Методика скринингового обследования для ранней дифференциальной диагностики новообразований кожи с использованием мобильной дерматоскопии

Цель исследования: разработка методики скринингового обследования пациентов, направленной на раннюю дифференциальную диагностику злокачественных новообразований кожи посредством применения методов дерматоскопии совместно с оптоэлектронными средствами мобильной техники и алгоритмами классификации дерматоскопических изображений, основанных на методах машинного обучения.
Материалы и методы. Для реализации обнаружения злокачественных новообразований и отнесения их к соответствующей нозологической группе применяются методы и алгоритмы машинного обучения и оптического распознавания. Методы оптического распознавания используются в процессе анализа дерматоскопических снимков и обучения алгоритмов и моделей классификации. В качестве применяемых подходов машинного обучения выступают методы многоклассовой и бинарной каскадной двухэтапной классификации технологии машинного обучения, основанной на нейросетевой архитектуре и архитектуре визуальных трансформеров.
Результаты. В ходе экспериментальных оценок многоклассовой классификации (восемь типов злокачественных новообразований) определена наилучшая модель классификации с архитектурой визуального трансформера, характеризующего метриками Accuracy 0,932 и F-мера 0,891 на сформированном наборе данных, включая ISIC-2019 и собственный набор, содержащий 657 изображений. Бинарная каскадная двухэтапная классификация на меланоцитарные и немеланоцитарные новообразования имеет значения Accuracy и F-мера 0,954 и 0,948 (первый этап классификации) и на меланомы и невусы — 0,964 и 0,951 соответственно (второй этап классификации).
Заключение. Полученные количественные значения точности обнаружения злокачественных кожных новообразований разработанной методикой скринингового обследования позволяют рекомендовать внедрение многоклассовой классификации для первичного разделения большого объема дерматоскопических изображений пациентов по нозологическому признаку между профильными специалистами в процессе проведения массовый (выездных) профилактических осмотров, а внедрение каскадной бинарной классификации в условиях первичного приема с ограниченным доступом к профильным специалистам для дифференциации меланомы от других кожных новообразований. Разработанная методика скринингового обследования пациентов может быть внедрена в медицинскую практику в качестве системы поддержки принятия решений врача.

1. Злокачественные новообразования в России в 2023 году (заболеваемость и смертность) / Под. ред. Каприна А.Д., Старинского В.В., Шахзадовой А.О. − М.: МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. — С.276.

2. Крыловецкая М.А., Комаров И.Г., Карселадзе Д.А. Диагностика и лечение метастазов меланомы без выявленного первичного очага // Современная онкология. — 2018. — Т.20. — №3. — С.30-34.

3. Cancer Today. International Agency for Research on Cancer. 2025. Available at: https://gco.iarc.fr/today/en/dataviz/pie?mode=population&group_populations=0. Accessed 11.07.2025.

4. Siegel RL, Miller KD, Jemal A. Cancer statistics, 2020. CA: a cancer journal for clinicians. 2020; 70: 7-30. doi: 10.3322/caac.21590.

5. Bakheet S, Al-Hamadi A. Computer-Aided Diagnosis of Malignant Melanoma Using Gabor-Based Entropic Features and Multilevel Neural Networks. Diagnostics. 2020; 10(10): 822. doi: 10.3390/diagnostics10100822.

6. Pratiwi RA, Nurmaini S, Rini DP. Deep ensemble learning for skin lesions classification with convolutional neural network. IAES International Journal of Artificial Intelligence. 2021; 10(3): 563-570. doi: 10.11591/ijai.v10.i3.pp563-570.

7. Popescu D, El-Khatib M, El-Khatib H, Ichim L. New Trends in Melanoma Detection Using Neural Networks: A Systematic Review. Sensors. 2022; 22: 496. doi: 10.3390/s22020496.

8. El-Khatib M, Teodor OM, Popescu D, Ichim L. Identification of Benign Tumor Masses Using Deep Learning Techniques Based on Semantic Segmentation. Advances in Computational Intelligence (IWANN 2023). 2023; 14134: 529-540. doi: 10.1007/978-3-031-43085-5.

9. Hermosilla P, Soto R, Vega E, Suazo C, Ponce J. Skin Cancer Detection and Classification Using Neural Network Algorithms: A Systematic Review. Diagnostics. 2024; 14: 454. doi: 10.3390/diagnostics14040454.

10. Mahmoud NM, Soliman AM. Early automated detection system for skin cancer diagnosis using artificial intelligent techniques. Scientific Reports. 2024; 14: 9749. doi: 10.1038/s41598-024-59783-0.

11. Козачок А.В., Спирин А.А., Козачок Е.С. Обзор методов раннего обнаружения меланомы // Труды ИСП РАН. — 2022. — Т.34. — №4. — С.241-250.

12. Хисматуллина З.Р., Чеботарев В.В., Бабенко Е.А. Современные аспекты и перспективы применения дерматоскопии в дерматоонкологии // Креативная хирургия и онкология. — 2020. — Т.10. — №3. — С.241-248.

13. Козачок А.В., Спирин А.А., Самоваров О.И., Козачок Е.С. Применение моделей машинного обучения для многоклассовой классификации дерматоскопических снимков новообразований кожи // Труды ИСП РАН. — 2024. — Т.36. — №5. — С.241-252.

14. The AI community building the future. Available at: https://huggingface.co/models?pipeline_tag=imageclassification&sort=trending. Accessed 11.07.2025.

15. The International Skin Imaging Collaboration Available at: https://www.isic-archive.com/. Accessed 11.07.2025.

16. Kamrul H, Asif A, Choon HY, Guang Y. A survey, review, and future trends of skin lesion segmentation and classification. Computers in Biology and Medicine. 2023; 155: 1-36. doi: 10.1016/j.compbiomed.2023. 106624.

17. Zhang Z, Lei Z, Omura M, Hasegawa H, Gao S. Dendritic Learning-Incorporated Vision Transformer for Image Recognition. Journal of Automatica Sinica. 2024; 11(2): 539-541. doi: 10.1109/JAS.2023.123978.

18. Han K, Wang Y, Chen H, Chen X, Guo J. A Survey on Vision Transformer. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022; 45(1): 87-110. doi: 10.1109/TPAMI.2022.3152247.

19. Бакулев А.Л., Конопацкова О.М., Станчина Ю.В. Дерматоскопия в диагностике пигментных невусов кожи // Вестник дерматологии и венерологии. — 2019. — №95(4). — С.48-56.

20. Codella N, Rotemberg V, Tschandl P, Celebi ME, et al. Skin lesion analysis toward melanoma detection 2018: A challenge hosted by the international skin imaging collaboration (ISIC). Computer Vision and Pattern Recognition. 2019. Available at: https://doi.org/10.48550/arXiv.1902.03368. Accessed 11.07.2025.

21. Almufareh MF, Tariq N, Humayun M, Khan FA. Melanoma identification and classification model based on finetuned convolutional neural network. Digital Heath. 2024; 10: 1-29. doi: 10.1177/20552076241253757.

22. Suleiman TA, Anyimadu1 DT, Permana AD, Ngim1 HA., Scotto di Freca A.. Two-step hierarchical binary classification of cancerous skin lesions using transfer learning and the random forest algorithm. Visual Computing for Industry, Biomedicine, and Art. 2024; 7(15): 1-17. doi: 10.1186/s42492-024-00166-7.