Систематический обзор применения методов искусственного интеллекта в дерматологии



Цитировать

Полный текст

Аннотация

Введение 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: оценить уровень развития и внедрения методов ИИ в области дерматологии и выявить основные проблемы, осложняющие процесс внедрения ИИ в практику врачей-дерматологов.

Материалы и методы Поиск работ проводили в базах данных PubMed и РИНЦ, а также в реестре РЗН, осуществляющих производство и изготовление медицинских изделий. 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. Качество исследований оценили по опроснику QUADAS-CAD.

Результаты Всего в систематический обзор включили 41 работу из 270 найденных ссылок. Большинство исследований выполнены 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. Медианные значения (n=27) точности при диагностике злокачественных новообразований кожи нейронными сетями составило 80% (95%CI: 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.

Обсуждение В области дерматологии внедрение ИИ в медицинскую практику находится на продвинутом уровне, 19,5% проанализированных работ находятся 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.

Полный текст

Введение

Методы искусственного интеллекта (ИИ), включающие как нейронные сети, так и методы машинного обучения, быстро развиваются в последнее десятилетие и их возможности для автоматизации рутинных процессов разных областей медицины активно
исследуются [1 – 3]. Дерматология – одна из областей, где внедрение методов искусственного интеллекта стало насущной задачей по причине большого объема регулярно поступающих данных, необходимости одновременного анализа нескольких типов данных, таких как, например, изображения очаговых кожных изменений и медицинская карта пациента [4, 5], а также повышения точности диагностики кожных заболеваний [6].

Неравномерное распределение специалистов-дерматологов географически сделало актуальным разработку приложений на основе ИИ для телемедицинской диагностики кожных новообразований [7].

Целью нашей работы является оценить уровень развития и внедрения в практику методов ИИ в области дерматологии и выявить основные проблемные точки, требующие решения. Для этого мы провели систематический обзор исследовательских работ в области дерматологии с использованием ИИ. В обзоре мы решали следующие задачи: 1) выявить область применения ИИ в дерматологии; 2) оценить диапазоны диагностической точности ИИ и сопоставить их с аналогичными параметрами врачей; 3) выявить число официально зарегистрированных в качестве медицинских изделий алгоритмов ИИ; 4) оценить качество исследовательских работ и выявить основные сложности в применяемых методологиях исследования ИИ в дерматологии.

Материалы и методы

Стратегия поиска

Поиск исследовательских работ осуществлялся в двух базах данных научной литературы: PubMed и РИНЦ. Временной интервал: 2019 – 2025 гг.

  1. Поисковый запрос в PubMed выглядел следующим образом:

(artificial intelligence OR artificial neural network OR deep learning OR machine learning OR robot* OR computer vision system*) AND (dermatology) AND (computer-aided diagnosis OR diagnostics) NOT radiomics.

В разделе фильтров для «Article type» были выбраны следующие опции: Adaptive clinical trial, Books and Documents, Case Reports, Classical Article, Clinical Conference, Clinical Study, Clinical Trial Protocol, Comparative Study, Controlled Clinical Trial, Equivalence Trial, Evaluation Study, Letter, Multicenter Study, Observational Study, Pragmatic Clinical Trial, Preprint, Randomized Controlled Trial с целью отбора наиболее убедительных доказательств.

  1. Поисковый запрос в РИНЦ выглядел следующим образом:

Искусственный интеллект, машинное обучение, дерматология. Поиск ключевых слов проводился в названии, резюме и тексте публикаций.  В анализ включали все публикации, имеющие английское или русское резюме. Рассматривали статьи в рецензируемых научных журналах, препринты, статьи в конференционных сборниках.

Поисковая стратегия составила два этапа. Сначала проанализировали названия и резюме всех найденных по поисковым запросам работ, отобрали соответствующие нашим задачам исследования. Исключили исследования текстовых ИИ анализаторов. На втором этапе проанализировали полные тексты и их доступность из отобранного пула работ и составили выборку для основного анализа обзора.

  1. Поиск зарегистрированных отечественных медицинский изделий с ИИ в области дерматологии провели в «Государственном реестре медицинских изделий и организаций (индивидуальных предпринимателей), осуществляющих производство и изготовление медицинских изделий» по адресу http://www.roszdravnadzor.ru/services/misearch, где Росздравнадзор размещает все сведения о зарегистрированных медицинских изделиях. Поиск публикаций, содержащих диагностические параметры, отобранных зарегистрированных медицинских изделий с ИИ, осуществляли на сайте производителей и в базе данных РИНЦ.

Отбор работ проводился одним экспертом. Затем, финальный список включенных работ оценивался двумя экспертами. В качестве экспертов выступали научные сотрудники с опытом работы в медицинской информатике более 10 лет.

Извлечение информации и оценка качества статей

Из полных текстов отобранных статей извлекали следующую информацию:

1) библиометрические данные – имя первого автора, название статьи, год выхода, DOI, название журнала, импакт-фактор журнала, страна, где выполнили исследование;

2) направление исследований и тип исследуемой патологии и их основные характеристики (объем выборки, проспективное/ретроспективное исследование, одноцентровое/многоцентровое, наличие валидации на внешних данных, использованный тип ИИ, тип изображений);

3) значения диагностической точности ИИ (чувствительность, специфичность, ROC AUC, точность (accuracy), а также некоторые другие оценки). Рассчитали средние показатели диагностической точности с учетом направленности работ и их модальности: медиану и 95% доверительный интервал. Также извлекали из работ сравнения диагностической точности ИИ с диагностической точностью врачей; информацию по числу врачей и уровню их квалификации; оценки времени работы ИИ, оценки экономической эффективности потенциального внедрения ИИ. Отмечали наличие конфликта интересов либо его отсутствие;

4) доказанные результаты внедрения ИИ: официальную регистрацию ИИ как медицинского изделия FDA, CE mark, регистрационное удостоверение Росздравнадзора.

Оценка качества статей в обзорах проведена по методике QUADAS-CAD [8], разработанной для исследований с использованием ИИ.

Извлечение информации и оценка качества работ проводилась одним экспертом. Затем, результаты оценивались двумя экспертами с опытом работы в медицинской информатике более 10 лет.

Результаты

Поиск литературы и отбор работ

ВСЕГО НАЙДЕНО 270 ССЫЛОК (PUBMED – 164, РИНЦ – 106).

Для полнотекстового анализа отобрана 41 работа (PubMed – 34, РИНЦ – 7), исключено 229 работ (не имеют отношение к дерматологии и компьютерному зрению, обзоры литературы, конференционные тезисы с недостаточными данными, отсутствие доступа к полному тексту). В «Государственном реестре медицинских изделий и организаций (индивидуальных предпринимателей), осуществляющих производство и изготовление медицинских изделий» обнаружено регистрационное удостоверение одного медицинского изделия с ИИ для дерматологии: Сервис поддержки принятия врачебных решений для диагностики новообразований кожи ПроРодинки по ТУ 58.29.32-001-43490523-2022, РУ № РЗН 2023/21776, разработчик ООО «АИМЕД» [9]. В РИНЦ мы нашли 3 публикации, упоминающие приложение ПроРодинки (10 – 12), однако, ни в одной из них не приведены диагностические параметры данного приложения, поэтому эти публикации не были включены в систематический обзор. На сайте производителя [13] мы также не обнаружили ссылок на необходимые исследования.

Базовые характеристики статей

Базовые характеристики статей представлены в Таблице 1 и Приложении 1.

Всего отобрано 34 англоязычных и 7 русскоязычных работ. Из них исследовательских статей в журналах – 26, препринт статьи – 1, исследовательских писем – 13, материалов в конференционных сборниках – 1.

Диагностике злокачественных новообразований кожи посвящено 27 исследований (65,85% всех работ, Таблица 1), из них работы по диагностике меланомы (21 работа) представлены чаще, чем по диагностике других злокачественных кожных новообразований, таких как базальноклеточная и плоскоклеточная карциномы (9 работ), также из них 3 работы [14 – 16] включают оценку устойчивости используемых алгоритмов. По диагностике атопического дерматита выполнена 1 работа [17], по диагностике аллергических реакций в тестах на аллергены – 1 работа [18]. Автоматический подсчет и измерение длины волос выполнялся в 1 работе [19]. Классификация на снимках здоровых волос и очаговой алопеции (alopecia areata) выполнялась в 1 работе [20]. Диагностика онихомикоза проводилась в 1 работе [21]. Диагностика и классификация подтипов системной красной волчанки проводилась в 1 работе [22]. Диагностика хронической реакции трансплантата против хозяина исследовалась в 1 работе [23]. Предсказание ответа на лечение псориаза выполнялось в 2 работах [24, 25]. Диагностика псориаза – в 1 работе [26]. Эффективность роботов при пересадке волос тестировалась в 1 работе [27]. Диагностика системной склеродермии – в 1 работе [28]. Детекция косметологических признаков лица проводилась в 1 работе [29]. Предсказание ответа на радиотерапию у пациентов с эпителиальными новообразованиями волосистой части головы проводилось в 1 работе [30].

В большинстве случаев (51,2%) для получения изображений (Таблица 1) использована фотография (10 работ) либо фотография с применением дерматоскопа (11 работ). В 7 случаях данные получены с привлечением методов лабораторной медицины: гистологические изображения цельных слайдов – 3 работы [31 – 33], спектроскопия лазерно-индуцированной плазмы – 1 работа [34], конфокальная микроскопия – 1 работа [26], микрографическая хирургия замороженных срезов – 1 работа [35], общий анализ крови – 1 работа [24]. Данные УЗИ использованы в 1 работе [36], данные фотосъемки всего тела – в 1 работе [37], конфокальная оптическая когерентная томография – в 1 работе [38]. В 8 случаях неясно, какой тип изображений использовался.

Из 41 исследования 12 (29,3%) – многоцентровые, 14 (34,2%) – одноцентровые, в остальных случаях классификация неприменима, либо нет возможности установить данную информацию; 12 (29,3%) исследований – проспективные, 29 (70,7%) – ретроспективные. Исследований с внешней валидацией модели не обнаружено.

Характеристики выборок

Для описания объема использованной выборки в разных работах используют разные показатели (Таблица 1): число пациентов, число новообразований, число изображений. Объем выборки может сильно варьировать между разными исследованиями: число пациентов – 13–3007, число новообразований – 39–7657, число изображений – 100–100494.

Демографические характеристики

Информация о возрасте пациентов найдена в 20 работах из 41, возрастные интервалы широко варьируют как внутри исследований, так и между работами (Таблица 1). В большинстве случаев исследования проводили на взрослых пациентах, за исключением одной работы, где включали всех пациентов старше двух лет [39]. Возрастные категории здоровых пациентов и пациентов с целевой патологией различаются в работе [38]. Информация о половом составе выборок найдена в 20 работах из 41.  Относительно равная представленность полов в выборках наблюдается в девяти исследованиях [21, 25, 37, 39 – 45]. В пяти исследованиях включены исключительно женщины [19, 29], либо исключительно мужчины [27], такое распределение характерно для косметологических исследований и исследований в области восстановления волос.

Данные по фототипам кожи по шкале Фитцпатрика приведены в 11 работах. В основном в каждой работе представлены большинство из шести типов кожи [18, 23, 29, 34, 37, 41, 42, 46], при этом данные не сбалансированы по представленности типов кожи. Как правило, в выборке преобладают типы кожи, характерные для населенного пункта, где собирались данные: работа [23] – преобладание третьего типа кожи, [42] – более 80% пациентов представлены первым и вторым типом, [18, 34, 37] – преобладание второго и третьего типов кожи. В работе [39, 40] все пациенты имеют только третий и четвертый тип кожи, в работе [47] – только с первого по третий тип кожи.

В трех исследованиях указаны расы и народности включенных пациентов: [36] – европейцы, [27] – китайцы, [28] – японцы.

Типы алгоритмов

Использованные алгоритмы представлены в Таблице 2.

В 35 (85,4%) работах из 41 использовали нейронные сети глубокого обучения, в 8 (19,5%) работах – методы машинного обучения, из них в двух работах использовали как нейронные сети, так и методы машинного обучения. Из использованных алгоритмов восемь [27, 37, 41 – 43, 47 – 49] имеют статус медицинского изделия с ИИ (FDA или CE mark) и используются для двухклассовой (доброкачественные/злокачественные) [37, 42, 43] или многоклассовой [48] классификации, детекции меланомы [41; 49], оценки рисков развития меланомы [47], роботизированной трансплантации волос [27]. Из них два алгоритма имеют вид приложений для телефона и могут быть использованы в качестве телемедицинских технологий для диагностики кожных заболеваний: Dermalyser app [41], mHealth app [42]. Алгоритмы Skineve также используются в мобильном приложении Skinive MD [48].   Разные варианты медицинской системы Moleanalyzer-Pro, FotoFinder Systems GmbH, Germany [37, 43 47, 49] использовали для диагностики и развития злокачественных кожных заболеваний. В работе [47] также была протестирована медицинская система DEXI, Canfield Scientific. Для трансплантации волос [27] использовался робот системы ARTAS Robotic Hair Restoration Treatments. Из восьми исследований алгоритмов, имеющих маркировку, в четырех заявлено о конфликте интересов [37, 41 – 43], в двух – об отсутствии конфликта интересов [27, 47], в одном нет информации о конфликте интересов [49]. Еще в одной работе [48] о конфликте интересов не заявлено, но авторы являются сотрудниками компании, разрабатывающей соответствующую нейросеть, т.е. конфликт интересов присутствует.

Две работы исследуют приложения для смартфона Modelderm [40] и Aysa AI app [39] для диагностики кожных образований, не имеющие статуса медицинского изделия. В статье [40] заявлено о конфликте интересов, в статье [39] – об его отсутствии.  И в еще одной статье сообщается о разработке приложения [22] на основе сверточной нейронной сети для диагностики и классификации типов красной волчанки, заявлено об отсутствии конфликта интересов.

Сравнительный анализ разных алгоритмов проводили в 11 [16, 20, 24, 25, 33, 36, 38, 47, 50 – 52] работах. Сравнительный анализ ИИ и врачей проводили в  14 работах [15, 19, 21, 22, 27, 29, 32, 37, 38, 40, 43, 46, 53, 54].

Диагностическая точность алгоритмов

В качестве основных диагностических параметров мы приводим наиболее часто встречающиеся в исследованиях показатели (Таблица 3) – специфичность, чувствительность, ROC AUC, точность (accuracy). Реже встречающиеся показатели – достоверность (precision), полнота (recall), F1-мера (F1-score) и некоторые друге – приведены дополнительно в Приложении 2.

Наибольшее число исследований выполнено в области диагностики злокачественных новообразований кожи (меланома, базальноклеточная и плоскоклеточная карциномы) с использованием нейронных сетей для диагностики по фотографии и/или дерматоскопии. Для этого типа и модальности исследований получены следующие оценки диагностических параметров: чувствительность 84,06% (медиана) (95%CI: 78,24–89,91%, n (число включенных результатов тестирования нейронных сетей) = 28), специфичность 97,84% (95%CI: 94,58–100,00%, n=36), ROC AUC 83,00% (95%CI: 79,82–86,18%, n=27), точность 80% (95%CI: 76,55–83,45%, n=43).

В работе [36] для диагностики меланомы и меланоцитарных невусов использовали методы машинного обучения (Таблица 3) и данные УЗИ, получены следующие оценки диагностической точности: чувствительность 84,00-100% (максимальное и минимальное значение, n=3), специфичность 70,00% (n=2), ROC AUC 83,00% (n=1), точность 76,90% (n=2).

Диагностика злокачественных новообразований кожи (меланома, базальноклеточная и плоскоклеточная карциномы) с помощью анализа изображений, полученных с использованием гистологических методов проведена в 5 работах [31 – 35] с применением нейронных сетей. Получены следующие значения диагностических параметров: чувствительность 91,00% (медиана, n=4), специфичность 79,10% (n=7), ROC AUC 68,90% (n=5), точность 63,50% (n=5).

В двух проспективных работах исследовали предсказание ответа на лечение псориаза [24,   25]. В работе Armstrong A.W. et al. [25] с этой целью использовали методы машинного обучения и получили значения ROC AUC 65,1-65,6% для двух разных методов машинного обучения. В работе [24] оценивали профиль пациента «быстро реагирующего» на лечение псориаза на основе общего анализа крови с использованием нейронной сети. Авторы приводят значение точности 91,88%. Для диагностики псориаза [26] использовался метод машинного обучения, а для получения изображений применяли конфокальную микроскопию. В результате, получены значения чувствительности 86,00% и ROC AUC 92,80%.

Для других работ в силу разнообразия задач и подходов к их решению не удается провести обобщающий анализ. Рассмотрим их отдельно. Классификацию здоровых волос и участков с алопецией по фотографии с помощью методов машинного обучения проводили в работе [20], алгоритмы продемонстрировали точность 88,9% (метод ближайших соседей) – 91,4% (метод опорных векторов). Онихомикоз диагностировали на дерматоскопических изображениях с помощью нейронных сетей, алгоритмы продемонстрировали чувствительность 67,55% (медиана, n=4), специфичность 89,75 (n=4), ROC AUC 82,25% (n=2), точность 50,50% (n=3). При диагностике красной волчанки и ее подтипов [23] тестируемая нейронная сеть продемонстрировала следующие диагностические параметры: чувствительность 92,51%, специфичность 90,37%, ROC AUC 97,30%, точность 90,67%. При диагностике хроническая реакция трансплантата против хозяина [22] тестируемая нейронная сеть продемонстрировала следующие диагностические параметры: чувствительность 92,00%, специфичность 92,00%, точность 92,00%. При выявлении клеточной атипии [38] неинвазивными методами (Line-field Confocal Optical Coherence Tomography) для диагностики злокачественных новообразований кожи медианное значение ROC AUC трех методов машинного обучения (Таблица 3) составило 97,9%. При диагностике системного склероза [28] по фотографиям нейронная сеть (основанная на Xception) продемонстрировала медианное значение ROC AUC равное 89,00%. При диагностике аллергических реакций в тестах на аллергены [18] по фотографиям нейронная сеть продемонстрировала значение точности равное 99,5%. При диагностике атопического дерматита по данным медицинских карт пациентов [50] протестировали 8 разных методов машинного обучения (Таблица 3) в трех экспериментах, различающихся методами создания векторного представления каждого пациента и сбалансированностью/несбалансированностью данных. Авторы приводят значения специфичности и точности. Медианной значение специфичности составило 73,02% (95%CI: 70,53–75,51%, n=48), медианное значение точности 68,00% (95%CI: 65,85–70,14%, n=48). Для выявления закономерности рецидива плоскоклеточной карциномы после лучевой терапии нейронная сеть продемонстрировала следующие диагностические параметры: чувствительность 85,70%, специфичность 97, 60%, точность 91,7%.

В трех работах [14, 15, 47] сравнивали устойчивость алгоритмов к разного рода изменениям и погрешностям в изображениях. В работе [14] оценивали, в какой степени незначительные возмущения изображения влияют на классификацию поражений кожи, проводимую сверточной нейронной сетью. Для архитектуры ResNet50 среднее абсолютное изменение классификации поражений варьировало от 2,90% до 11,20%. Эти изменения были немного ниже для DenseNet121 архитектуры, при этом VGG16

показал наименьшее изменение из всех трех протестированных архитектур. Авторы заключают, что незначительные изменения изображения, относительно незаметные для людей, могут повлиять на надежность нейронных сетей, дифференцирующих поражения кожи.

В работе [47] оценивали устойчивость классификации пяти последовательных дерматоскопических изображений идентичных поражений с использованием двух коммерческих нейронных сетей (CNN-1 и CNN-2). Коэффициенты внутриклассовой корреляции указали на «умеренную»-«хорошую» надежность для обеих систем (CNN-1: 0,80, 95% CI: 0,71–0,87, p < 0,001; CNN-2: 0,67, 95% CI: 0,55–0,77, p < 0,001). Потенциальные изменения изображения, вызванные пользователем, могут существенно повлиять на классификацию CNN. Авторы рекомендуют оптимизировать надежность сверточных нейронных сетей путем перекрестной проверки с повторными наборами изображений.

В работе [15] исследовано влияние изменений изображений – изменения цветового баланса и поворотов – на классификацию меланомы и невусов с помощью сверточной нейронной сети. Результаты показывают– чувствительность 83,63% (исходный тест, медиана) vs 79,92% (тесты измененных изображений, медиана), 95%CI: 71,83-88,01%; специфичность 98,22% vs 97,54%, 95%CI: 96,92-98,15%; ROC AUC 97,93%, 95%CI: 96,21-99,65%; точность 94,35%, 95%CI: 92,01-96,69% – что даже при высокой исходной диагностической точности алгоритма, малейшие изменения изображений могут значительно ухудшать диагностическую точность. Также, в ходе эксперимента проведено сравнение результатов работы нейронной сети с работой опытных дерматологов (4 дерматолога), что позволило выявить довольно четкие различия в их реакциях на измененные изображения. Данные диагностической точности для самих дерматологов в работе не приведены. При этом отмечено отсутствие существенной разницы в работе дерматологов с модифицированными и немодифицированными изображениями (p = 0,337; рассчитано с помощью логистической регрессии).

Диагностическая точность алгоритмов и врачей

Сравнительный анализ диагностической точности ИИ и врачей проводили в  14 работах [15, 19, 21, 22, 27, 29, 32, 37, 38, 40, 43, 46, 53, 54].

Результаты сравнения приведены в Таблице 4.

В работе [53] диагностическая точность выявления и классификации кожных новообразований (семь классов заболеваний) приложения, основанного на алгоритме нейронной сети,  сравнивали с диагностической точностью врачей – специалистов, имеющих медицинскую квалификацию, связанную с диагностикой и лечением пигментных поражений кожи, и младших врачей-дерматологов или ординаторов на должности стажеров, которые имели опыт обследования и лечения этих поражений. Диагностические параметры тестируемого алгоритма (чувствительность 55,60%, 95%CI: 44,17-67,03%; специфичность 96,45%, 95%CI: 92,42%-100,00%) были эквивалентны параметрам врачей-специалистов (чувствительность 38,90-66,70%; специфичность 99,00%-99,90%) и превосходили врачей-новичков (чувствительность 22,20-38,90%; специфичность 98,30-99,90%) в диагностике пигментных поражений кожи. В работе [40] диагностическая точность выявления и классификации кожных новообразований приложения, основанного на алгоритме нейронной сети,  сравнивали с диагностической точностью нескольких групп медицинских работников с разным уровнем квалификации: врачи широкого профиля, не специализирующиеся в дерматологии, стажеры – медики, не специализирующиеся в дерматологии, и ординаторы первого года, специализирующиеся в дерматологии. Алгоритм ИИ повысил точность врачей-неспециалистов в дерматологии. Алгоритм ИИ помог улучшить точность стажеров (Таблица 4). Увеличение было значительным у стажеров-не дерматологов, имевших лишь минимальный опыт в дерматологии, тогда как увеличение было незначительным у ординаторов. Автономный алгоритм, использующий оценку злокачественности, показал сопоставимые значения диагностических параметров с практикующими дерматологами при определении злокачественности новообразований. При диагностике [46] меланомы и доброкачественных невусов нейронная сеть позволяла улучшить диагностические параметры врачей (чувствительность 56,31% vs 67,88%, специфичность 69,28% vs 73,72%), когда они использовали сеть в качестве вспомогательного инструмента. При диагностике меланомы (двухклассовая модель) [54] нейронная сеть продемонстрировала несколько более низкие диагностические параметры по сравнению с врачами-дерматологами (чувствительность 69,20% vs 76,90%, специфичность 69,70% vs 73,40%, ROC AUC 76,00% vs 81,00%, точность 69,50% vs 75,00%). Методы машинного обучения (XGBoost, логистическая регрессия, метод изолированного леса) значительно превзошли по возможностям диагностики клеточной атипии в кератиноцитарных раковых опухолях (ROC AUC 97,1-98,1% vs 76,6%) врачей-дерматологов (3 врача) [38]. В работе [43] диагностические параметры системы Moleanalyzer-Pro, FotoFinder Systems достоверно не отличаются от диагностических параметров врачей-дерматологов разного уровня квалификации (чувствительность 97,10% vs 90,60%, p=0,092, специфичность 78,80% vs 71,00%, p=0,256). В работе [32] диагностировали меланому и невусы с помощью нейронной сети и при участии 18 дерматопатологов с опытом работы не менее 5 лет. Тестируемая нейронная сеть показала диагностические параметры сопоставимые с пармметрами опытных дерматопатологов (Таблица 4).

В работе [37] тестировали возможности нейронной сети для обнаружения клинически значимых меланоцитарных поражений (ATBM master, Fotofinder Systems GmbH version 3.3.1.0). Уровень согласованности выявления патологии между алгоритмом и людьми составил 92,90% (95%CI: 91,20%- 94,30%). Среднее требуемое время для нейронной сети с автоматическим обнаружением поражений составило 14,1 минут (95%CI: 12,8–15,5 минут).

При диагностике онихомикоза [21] получили сходные диагностические параметры нейронной сети с одной стороны и пяти дерматологов с другой стороны (чувствительность 70,20% vs 73,00%, специфичность 72,70% vs 49,70%, ROC AUC 75,10% vs 75,50%, p=0,952).

В работе [22] диагностическая точность выявления и классификации типов красной волчанки приложения, основанного на алгоритме нейронной сети, сравнивали с диагностической точностью врачей разного уровня квалификации. Точность тестируемого приложения была аналогична точности профессоров и/или доцентов в области дерматологии, превзошла дерматологов более низкого уровня квалификации и врачей-не дерматологов. Протестированная нейронная сеть точнее классифицировала комбинированные невусы и меланомы по сравнению с опытными дерматологами. Диагностическая точность врачей могла быть улучшена, если бы нейронная сеть использовалась для подтверждения/отмены первоначального диагноза меланомы. Наибольшая выгода была достигнута у врачей-«новичков», которые показали худшую диагностическую точность без проверки нейронной сетью, но показали высокую диагностическую точность с проверкой нейронной сетью.

В работе [19] обнаружили высокий уровень согласованности между алгоритмом нейронной сети и исследователями при подсчете (межклассовый коэффициент корреляции ICC=0,97) и измерении длины (ICC=0.95) волос по фотографии.

В работе [27] сравнивали эффективность и безопасность системы ARTAS при трансплантации волос и с эффективностью врачей, имеющих опыт работы более 10 лет. Общий процент положительных исходов на стороне ARTAS был ниже, чем на стороне врачей (82,05% vs 90,03%, p > 0,05); общий процент отбраковки волос для пересадки на стороне ARTAS был выше, чем на стороне FUE (10,71% vs 5,46%, p < 0,05); общий процент транссекции – повреждения фолликулов при извлечении –  на стороне ARTAS был ниже, чем на стороне врачей (13,17% vs 13,96%, p > 0,05). Не было обнаружено существенной разницы в удовлетворенности пациентов, и не было обнаружено никаких побочных эффектов или осложнений во время или после всех операций.

В работе [29] сравнивали способность нейронной сети и 50 дерматологов выявлять косметологические признаки лица по фотографии. Для пяти признаков оценки, полученные автоматизированной системой, были сильно коррелированы с оценками дерматологов (r ≥ 0,75); поры кожи щек были умеренно коррелированы (r = 0,63), а признаки пигментации, особенно для самых темных тонов кожи, были слабо коррелированы (r = 0,40) с оценками дерматологов.

Ни в одной из проанализированных работ не анализировали выигрыш/затраты времени и экономическую эффективность внедрения ИИ в клиническую практику дерматологов.

Оценка качества методологии исследований

Оценка качества методологии проанализированных исследований с использованием инструмента QUADAS-CAD [8] и оценка вероятности систематической ошибки представлены в Приложениях 3, 4 и на рис. 1, соответственно.

В большинстве проанализированных исследований (n=37, 90,24%) присутствует вероятность систематической ошибки из-за особенностей использования методик. Так, только в небольшой доле исследований включенные выборки были сбалансированы по уровню патологии (n=7; 17,07%) и демографическим (n=5; 12,20%) показателям. Соответствующие вопросы являются сигнальными для домена D1 (Patient Selection), риск систематической ошибки в этом домене высок или вызывает опасения в большинстве проанализированных случаев (n=39, 95,12%). В некоторых работах (n=11; 26,83%) из описания методики не ясно, пересекались ли обучающая и тестовая выборка, что является сигнальным вопросом домена D2 (Index Test), и в одном случае (2,44%) эти выборки пересекались [23]. Только в небольшом числе работ (n=8, 19,51%) размер выборок рационализировали. Риск систематической ошибки в домене D2 также в большинстве случаев высок или вызывает опасения (n=34, 82,93%).

В ряде случаев из текста статьи нельзя было понять уровень экспертов, подготовивших референсные стандарты (n=22, 53,66%). Во многих случаях (n= 33, 80,49%) для разных патологий (например, для злокачественных и доброкачественных новообразований) использовали разные референсные стандарты либо использование единого референсного стандарта было неочевидным (например, при использовании изображений из онлайн баз данных).

Обсуждение

Применение ИИ в дерматологии

В нашем обзоре показано, что область применения ИИ в дерматологии интенсивно развивается. Об этом говорит, например, довольно большое число найденных работ – 41, 29% из которых являются проспективными. В дерматологии ИИ может быть применен для диагностики широкого спектра заболеваний. Наиболее часто встречающаяся задача здесь – это диагностика злокачественных новообразований кожи, особенно меланомы, диагностике которой посвящено более половины всех работ. Также исследовали применимость ИИ для диагностики и других кожных патологий: атопического дерматита, аллергических реакций, системной красной волчанки, хронической реакции трансплантата против хозяина, онихомикоза, псориаза, системной склеродермии. Одна работа выполнена в области косметологии и направлена на выявление косметологических признаков: пор, морщин, складок, пигментных пятен. В двух работах выявляли зоны очаговой аллопеции. И еще в одной работе тестировалась эффективность и безопасность роботизированной системы по пересадке волос по сравнению с классическим методом. В трех работах уделено внимание оценке устойчивости получаемых диагностических оценок к разного рода изменениям изображений.

В подавляющем большинстве проанализированных дерматологических работ – более 85% – использовали нейронные сети глубокого обучения. Методы машинного обучения использовали в существенно меньшем числе исследований (менее 20% от всего числа работ).

Наиболее распространенными методами получения изображений для дерматологических исследований были фотография, дерматоскопия и их комбинация, их использовали в более чем половине проанализированных работ. Зачастую, например, при использовании приложений, фотографии получали сами пациенты с помощью камеры своего смартфона. Вероятно, относительная простота получения поверхностных изображений кожи для диагностики кожных новообразований – один из важных факторов быстрого развития методов ИИ в дерматологии и обилия работ в этой области, в том числе и многоцентровых (29,3% от общего числа работ). Методы лабораторной медицины (например, гистологические изображения, микрографическая хирургия) при получении изображений использовались реже – в 7 из 41 проанализированной работы. Еще по одной работе использовали для этих целей УЗИ и томографию.

Диагностическая точность ИИ, сопоставление с врачами и внедрение алгоритмов ИИ в практику

Методы ИИ в дерматологии демонстрирует высокие значения диагностических параметров. Наиболее точная оценка благодаря большому числу исследований получена для диагностики злокачественных новообразований кожи с использование фотографии и дерматоскопии и нейронных сетей. Значения чувствительности, специфичности, ROC AUC и точности здесь составляют 84,06% (95%CI: 78,24–89,91%), 97,84% (95%CI: 94,58–100,00%), 83,00% (95%CI: 79,82–86,18%), 80% (95%CI: 76,55–83,45%) соответственно. Также высокие значения диагностических параметров алгоритмов ИИ получены при диагностике псориаза, красной волчанки и ее подтипов, хронической реакции трансплантата против хозяина, системного склероза, аллергических реакций в тестах на аллергены.

Во всех работах, где проводили сравнение эффективности алгоритмов ИИ и медицинских работников, диагностическая точность нейронных сетей превосходит диагностическую точность врачей широкого профиля и ординаторов и сравнимы с диагностической точностью врачей-специалистов при диагностике злокачественных новообразований кожи, а также диагностике онихомикоза, красной волчанки. Использование нейронных сетей в качестве помощника позволяет повышать диагностическую точность врачей с небольшим опытом работы до уровня диагностической точности врачей-специалистов. Выявлен высокий уровень согласованности результатов между алгоритмами ИИ и врачами при подсчете и оценке длины волос, при процедуре трансплантации волос и при выявлении ряда косметологических признаков.

В области дерматологии внедрение ИИ в медицинскую практику находится на продвинутом уровне. Согласно семиуровневой модели управления инновациями в сфере медицинских технологий [55] 8 из 41 работ (19,5%) находятся на самом высоком седьмом уровне «коммерческого внедрения и распространения продукта», 33 из 41 работы (88,5%) находятся на четвертом уровне оценки «клинической эффективности и проверки безопасности продукта». Эта ситуация существенно разница с ситуацией, например, в лабораторной медицине [56], где не обнаружено работ, находящихся на уровне «коммерческого внедрения и распространения продукта».

Оценка качества методов работ по исследованию ИИ

Оценка рисков систематической ошибки показала, что большинство работ имеют высокую вероятность риска систематической ошибки и вероятность завышения результатов диагностической точности алгоритмов. Разберем подробнее причины этого.

В первую очередь это объем и состав выборок. Некоторые результаты получены на очень ограниченных по объему выборках, составляющих несколько десятков изображений/пациентов. Зачастую в силу объективных причин выборки не сбалансированы по половозрастному составу. Кроме того, большинство данных получены на типах кожи I-IV по Фитцпатрику, т.е. на относительно светлокожих пациентах. Применимость полученных результатов к более темным фототипам кожи остается под вопросом. Зачастую выборки также не сбалансированы по присутствию изучаемых патологий. Следует отметить, что результаты диагностической точности алгоритмов могут также сильно зависеть от числа классов заболеваний, которые они должны диагностировать. Кроме того, для разных патологий диагностическая точность может также заметно варьировать.

Отсутствие внешней валидации результатов тестирования ИИ в большинстве работ является еще одной проблемой, затрудняющей генерализацию полученных результатов и внедрение алгоритмов в клиническую практику. Например, показано, что мельчайшие изменения в характеристиках изображений – цвет, яркость, поворот – влияют на качество диагностики патологий алгоритмами. Одним из способов решения этой проблемы может быть перекрестная проверка результатов с повторными наборами изображений.

В ряде исследований, как правило использующих данные из открытых источников. При этом не очевидно, что наборы обучающих и тестовых выборок не пересекаются и авторы игнорируют эту проблему. Пересечение обучающих и тестовых выборок в свою очередь также завышает диагностические параметры алгоритмов ИИ [57].

Зачастую в дерматологических исследованиях к доброкачественным и злокачественным новообразованиям применяются разные референсные стандарты: гистологическое заключение имеется для злокачественных новообразований и отсутствует для доброкачественных новообразований. Такой подход повышает вероятность систематической ошибки при исследовании диагностической точности алгоритмов ИИ. В некоторых случаях остается неясным, какой именно критерий использовался в качестве референсного стандарта.

Еще одной проблемой для реалистичной оценки диагностических возможностей алгоритмов ИИ является отбор диагностических параметров, приводимых в статьях. Например, авторы могут приводить значения чувствительности и не приводить значения специфичности, или наоборот. Однако, все эти показатели рассчитываются на одной и той же таблице сопряженности.

Наличие конфликта интересов, присутствующее как в минимум половине работ по коммерческим решениям ИИ, также может повышать вероятность систематической ошибки.

Несмотря на то, что в дерматологии уже имеется достаточно много алгоритмов, официально зарегистрированных как медицинские изделия и готовых к использованию, ни в одной из работ мы не нашли анализ временных и экономических выигрышей/затрат от внедрения ИИ в клиническую практику.

Можно заключить, что, несмотря на ряд методологических сложностей, которые безусловно должны быть решены, алгоритмы ИИ имеют высокий потенциал для внедрения в практику в области дерматологии и уже существует целый ряд готовых коммерческих продуктов для использования в клинических условиях. Для решение озвученных методологических проблем и повышения качества исследований необходимо при планировании и проведении исследований следовать чек-листам [58 – 60], специально разработанным для исследования ИИ в медицине.  Следующим шагом в области дерматологии является оценка на практике затрат и выгод (временных, экономических) от внедрения алгоритмов ИИ в работу врачей-дерматологов.

Ограничения систематического обзора

В данном систематическом обзоре нам удалось получить обобщающие оценки диагностической точности для детекции злокачественных новообразований кожи с помощью нейронных сетей. Остальные области несмотря на довольно большой объем проанализированных работ представлены единичными исследованиями в силу большого разнообразия областей применения ИИ и подходов в дерматологии.

Некоторые темы в нашем обзоре не затронуты, поскольку они требуют отдельного исследования и отдельного систематического обзора. Во-первых, это использования комплекса методов ИИ и радиомики для диагностики кожных новообразований, что является перспективным и многообещающим направлением [50]. Во-вторых, это использование больших языковых моделей в качестве помощников дерматологов при диагностике, а также для генерации структурированных отчетов [61, 62]. В-третьих, широкий охват выполненного исследования, малое количество включенных работ, не позволяют провести полноценный мета-анализ с использованием пакетов «meta» и «tidyverse» языка R [63].

Кроме того, существует область гуманитарных проблем при внедрении ИИ в практику. Например, оценка степени комфорта пациента при использовании ИИ для диагностических целей. Этот аспект также требует изучения.

Заключение

Область использования ИИ в дерматологии находится на продвинутом этапе, что иллюстрируется широким набором алгоритмов ИИ, зарегистрированных в качестве медицинских изделий, а также значительной долей проспективных исследований. Большинство исследований выполнены в области диагностики злокачественных новообразований кожи, из них наиболее распространенной патологией является меланома. Алгоритмы ИИ демонстрируют высокие диагностические параметры, превосходящие врачей без опыта или врачей широкого профиля. Проведенный нами анализ продемонстрировал высокую вероятность систематической ошибки в большинстве работ.

В целом ИИ имеет хороший потенциал в качестве помощника врача-дерматолога для повышения точности при диагностике кожных новообразований. В настоящий момент требуется оценка экономической эффективности и временных выгод при внедрении ИИ в клиническую практику.

×

Об авторах

Юрий Александрович Васильев

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN-код: 4458-5608

канд. физ.-мат. наук , главный врач

Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Всеволод Николаевич Галкин

Государственное бюджетное учреждение здравоохранения города Москвы «Городская клиническая больница имени С.С. Юдина Департамента здравоохранения города Москвы»

Email: gkb-yudina@zdrav.mos.ru
ORCID iD: 0000-0002-6619-6179

докт. мед. наук, профессор, главный врач

Россия

Роман Анатольевич Раводин

Государственное бюджетное учреждение здравоохранения города Москвы «Городская клиническая больница имени С.С. Юдина Департамента здравоохранения города Москвы»

Email: gkb-yudina@zdrav.mos.ru
ORCID iD: 0000-0002-0737-0317

докт. мед. наук, заведующий отделением

Россия

Ольга Геннадьевна Нанова

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: NanovaOG@zdrav.mos.ru
ORCID iD: 0000-0001-8886-3684
SPIN-код: 6135-4872

канд. биол. наук, ведущий научный сотрудник, отдел научных медицинских исследований
Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Никита Александрович Савин

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Автор, ответственный за переписку.
Email: SavinNA2@zdrav.mos.ru
ORCID iD: 0000-0001-9199-7229
SPIN-код: 9768-9082
Scopus Author ID: 57219156381

к.ф.-м.н., научный сотрудник, отдел научных медицинских исследований

Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Иван Андреевич Блохин

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: BlokhinIA@zdrav.mos.ru
ORCID iD: 0000-0002-2681-9378
SPIN-код: 3306-1387

канд. мед. наук, заведующий сектором, сектор исследований в лучевой диагностике
Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Олег Игоревич Мынко

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: MynkoOI@zdrav.mos.ru
ORCID iD: 0009-0005-3984-4045
SPIN-код: 3556-3510

инженер, сектор исследований в лучевой диагностике
 
 
Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Антон Вячеславович Владзимирский

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук, профессор, заместитель директора по научной работе

Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Ольга Васильевна Омелянская

Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»

Email: OmelyanskayaOV@zdrav.mos.ru
ORCID iD: 0000-0002-0245-4431
SPIN-код: 8948-6152

руководитель по управлению подразделениями Дирекции наука

Россия, 127051, г. Москва, ул. Петровка, д. 24, стр. 1

Список литературы

  1. Zhang Y, Weng Y, Lund J. Applications of Explainable Artificial Intelligence in Diagnosis and Surgery. Diagnostics. 2022;12(2):237. doi: 10.3390/diagnostics12020237.
  2. Zhang S, Wang Y, Zheng Q, Li J, Huang J, Long X. Artificial intelligence in melanoma: A systematic review. J Cosmet Dermatol. 2022 Nov;21(11):5993-6004. doi: 10.1111/jocd.15323. Epub 2022 Sep 20. PMID: 36001057.
  3. Васильев Ю.А., Владимиров А.В., Омелянская О.В., Решетников Р.В., Блохин И.А., Коденко М.Р., Нанова О.Г. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике. Med Vizual. 2024;28(3):22-41. doi: 10.24835/1607-0763-1425. [Vasil’ev Yu.A., Vladimirov A.V., Omelyanskaya O.V., Reshetnikov R.V., Blokhin I.A., Kodenko M.R., Nanova O.G. Review of meta-analyses on the use of artificial intelligence in radiation diagnostics. Medical Visualization. 2024;28(3):22-41. (in Russian)].
  4. Wang G, Meng X, Zhang F. Past, present, and future of global research on artificial intelligence applications in dermatology: A bibliometric analysis. Medicine (Baltimore). 2023 Nov 10;102(45):e35993. doi: 10.1097/MD.0000000000035993. PMID: 37960748; PMCID: PMC10637496.
  5. Luo N, Zhong X, Su L, Cheng Z, Ma W, Hao P. Artificial intelligence-assisted dermatology diagnosis: From unimodal to multimodal. Comput Biol Med. 2023 Oct;165:107413. doi: 10.1016/j.compbiomed.2023.107413. Epub 2023 Sep 1. PMID: 37703714.
  6. Avilés-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.2016.07.009.
  7. Ranpariya V, Feldman SR. Characterizing dermatology mobile applications that use artificial intelligence. Dermatol Online J. 2021 Sep 15;27(9). doi: 10.5070/D327955147. PMID: 34755989.
  8. Kodenko MR, Vasilev YA, Vladzymyrskyy AV, Omelyanskaya OV, Leonov DV, Blokhin IA, Novik VP, Kulberg NS, Samorodov AV, Mokienko OA, Reshetnikov RV. Diagnostic Accuracy of AI for Opportunistic Screening of Abdominal Aortic Aneurysm in CT: A Systematic Review and Narrative Synthesis. Diagnostics (Basel). 2022 Dec 16;12(12):3197. doi: 10.3390/diagnostics12123197. PMID: 36553204; PMCID: PMC9777560.
  9. Свидетельство 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 Russian)].
  10. Белоусова А.С., Гаранина О.Е. ОЦЕНКА КЛИНИЧЕСКИХ КРИТЕРИЕВ МЕЛАНОМЫ КОЖИ ПРИ САМОДИАГНОСТИКЕ ПОЛЬЗОВАТЕЛЕЙ ПРИЛОЖЕНИЯ ПРОРОДИНКИ. In: ВолгаМед. Сборник тезисов X Всероссийской научно-практической конференции молодых ученых и студентов с международным участием. Нижний Новгород, 2024. С. 121-122. [Belousova A.S., Garanina O.E. 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 Russian)].
  11. 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 N.A., Karyakin N.N., Shlivko I.L. 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 Russian)].
  12. 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(34)):107-115. [Sivodedova N.A., Karyakin N.N., Gamayunov S.V., Uskova K.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(34)):107-115. (in Russian)].
  13. prorodinki.ru [ПроРоднки 2.0]. ГЛАВНАЯ [доступ от 26.05.2025]. Доступ по ссылке: https://prorodinki.ru/.
  14. Maron RC, Haggenmüller S, von Kalle C, Utikal JS, Meier F, Gellrich FF, Hauschild A, French LE, Schlaak M, Ghoreschi K, Kutzner H, Heppt MV, Haferkamp S, Sondermann W, Schadendorf D, Schilling B, Hekler A, Krieghoff-Henning E, Kather JN, Fröhling S, Lipka DB, Brinker TJ. Robustness of convolutional neural networks in recognition of pigmented skin lesions. Eur J Cancer. 2021 Mar;145:81-91. doi: 10.1016/j.ejca.2020.11.020. Epub 2021 Jan 7. PMID: 33423009.
  15. Du-Harpur X, Arthurs C, Ganier C, Woolf R, Laftah Z, Lakhan M, Salam A, Wan B, Watt FM, Luscombe NM, Lynch MD. Clinically Relevant Vulnerabilities of Deep Machine Learning Systems for Skin Cancer Diagnosis. J Invest Dermatol. 2021 Apr;141(4):916-920. doi: 10.1016/j.jid.2020.07.034. Epub 2020 Sep 12. PMID: 32931808; PMCID: PMC7990050.
  16. Михалев 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. In: GraphiCon 2024. Материалы 34-й Международной конференции по компьютерной графике и машинному зрению. Омск, 2024. С. 629-635. [Mikhalev A.S., Zhukovskaya V.A., Kobelev M.A., Pyataeva A.V., Gets A.E. 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 Russian)].
  17. Wang A, Fulton R, Hwang S, Margolis DJ, Mowery DL. Patient Phenotyping for Atopic Dermatitis with Transformers and Machine Learning. medRxiv [Preprint]. 2023 Dec 4:2023.08.25.23294636. doi: 10.1101/2023.08.25.23294636. Update in: JMIR Form Res. 2024 Jan 26;8:e52200. doi: 10.2196/52200. PMID: 37693571; PMCID: PMC10491276.
  18. Chan WH, Srivastava R, Damaraju N, Do H, Burnett G, MacFarlane J, Xie SM, Chen JK, Honari G, Sarin KY. Automated detection of skin reactions in epicutaneous patch testing using machine learning. Br J Dermatol. 2021 Aug;185(2):456-458. doi: 10.1111/bjd.20141. Epub 2021 Jun 1. PMID: 33829497.
  19. Sacha JP, Caterino TL, Fisher BK, Carr GJ, Youngquist RS, D'Alessandro BM, Melione A, Canfield D, Bergfeld WF, Piliang MP, Kainkaryam R, Davis MG. Development and qualification of a machine learning algorithm for automated hair counting. Int J Cosmet Sci. 2021 Nov;43 Suppl 1:S34-S41. doi: 10.1111/ics.12735. PMID: 34426987.
  20. Shakeel 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 Aug 14;2021:1102083. doi: 10.1155/2021/1102083. PMID: 34434248; PMCID: PMC8382550.
  21. Kim 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 Jun 11;15(6):e0234334. doi: 10.1371/journal.pone.0234334. Erratum in: PLoS One. 2020 Dec 29;15(12):e0244899. doi: 10.1371/journal.pone.0244899. PMID: 32525908; PMCID: PMC7289382.
  22. Wu H, Yin H, Chen H, Sun M, Liu X, Yu Y, Tang Y, Long H, Zhang B, Zhang J, Zhou Y, Li Y, Zhang G, Zhang P, Zhan Y, Liao J, Luo S, Xiao R, Su Y, Zhao J, Wang F, Zhang J, Zhang W, Zhang J, Hu K, Yuan L, Deng D, Liang Y, Yang B, Lu Q. A deep learning-based smartphone platform for cutaneous lupus erythematosus classification assistance: Simplifying the diagnosis of complicated diseases. J Am Acad Dermatol. 2021 Sep;85(3):792-793. doi: 10.1016/j.jaad.2021.02.043. Epub 2021 Feb 19. PMID: 33610594.
  23. McNeil A, Parks K, Liu X, Saknite I, Chen F, Reasat T, Cronin A, Wheless L, Dawant BM, Tkaczyk ER. Artificial intelligence recognition of cutaneous chronic graft-versus-host disease by a deep learning neural network. Br J Haematol. 2022 Jun;197(6):e69-e72. doi: 10.1111/bjh.18141. Epub 2022 Mar 24. PMID: 35322873; PMCID: PMC9197858.
  24. Damiani G, Conic RRZ, Pigatto PDM, Carrera CG, Franchi C, Cattaneo A, Malagoli P, Uppala R, Linder D, Bragazzi NL, Grossi E. Predicting Secukinumab Fast-Responder Profile in Psoriatic Patients: Advanced Application of Artificial-Neural-Networks (ANNs). J Drugs Dermatol. 2020 Dec 1;19(12):1241-1246. doi: 10.36849/JDD.2020.5006. PMID: 33346505.
  25. Armstrong AW, Riedl E, Brunner PM, Piaserico S, Visser WI, Haustrup N, Konicek BW, Kadziola Z, Nunez M, Brnabic A, Schuster C. 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 Sep 5;104:adv40556. doi: 10.2340/actadv.v104.40556. PMID: 39235051; PMCID: PMC11388106.
  26. Bohjanen 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 May;30(5):e13763. doi: 10.1111/srt.13763. PMID: 38773820; PMCID: PMC11109499.
  27. Zhu Y, Yang K, Lin JM, Ni C, Zhang Y, Li Z, Liu Q, Zhou Y, Lin J, Wu W. A Comparative Study on the Application of Robotic Hair Restoration Technology Versus Traditional Follicular Unit Excision in Male Androgenetic Alopecia. J Cosmet Dermatol. 2024 Dec;23(12):4213-4222. doi: 10.1111/jocd.16554. Epub 2024 Sep 19. PMID: 39297414; PMCID: PMC11626372.
  28. Norimatsu Y, Yoshizaki A, Kabeya Y, Fukasawa T, Omatsu J, Fukayama M, Kuzumi A, Ebata S, Yoshizaki-Ogawa A, Asano Y, Ichimura H, Yonezawa S, Nakano H, Sato S. Expert-Level Distinction of Systemic Sclerosis from Hand Photographs Using Deep Convolutional Neural Networks. J Invest Dermatol. 2021 Oct;141(10):2536-2539. doi: 10.1016/j.jid.2021.03.020. Epub 2021 Apr 7. PMID: 33836180.
  29. Flament F, Jiang R, Houghton J, Zhang Y, Kroely C, Jablonski NG, Jean A, Clarke J, Steeg J, Sehgal C, McParland J, Delaunay C, Passeron T. 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 Jan;37(1):176-183. doi: 10.1111/jdv.18541. Epub 2022 Sep 9. PMID: 35986708; PMCID: PMC10087370.
  30. Damiani G, Grossi E, Berti E, Conic RRZ, Radhakrishna U, Pacifico A, Bragazzi NL, Piccinno R, Linder D. Artificial neural networks allow response prediction in squamous cell carcinoma of the scalp treated with radiotherapy. J Eur Acad Dermatol Venereol. 2020 Jun;34(6):1369-1373. doi: 10.1111/jdv.16210. Epub 2020 Mar 4. PMID: 31968143.
  31. Coudray N, Juarez MC, Criscito MC, Quiros AC, Wilken R, Cullison SRJ, Stevenson ML, Doudican NA, Yuan K, Aquino JD, Klufas DM, North JP, Yu SS, Murad F, Ruiz E, Schmults CD, Tsirigos A, Carucci JA. Self-supervised artificial intelligence predicts recurrence, metastasis and disease specific death from primary cutaneous squamous cell carcinoma at diagnosis. Res Sq [Preprint]. 2023 Dec 13:rs.3.rs-3607399. doi: 10.21203/rs.3.rs-3607399/v1. Update in: NPJ Digit Med. 2025 Feb 15;8(1):105. doi: 10.1038/s41746-025-01496-3. PMID: 38168253; PMCID: PMC10760225.
  32. Brinker TJ, Schmitt M, Krieghoff-Henning EI, Barnhill R, Beltraminelli H, Braun SA, Carr R, Fernandez-Figueras MT, Ferrara G, Fraitag S, Gianotti R, Llamas-Velasco M, Müller CSL, Perasole A, Requena L, Sangueza OP, Santonja C, Starz H, Vale E, Weyers W, Hekler A, Kather JN, Fröhling S, Krahl D, Holland-Letz T, Utikal JS, Saggini A, Kutzner H. Diagnostic performance of artificial intelligence for histologic melanoma recognition compared to 18 international expert pathologists. J Am Acad Dermatol. 2022 Mar;86(3):640-642. doi: 10.1016/j.jaad.2021.02.009. Epub 2021 Feb 11. PMID: 33581189.
  33. Höhn J, Krieghoff-Henning E, Jutzi TB, von Kalle C, Utikal JS, Meier F, Gellrich FF, Hobelsberger S, Hauschild A, Schlager JG, French L, Heinzerling L, Schlaak M, Ghoreschi K, Hilke FJ, Poch G, Kutzner H, Heppt MV, Haferkamp S, Sondermann W, Schadendorf D, Schilling B, Goebeler M, Hekler A, Fröhling S, Lipka DB, Kather JN, Krahl D, Ferrara G, Haggenmüller S, Brinker TJ. Combining CNN-based histologic whole slide image analysis and patient data to improve skin cancer classification. Eur J Cancer. 2021 May;149:94-101. doi: 10.1016/j.ejca.2021.02.032. Epub 2021 Apr 7. PMID: 33838393.
  34. Pyun SH, Min W, Goo B, Seit S, Azzi A, Yu-Shun Wong D, Munavalli GS, Huh CH, Won CH, Ko M. 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 Jul;89(1):99-105. doi: 10.1016/j.jaad.2022.06.1166. Epub 2022 Jun 22. PMID: 35752277.
  35. Sohn 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 May;84(5):1437-1438. doi: 10.1016/j.jaad.2020.06.080. Epub 2020 Jun 23. PMID: 32590033; PMCID: PMC7755738.
  36. Faita F, Oranges T, Di Lascio N, Ciompi F, Vitali S, Aringhieri G, Janowska A, Romanelli M, Dini V. Ultra-high-frequency ultrasound and machine learning approaches for the differential diagnosis of melanocytic lesions. Exp Dermatol. 2022 Jan;31(1):94-98. doi: 10.1111/exd.14330. Epub 2021 Mar 31. PMID: 33738861.
  37. Winkler JK, Kommoss KS, Toberer F, Enk A, Maul LV, Navarini AA, Hudson J, Salerni G, Rosenberger A, Haenssle HA. Performance of an automated total body mapping algorithm to detect melanocytic lesions of clinical relevance. Eur J Cancer. 2024 May;202:114026. doi: 10.1016/j.ejca.2024.114026. Epub 2024 Mar 19. PMID: 38547776.
  38. Fischman S, Pérez-Anker J, Tognetti L, Di Naro A, Suppa M, Cinotti E, Viel T, Monnier J, Rubegni P, Del Marmol V, Malvehy J, Puig S, Dubois A, Perrot JL. Non-invasive scoring of cellular atypia in keratinocyte cancers in 3D LC-OCT images using Deep Learning. Sci Rep. 2022 Jan 10;12(1):481. doi: 10.1038/s41598-021-04395-1. PMID: 35013485; PMCID: PMC8748986.
  39. Marri 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 Jul 2;7:e48811. doi: 10.2196/48811. PMID: 38954807; PMCID: PMC11252620.
  40. Han SS, Kim YJ, Moon IJ, Jung JM, Lee MY, Lee WJ, Won CH, Lee MW, Kim SH, Navarrete-Dechent C, Chang SE. Evaluation of Artificial Intelligence-Assisted Diagnosis of Skin Neoplasms: A Single-Center, Paralleled, Unmasked, Randomized Controlled Trial. J Invest Dermatol. 2022 Sep;142(9):2353-2362.e2. doi: 10.1016/j.jid.2022.02.003. Epub 2022 Feb 18. PMID: 35183551.
  41. Papachristou P, Söderholm M, Pallon J, Taloyan M, Polesie S, Paoli J, Anderson CD, Falk M. 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 Jun 20;191(1):125-133. doi: 10.1093/bjd/ljae021. PMID: 38234043.
  42. Sangers T, Reeder S, van der Vet S, Jhingoer S, Mooyaart A, Siegel DM, Nijsten T, Wakkee M. 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: 10.1159/000520474. Epub 2022 Feb 4. PMID: 35124665; PMCID: PMC9393821.
  43. Fink C, Blum A, Buhl T, Mitteldorf C, Hofmann-Wellenhof R, Deinlein T, Stolz W, Trennheuser L, Cussigh C, Deltgen D, Winkler JK, Toberer F, Enk A, Rosenberger A, Haenssle HA. Diagnostic performance of a deep learning convolutional neural network in the differentiation of combined naevi and melanomas. J Eur Acad Dermatol Venereol. 2020 Jun;34(6):1355-1361. doi: 10.1111/jdv.16165. Epub 2020 Jan 21. PMID: 31856342.
  44. Ляхова У.А., Ляхов П.А. Мультимодальная ансамблевая нейросетевая система обнаружения рака кожи на гетерогенных дерматологических данных. Vestnik Sankt-Peterburgskogo universiteta. Prikladnaya matematika. Informatika. Protsessy upravleniya. 2024;20(2):231-243. [Lyakhova U.A., Lyakhov P.A. 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 Russian)].
  45. Ляхова У.А. Ансамблевая система распознавания рака кожи на основе мультимодальных нейросетевых архитектур. Inzhenernyj vestnik Dona. 2024;(5(113)):747-755. [Lyakhova U.A. Ensemble system for recognizing skin cancer based on multimodal neural network architectures. Engineering bulletin of the don. 2024;(5(113)):747-755. (in Russian)].
  46. Giulini M, Goldust M, Grabbe S, Ludwigs C, Seliger D, Karagaiah P, Schepler H, Butsch F, Weidenthaler-Barth B, Rietz S. Combining artificial intelligence and human expertise for more accurate dermoscopic melanoma diagnosis: A 2-session retrospective reader study. J Am Acad Dermatol. 2024 Jun;90(6):1266-1268. doi: 10.1016/j.jaad.2023.12.072. Epub 2024 Feb 29. PMID: 38430100.
  47. Goessinger EV, Cerminara SE, Mueller AM, Gottfrois P, Huber S, Amaral M, Wenz F, Kostner L, Weiss L, Kunz M, Maul JT, Wespi S, Broman E, Kaufmann S, Patpanathapillai V, Treyer I, Navarini AA, Maul LV. 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 May;38(5):945-953. doi: 10.1111/jdv.19777. Epub 2023 Dec 29. PMID: 38158385.
  48. Соколов К.А., Шпудейко В.А. Динамика чувствительности и специфичности нейросети на фоне модернизации алгоритмов распознавания кожной патологии. Universum: meditsina i farmakologiya. 2022;(2(85)):4-9. [Sokolov K.A., Shpudeyko V.A. 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 Russian)].
  49. 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. Rossijskij zhurnal kozhnykh i venericheskikh boleznej. 2020;23(5):288-292. [Sergeev V.Yu., Sergeev Yu.Yu., Tamrazova O.B., Nikitaev V.G., Pronichev A.N., Sergeeva M.A. 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 Russian)].
  50. Wang Z, Wang C, Peng L, Lin K, Xue Y, Chen X, Bao L, Liu C, Zhang J, Xie Y. Radiomic and deep learning analysis of dermoscopic images for skin lesion pattern decoding. Sci Rep. 2024 Aug 26;14(1):19781. doi: 10.1038/s41598-024-70231-x. Erratum in: Sci Rep. 2024 Oct 31;14(1):26232. doi: 10.1038/s41598-024-76644-y. PMID: 39187551; PMCID: PMC11347612.
  51. Monnier J, Foahom Gouabou AC, Serdi M, Collenne J, Iguernaissi R, Richard MA, Gaudy-Marqueste C, Damoiseaux JL, Grob JJ, Merad D. 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 Aug;91(2):350-352. doi: 10.1016/j.jaad.2024.02.063. Epub 2024 Apr 12. PMID: 38614250.
  52. Щетинин Е.Ю., Севастьянов Л.А., Демидова А.В., Кулябов Д.С. Классификация повреждений кожи по данным дермаскопии с использованием методов глубокого обучения. Matematicheskaya biologiya i bioinformatika. 2020;15(2):180-194. [Shchetinin E.Yu., Sevast’yanov L.A., Demidova A.V., Kulyabov D.S. Classification of skin lesions based on dermatoscopy data using deep learning methods. Mathematical Biology and Bioinformatics. 2020;15(2):180-194. (in Russian)].
  53. Menzies SW, Sinz C, Menzies M, Lo SN, Yolland W, Lingohr J, Razmara M, Tschandl P, Guitera P, Scolyer RA, Boltz F, Borik-Heil L, Herbert Chan H, Chromy D, Coker DJ, Collgros H, Eghtedari M, Corral Forteza M, Forward E, Gallo B, Geisler S, Gibson M, Hampel A, Ho G, Junez L, Kienzl P, Martin A, Moloney FJ, Regio Pereira A, Ressler JM, Richter S, Silic K, Silly T, Skoll M, Tittes J, Weber P, Weninger W, Weiss D, Woo-Sampson P, Zilberg C, Kittler H. 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 Oct;5(10):e679-e691. doi: 10.1016/S2589-7500(23)00130-9. PMID: 37775188.
  54. Gillstedt M, Hedlund E, Paoli J, Polesie S. Discrimination between invasive and in situ melanomas using a convolutional neural network. J Am Acad Dermatol. 2022 Mar;86(3):647-649. doi: 10.1016/j.jaad.2021.02.012. Epub 2021 Feb 12. PMID: 33582260.
  55. Dutta N, Dhar D. Understanding Medical Technology Innovation in Low- and Middle-Income Countries: Factors, Impact, and a Model Proposal. She Ji J Des Econ Innov. 2024;10(2):192-222. doi: 10.1016/j.sheji.2024.07.002.
  56. Васильев Ю.А., Нанова О.Г., Владзимирский А.В., Гольдберг М.В., Блохин И.А., Решетников Р.В. Систематический обзор ИИ-решений в лабораторной медицине: эффективность и сценарии применения (в печати).
  57. Регламент подготовки наборов данных с описанием подходов к формированию репрезентативной выборки данных. Москва: Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; 2022. 40 с. (Лучшие практики лучевой и инструментальной диагностики ; Часть 1). ISBN 26187124. Включает информацию о систематическом обзоре ИИ-решений в лабораторной медицине (Васильев Ю.А. и др., DD, 2025, в печати). [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. (Best practices in medical imaging; Part 1). ISBN 26187124. Includes information on a systematic review of AI solutions in laboratory medicine (Vasil’ev Yu.A. et al., DD, 2025, In press). (in Russian)].
  58. Cohen JF, Korevaar DA, Altman DG, Bruns DE, Gatsonis CA, Hooft L, Irwig L, Levine D, Reitsma JB, de Vet HC, Bossuyt PM. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016 Nov 14;6(11):e012799. doi: 10.1136/bmjopen-2016-012799. PMID: 28137831; PMCID: PMC5128957.
  59. Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP, Irwig L, Lijmer JG, Moher D, Rennie D, de Vet HC, Kressel HY, Rifai N, Golub RM, Altman DG, Hooft L, Korevaar DA, Cohen JF; STARD Group. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015 Oct 28;351:h5527. doi: 10.1136/bmj.h5527. PMID: 26511519; PMCID: PMC4623764.
  60. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф., Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики. Digital Diagnostics. 2023;4(3):252-267. doi: 10.17816/DD321971. [Vasil’ev Yu.A., Vladzimirskij A.V., Omelyanskaya O.V., Arzamasov K.M., Chetverikov S.F., Rumyantsev D.A., Zelenova M.A. Methodology for testing and monitoring software based on artificial intelligence technologies for medical diagnostics. Digital Diagnostics. 2023;4(3):252-267. (in Russian)].
  61. Daungsupawong 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 Sep-Oct;42(5):528-529. doi: 10.1016/j.clindermatol.2024.07.006. Epub 2024 Jul 14. PMID: 39009053.
  62. Praveenraj 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 Nov;63(11):e369-e372. doi: 10.1111/ijd.17392. Epub 2024 Jul 22. PMID: 39039696.
  63. Проверка гипотез исследования с использованием языка R / И. А. Блохин, М. Р. Коденко, Ю. Ф. Шумская [и др.] // Digital Diagnostics. – 2023. – Т. 4, № 2. – С. 238-247. – doi: 10.17816/DD121368.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© 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.,

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 60448 от 30.12.2014.