e2. doi: 10.1016/j.jid.2022.02.003Papachristou P, Söderholm M, Pallon J, Taloyan M, Polesie S, Paoli J, et al. Evaluation of an artificial intelligence-based decision support for the detection of cutaneous melanoma in primary care: a prospective real-life clinical trial. Br J Dermatol. 2024;191(1):125–133. doi: 10.1093/bjd/ljae021Sangers T, Reeder S, van der Vet S, Jhingoer S, Mooyaart A, Siegel DM, et al. Validation of a Market-Approved Artificial Intelligence Mobile Health App for Skin Cancer Screening: A Prospective Multicenter Diagnostic Accuracy Study. Dermatology. 2022;238(4):649–656. doi: 10.1159/000520474Fink C, Blum A, Buhl T, Mitteldorf C, Hofmann-Wellenhof R, Deinlein T, et al. Diagnostic performance of a deep learning convolutional neural network in the differentiation of combined naevi and melanomas. J Eur Acad Dermatol Venereol. 2020;34(6):1355–1361. doi: 10.1111/jdv.16165Ляхова У.А., Ляхов П.А. Мультимодальная ансамблевая нейросетевая система обнаружения рака кожи на гетерогенных дерматологических данных. Вестник СПбГУ. Прикладная математика. Информатика. Процессы управления. 2024;20(2):231–243. [Lyakhova UA, Lyakhov PA. Multimodal ensemble neural network system for skin cancer detection on heterogeneous dermatological data. Vestnik of Saint Petersburg University. Applied Mathematics. Computer science. Control processes. 2024;20(2):231–243. (In Russ.)] doi: 10.21638/spbu10.2024.208Ляхова У.А. Ансамблевая система распознавания рака кожи на основе мультимодальных нейросетевых архитектур. Инженерный вестник Дона. 2024;5(113):747–755. [Lyakhova UA. Ensemble system for recognizing skin cancer based on multimodal neural network architectures. Engineering bulletin of the don. 2024;5(113):747–755. (In Russ.)]Giulini M, Goldust M, Grabbe S, Ludwigs C, Seliger D, Karagaiah P, et al. Combining artificial intelligence and human expertise for more accurate dermoscopic melanoma diagnosis: A 2-session retrospective reader study. J Am Acad Dermatol. 2024;90(6):1266–1268. doi: 10.1016/j.jaad.2023.12.072Goessinger EV, Cerminara SE, Mueller AM, Gottfrois P, Huber S, Amaral M, et al. Consistency of convolutional neural networks in dermoscopic melanoma recognition: A prospective real-world study about the pitfalls of augmented intelligence. J Eur Acad Dermatol Venereol. 2024;38(5):945–953. doi: 10.1111/jdv.19777Соколов К.А., Шпудейко В.А. Динамика чувствительности и специфичности нейросети на фоне модернизации алгоритмов распознавания кожной патологии. Universum: медицина и фармакология. 2022;2(85):4–9. [Sokolov KA, Shpudeyko VA. Dynamics of sensitivity and specificity of the neural network against the background of modernization of algorithms for recognizing skin pathology. Universum: medicine and pharmacology. 2022;2(85):4–9. (In Russ.)] URL: https://7universum.com/ru/med/archive/item/12993 (accessed: 21.12.2025).Сергеев В.Ю., Сергеев Ю.Ю., Тамразова О.Б., Никитаев В.Г., Проничев А.Н., Сергеева М.А. Исследование эффективности программ автоматизированной диагностики меланомы кожи с применением технологий искусственного интеллекта. Российский журнал кожных и венерических болезней. 2020;23(5):288–292. [Sergeev VYu, Sergeev YuYu, Tamrazova OB, Nikitaev VG, Pronichev AN, Sergeeva MA. Research on the effectiveness of automated skin melanoma diagnostic programs using artificial intelligence technologies. Russian Journal of Skin and Venereal Diseases. 2020;23(5):288–292. (In Russ.)] doi: 10.17816/dv52794Wang Z, Wang C, Peng L, Lin K, Xue Y, Chen X, et al. Radiomic and deep learning analysis of dermoscopic images for skin lesion pattern decoding. Sci Rep. 2024;14(1):19781. doi: 10.1038/s41598-024-70231-x Erratum in: Sci Rep. 2024;14(1):26232. doi: 10.1038/s41598-024-76644-yMonnier J, Foahom Gouabou AC, Serdi M, Collenne J, Iguernaissi R, Richard MA, et al. Automated melanoma detection. An algorithm inspired from human intelligence characterizing disordered pattern of melanocytic lesions improving a convolutional neural network. J Am Acad Dermatol. 2024;91(2):350–352. doi: 10.1016/j.jaad.2024.02.063Щетинин Е.Ю., Севастьянов Л.А., Демидова А.В., Кулябов Д.С. Классификация повреждений кожи по данным дермаскопии с использованием методов глубокого обучения. Математическая биология и биоинформатика. 2020;15(2):180–194. [Shchetinin EYu, Sevast’yanov LA, Demidova AV, Kulyabov DS. Classification of skin lesions based on dermatoscopy data using deep learning methods. Mathematical Biology and Bioinformatics. 2020;15(2):180–194. (In Russ.)] doi: 10.17537/2020.15.180Menzies SW, Sinz C, Menzies M, Lo SN, Yolland W, Lingohr J, et al. Comparison of humans versus mobile phone-powered artificial intelligence for the diagnosis and management of pigmented skin cancer in secondary care: a multicentre, prospective, diagnostic, clinical trial. Lancet Digit Health. 2023;5(10):e679–e691. doi: 10.1016/S2589-7500(23)00130-9Gillstedt M, Hedlund E, Paoli J, Polesie S. Discrimination between invasive and in situ melanomas using a convolutional neural network. J Am Acad Dermatol. 2022;86(3):647–649. doi: 10.1016/j.jaad.2021.02.012Dutta N, Dhar D. Understanding Medical Technology Innovation in Low- and Middle-Income Countries: Factors, Impact, and a Model Proposal. She Ji: The Journal of Design, Economics, and Innovation. 2024;10(2):192–222. doi: 10.1016/j.sheji.2024.07.002Васильев Ю.А., Нанова О.Г., Владзимирский А.В., Гольдберг М.В., Блохин И.А., Решетников Р.В. Опыт использования технологий искусственного интеллекта в лабораторной медицине, их эффективность и сценарии применения: систематический обзор. Digital Diagnostics. 2025;6(2):251–267. [Vasiliev YuA, Nanova OG, Vladzimirskiy AV, Goldberg MV, Blokhin IA, Reshetnikov RV. Use of Artificial Intelligence Technologies in Laboratory Medicine, their Effectiveness and Application Scenarios: A Systematic Review. Digital Diagnostics. 2025;6(2):251–267. (In Russ.)] doi: 10.17816/DD635349Регламент подготовки наборов данных с описанием подходов к формированию репрезентативной выборки данных. М.: Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; 2022. 40 с. [Guidelines for dataset preparation and approaches to building representative data samples. Moscow: State Budget-Funded Health Care Institution of the City of Moscow “Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department,” 2022. 40 p. (In Russ.)]Cohen JF, Korevaar DA, Altman DG, Bruns DE, Gatsonis CA, Hooft L, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6(11):e012799. doi: 10.1136/bmjopen-2016-012799Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP, Irwig L, et al. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527. doi: 10.1136/bmj.h5527Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф., Румянцев Д.А., и др. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики. Digital Diagnostics. 2023;4(3):252–267. [Vasil’ev YuA, Vladzimirskij AV, Omelyanskaya OV, Arzamasov KM, Chetverikov SF, Rumyantsev DA, et al. Methodology for testing and monitoring software based on artificial intelligence technologies for medical diagnostics. Digital Diagnostics. 2023;4(3):252–267. (In Russ.)] doi: 10.17816/DD321971Daungsupawong H, Wiwanitkit V. Revolutionizing teledermatology: Exploring the integration of AI, including GPT chatbots for AI-driven anamnesis, diagnosis, and treatment plans: Correspondence. Clin Dermatol. 2024;42(5):528–529. doi: 10.1016/j.clindermatol.2024.07.006Praveenraj TP, Mitra D, Nagaraju PK, Sirohi GK, Periyadan Kandinhapally S. Enhancing dermatological diagnosis with artificial intelligence: a comparative study of ChatGPT-4 and Google Lens. Int J Dermatol. 2024;63(11):e369–e372. doi: 10.1111/ijd.17392Блохин И.А., Коденко М.Р., Шумская Ю.Ф., Гончар А.П., Решетников Р.В. Проверка гипотез исследования с использованием языка R. Digital Diagnostics. 2023;4(2):238–247. [Blokhin IA, Kodenko MR, Shumskaya YF, Gonchar AP, Reshetnikov RV. Hypothesis testing using R. Digital Diagnostics. 2023;4(2):238–247. (In Russ.)] doi: 10.17816/DD121368