Интеллектуальная система поддержки принятия врачебных решений в диагностике новообразований кожи на основе мобильной дерматоскопии тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Козачок Елена Сергеевна

• Козачок Елена Сергеевна
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Козачок Елена Сергеевна

Введение

Глава 1. Современные подходы к диагностике новообразований кожи и информационные технологии поддержки принятия врачебных решений

1.1. Анализ интеллектуальных систем диагностики новообразований кожи

1.2. Обзор методов мобильной дерматоскопии

1.3. Нормативно-правовая база в области обеспечения врачебной тайны и применения методов искусственного интеллекта в медицине

1.4. Выводы по первой главе

Глава 2. Материалы и методы создания системы поддержки принятия врачебных решений

2.1. Разработка набора данных дерматоскопических изображений с высококачественной разметкой

2.2. Разработка методики скринингового обследования для ранней дифференциальной диагностики новообразований кожи

2.3. Разработка интеллектуальной системы поддержки принятия врачебных решений

2.4. Реализация интеллектуальной системы поддержки принятия врачебных решений

2.5. Выводы по второй главе

Глава 3. Клиническая апробация и оценка эффективности разработанной интеллектуальной системы

3.1. Сравнительный анализ разработанного набора данных с существующими датасетами дерматоскопических изображений

3.2. Экспериментальная оценка применения методов машинного обучения для классификации новообразований кожи на открытых наборах и разработанном

датасете

3.3. Клиническая апробация интеллектуальной системы в условиях медицинской практики

3.4. Сравнительный анализ разработанной интеллектуальной системы с существующими аналогами

3.5. Выводы по третьей главе

Заключение

Список сокращений и условных обозначений

Список литературы

Список рисунков

Список таблиц

Приложение А. Новообразования кожи и особенности их диагностирования

Приложение Б. Форма информированного согласия на участие в исследовании и обезличенная анкета пациента

Приложение В. Программа, методика и протокол испытаний

Введение

Введение диссертации (часть автореферата) на тему «Интеллектуальная система поддержки принятия врачебных решений в диагностике новообразований кожи на основе мобильной дерматоскопии»

Актуальность темы исследования

В последние годы значительное внимание уделяется новому поколению средств автоматизации производственных процессов в сфере здравоохранения -технологиям искусственного интеллекта (ИИ). Более того, Национальной стратегией развития искусственного интеллекта на период до 2030 года (Указ Президента РФ от 10.10.2019 № 490) предполагается использование технологий ИИ в социальной сфере для повышения качества услуг в области здравоохранения, включая прежде всего профилактические обследования и диагностику, основанную на анализе изображений. Представляется актуальным создание организационных подходов, основанных на методах и технологиях ИИ и направленных на совершенствование массовых профилактических мероприятий.

В мире за последнее столетие заболеваемость злокачественными меланоцитарными новообразованиями кожи, а именно меланомой кожи, увеличилась почти в 6 раз и заняла 15 место среди всех онкологических заболеваний у взрослых. На сегодняшний день в мире ежегодно выявляется более 300 000 новых случаев меланомы кожи.

Согласно «Стратегии развития здравоохранения РФ на период до 2030» наиболее актуальной угрозой безопасности в сфере охраны здоровья граждан остается высокий риск распространения онкологических заболеваний и факторов, которые способствуют их развитию. На долю меланомы в России приходится 70,3 % смертей от всех злокачественных опухолей кожи. В Российской Федерации только третья часть пациентов с меланомой кожи (35,7 %) выявляется на I стадии. Ранняя дифференциальная диагностика меланоцитарных новообразований кожи и повышенная онконастороженность врача - основа благоприятного прогноза для больных меланомой кожи с высокой вероятностью их полного излечения хирургическим методом при р^ - 100 %, а при рТ1 - до 90 %. Однако визуальная диагностика новообразований кожи существенно зависит от квалификации и

профессионального опыта врача, и ее точность варьируется от 40 до 80 % ввиду наличия множества различных нозологий новообразований кожи, имеющих схожие отличительные признаки.

Для диагностики онкологических заболеваний во всех медицинских учреждениях Российской Федерации развернуты и функционируют медицинские информационные системы (МИС), направленные на оказание медицинской помощи гражданам. Так в 85 субъектах Российской Федерации применяются медицинские изделия и сервисы, основанные на применении технологии искусственного интеллекта в процессе анализа медицинских изображений. Применение данных изделий направлено на раннее выявление факторов риска и предрисков развития заболеваний, способствующих своевременному оказанию необходимой медицинской помощи. При этом одной из основных задач по развитию здравоохранения согласно представленной Стратегии является разработка информационных систем с поддержкой принятия врачебных решений с использованием технологий искусственного интеллекта.

Степень разработанности темы исследования

Для более точной клинической дифференциальной диагностики новообразований кожи целесообразно использовать дерматоскопию. По инициативе президента Меланомной Программы Всемирной организации здравоохранения Н. Кансинелли в мире проводились многоцентровые научные исследования с целью улучшения дифференциальной диагностики меланоцитарных новообразований на основе использования компьютерной техники (Kittler H., Pehamberger H., Wolff K., Д. В. Соколов, Н. Н. Потекаев), появилась возможность обработки изображений пигментных новообразований кожи с использованием компьютерного зрения, стандартизации, обучения врачей, создания массива фотографий (базы данных) и динамического наблюдения. В то же время в разных странах, в том числе в России, на сегодняшний день имеются единичные рекомендации по улучшению дифференциальной диагностики доброкачественных меланоцитарных новообразований и раннему выявлению

меланомы кожи с использованием отдельно взятых методик опроса, визуального осмотра и дерматоскопии.

Стоит отметить, что в настоящее время недостаточно разработаны именно комплексные программные решения и алгоритмы, ориентированные на раннюю дифференциальную диагностику злокачественных новообразований и выявление меланомы кожи. Особенно это касается систем, использующих технологии компьютерного зрения и персонализированный подход с учетом эпидемиологических данных по возрасту и региону, а также гибкие диагностические алгоритмы. При этом стремительное развитие мобильной дерматоскопии - как доступного метода дерматоскопического обследования -открывает новые перспективы для интеграции интеллектуальных диагностических систем в клиническую и первичную медико-санитарную практику.

В рамках исследования под мобильной дерматоскопией понимается применение оптического дерматоскопа в сочетании со смартфоном, обеспечивающее получение высококачественных дерматоскопических изображений с достаточной степенью детализации и освещенности, сопоставимой с визуализацией, доступной при стандартной дерматоскопии, осуществляемой врачом. Смартфон используется в качестве устройства фиксации изображения, после чего полученное изображение автоматически передается для обработки в облачный программный комплекс, использующий алгоритмы машинного обучения. На основании анализа изображения система формирует предварительное диагностическое заключение.

Следует отметить, что использование специальных оптических насадок на смартфон без применения полноценного оптического дерматоскопа не обеспечивает необходимого качества визуализации и оптического увеличения. Это, в свою очередь, может существенно снижать точность как визуальной, так и автоматизированной оценки кожных новообразований. В связи с этим в рамках данной работы выбран именно подход, предусматривающий использование оптического дерматоскопа в паре со смартфоном, для обеспечения оптимального соотношения доступности и диагностической достоверности.

Таким образом, представляется актуальным разработать и внедрить интеллектуальную систему поддержки принятия врачебных решений для ранней дифференциальной диагностики кожных новообразований с использованием методов машинного обучения на основе дерматоскопических изображений, полученных с помощью мобильной дерматоскопии.

Результатом исследования является разработка новой интеллектуальной системы поддержки принятия врачебных решений (СППВР) для дифференциальной диагностики новообразований кожи на основе методов машинного обучения и анализа дерматоскопических изображений, полученных с помощью мобильной дерматоскопии, с целью раннего выявления злокачественных новообразований, включая меланому и рак кожи, а также повышения онконастороженности врача.

Объект исследования. Дифференциальная диагностика новообразований кожи с использованием дерматоскопических изображений, полученных в том числе с помощью средств мобильной дерматоскопии.

Предмет исследования. Информационные технологии, алгоритмы машинного обучения и методы компьютерного зрения, применяемые для анализа дерматоскопических изображений с целью повышения точности диагностики.

Научная задача исследования состоит в создании методики и реализации системы, которая позволит автоматизировать процесс анализа дерматоскопических изображений, снизить субъективность врачебных решений и улучшить раннюю диагностику злокачественных новообразований, а также повысить онконастороженность врача.

Целью диссертационного исследования является разработка интеллектуальной системы поддержки принятия врачебных решений, основанной на методах компьютерного зрения и анализа дерматоскопических снимков.

Для достижения поставленной цели необходимо было решить следующие частные научные задачи исследования:

1. Провести обзор современных подходов и алгоритмов компьютерного зрения и машинного обучения, применяемых в медицинской диагностике кожных новообразований.

2. Сформировать набор данных из дерматоскопических снимков, включая их предобработку, разметку и классификацию.

3. Разработать методику скринингового обследования для ранней дифференциальной диагностики новообразований кожи с использованием мобильной дерматоскопии.

4. Реализовать интеллектуальную систему поддержки принятия врачебных решений и провести ее апробацию в условиях клинической практики.

5. Разработать рекомендации по интеграции разработанной системы в рабочие процессы медицинских учреждений.

Научная новизна диссертации заключается в следующем:

1. Сформирован новый набор дерматоскопических изображений, содержащий стандартизированные визуальные и клинико-анамнестические данные, адаптированные к российской популяции. В отличие от международных датасетов (ISIC, HAM10000), он учитывает фототипы кожи I-IV по Фицпатрику, возрастно-половые особенности обращений и специфику амбулаторной практики. Набор включает 657 изображений от 208 пациентов, что позволяет решать задачи многоклассовой классификации и динамического наблюдения, обеспечивая техническую совместимость с современными методами глубокого обучения.

2. Разработана методика скринингового обследования для ранней диагностики кожных новообразований с использованием мобильной дерматоскопии, основанная на применении алгоритмов глубокого обучения класса Vision Transformer (ViT). Методика предусматривает каскадный двухэтапный подход к классификации, имитирующий клиническую логику: на первом этапе отделяются меланоцитарные образования, на втором - дифференцируются меланома и невус. Комплексное использование мобильных и облачных технологий обеспечивает возможность массового скрининга и повышает точность дифференциальной диагностики.

3. Разработана и апробирована интеллектуальная система поддержки принятия врачебных решений, основанная на автоматическом анализе дерматоскопических изображений с использованием методов машинного обучения. Система реализована как облачный веб-сервис и мобильное приложение, поддерживающее два режима классификации - многоклассовый и каскадный бинарный. Предложенное решение сочетает интеллектуальную обработку изображений с учетом реальных условий клинической практики, обеспечивая поддержку врача при ограниченных ресурсах и способствуя повышению онконастороженности и качества диагностики.

Теоретическая значимость выполненной работы состоит в формировании научно обоснованного подхода к диагностике кожных новообразований, основанного на применении методов глубокого обучения для многоклассовой классификации дерматоскопических изображений. Разработанная методика учитывает структурную сложность и гетерогенность визуальных данных, включая вариативность морфологических признаков, артефакты визуализации, особенности освещения, а также фототипические характеристики кожи населения России. Предложенный подход демонстрирует высокую адаптивность к реальным клиническим данным и обеспечивает переносимость обученных моделей на выборки, отличающиеся условиями получения изображений, что создаёт научно обоснованную основу для дальнейшего развития систем поддержки принятия врачебных решений в задачах дифференциальной диагностики кожных новообразований. Теоретический вклад работы заключается также в развитии научных представлений о моделях и алгоритмах обработки и распознавания медицинских изображений, включая формирование научно обоснованных методов построения автоматизированных диагностических заключений и технологий анализа визуальной медицинской информации. Полученные результаты формируют основы для дальнейшего развития интеллектуальных систем клинической практики и систем поддержки принятия решений, ориентированных на повышение качества диагностики и совершенствование здоровьесберегающих технологий.

Предложенный подход обладает высокой степенью адаптивности к реальным клиническим данным, обеспечивает переносимость обученных моделей на новые выборки, отличающиеся по источникам данных и параметрам съемки, и открывает перспективы для дальнейшего развития универсальных и интерпретируемых систем поддержки принятия врачебных решений в дерматологии.

Практическая значимость работы состоит в следующем:

1) сформирован уникальный датасет из дерматоскопических изображений меланоцитарных и немеланоцитарных новообразований с учетом фототипов кожи населения России (I-IV по Фицпатрику). Включены расширенные метаданные (возраст, пол, фототип, локализация, диагноз и др.) и ручная аннотация клинически значимых признаков, что делает набор пригодным для моделирования диагностики и валидации ИИ-алгоритмов;

2) разработана и апробирована интеллектуальная СППВР с двумя режимами: многоклассовая классификация (Точность 0,932, F-мера 0,891, Специфичность 0,972 и Чувствительность 0,849) и двухэтапная бинарная классификация. На этапе дифференциации меланомы и невуса достигнуты Точность 0,964, F-мера 0,951, Специфичность 0,979 и Чувствительность 0,939, что выше традиционной визуальной диагностики (70-75 % точности, чувствительность ~78 %);

3) проведена апробация СППВР в рамках «Дня меланомы»: за 5 сессий (ноябрь 2024 - апрель 2025) обследовано >200 пациентов. Выявлено 9 случаев меланомы, 6 базальноклеточного рака и >30 диспластических невусов. Совпадение автоматической классификации с заключениями врачей составило 89 %.

Разработанная система внедрена и апробирована в «Поликлинике № 4» Управления делами Президента Российской Федерации (г. Москва), учебном процессе «МИРЭА - Российский технологический университет» (г. Москва) и медицинских центрах: «Эстетическая медицина» (г. Нижний Новгород), «Областной медицинский центр» (г. Орел), «Beauty Clinic» (г. Орел). Разработанная методика используется при проведении профилактических мероприятий «День меланомы».

Соответствие паспорту специальности. Диссертация соответствует паспорту специальности 3.3.9. Медицинская информатика по следующим пунктам:

- п. 6. «Создание моделей, алгоритмов и технологий обработки и распознавания сигналов и изображений, построения заключений и форм представления в медицинских и биологических исследованиях. Разработка новых технологий визуализации медицинской и биологической информации. Разработка моделей и методов построения интерфейсов «мозг - компьютер» и систем компьютерного биоуправления»;

- п. 11. «Интеллектуальные системы для клинической практики. Системы поддержки принятия клинических решений. Системы в области здоровьесбережения».

Методология и методы исследования. Результаты работы получены на основе прикладной математической статистики, методов машинного обучения, экспертного оценивания, методов клинических исследований.

Личный вклад автора заключается в проведении анализа текущего состояния вопросов диагностики новообразований, разработке подхода к формированию набора данных дерматоскопических изображений, учитывающего особенности фототипов кожи населения России, обосновании подхода к классификации изображений, основанных на методах глубокого обучения, а также в планировании и проведении экспериментальных исследований, формировании требований к интеллектуальной СППВР, практической разработке программных средств реализующих функционал интеллектуальной СППВР.

Положения, выносимые на защиту:

1. Набор данных дерматоскопических изображений с высококачественной разметкой, предназначенный для задач классификации в области диагностики новообразований кожи.

2. Методика скринингового обследования для ранней дифференциальной диагностики новообразований кожи с использованием мобильной дерматоскопии. Методика включает применение современных алгоритмов машинного обучения,

обученных на дерматоскопических изображениях, полученных с помощью оптического дерматоскопа в сочетании со смартфоном.

3. Интеллектуальная система поддержки принятия врачебных решений, включающая модули автоматизированного анализа дерматоскопических изображений, полученных с использованием технологий мобильной дерматоскопии, а также компоненты для регистрации и структурирования метаданных и вероятностных предсказаний модели.

Интеграция алгоритмов анализа изображений, получаемых посредством оптического дерматоскопа, сопряженного со смартфоном, обеспечивает высокую степень доступности метода и расширяет возможности применения системы в клинической практике медицинских специалистов, включая врачей общей практики и непрофильных специалистов. Система обеспечивает:

- повышение точности и воспроизводимости диагностики;

- снижение субъективности интерпретации;

- поддержку онконастороженности врача;

- адаптацию к различным сценариям применения (в том числе в условиях ограниченных ресурсов);

- совместимость с различными типами дерматоскопов.

Степень достоверности и апробация результатов. Апробация результатов диссертационной работы проводилась на базе косметологического отделения Консультативной поликлиники Орловской областной клинической больницы (г. Орел) и в медицинском центре «Beauty Clinic» (ООО «Бьюти Клиник», г. Орел).

Материалы диссертационного исследования доложены и обсуждены на международных конференциях и научно-практических семинарах, включая:

- международный форум Kazan Digital Week 2022 (Казань, сентябрь 2022 г.);

- научно-практический семинар на базе НТЦ биомедицинской фотоники ОГУ имени И.С. Тургенева (ОГУ, Орел, октябрь 2023 г.);

- международная конференция «Открытая конференция ИСП РАН» (Москва, декабрь 2023 г.);

- V медицинский форум с международным участием «Актуальные вопросы совершенствования медицинской помощи. Тургеневские встречи» (ОГУ, Орел, апрель 2024 г.);

- международная конференция «Иванниковские чтения» (Великий Новгород, май 2024 г.);

- VI съезд РОСМЭМ «Медицинская элементология в науке и практическом здравоохранении» (Москва, ноябрь 2024 г.);

- международная конференция «Открытая конференция ИСП РАН» (Москва, декабрь 2024 г.);

- научно-практический семинар «Новые фармакологические методики в дерматологии и косметологии» (РУДН, Москва, декабрь 2024 г.);

- научно-практический семинар «Фармакологическая поддержка в онкологии и реабилитации» (РУДН, Москва, март 2025 г.);

- международная выставка информационных технологий и инноваций Gitex Africa Morocco 2025 (Марракеш, Марокко, апрель 2025 г.);

- всероссийская конференция «Прогресс в биомедицине: от исследований до клинической практики OrelBioMed» (ОГУ им. И. С. Тургенева, Орел, сентябрь 2025.);

- 26 ежегодный международный конгресс «Информационные технологии в медицине» (Сеченовский университет, Москва, октябрь 2025 г.).

Публикации. По теме диссертации опубликовано 6 работ в ведущих рецензируемых научных изданиях, рекомендованных ВАК, получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем диссертационной работы. Работа состоит из введения, трех глав, заключения, трех приложений, списка использованных источников из 156 наименований. Диссертация изложена на 208 страницах машинописного текста, содержит 34 рисунка, 16 таблиц.

Глава 1. Современные подходы к диагностике новообразований кожи и информационные технологии поддержки принятия врачебных решений

В главе приведен анализ научных исследований в области существующих подходов к их обнаружению новообразований кожи, позволяющих диагностировать и выявлять меланоцитарные новообразования кожи на ранних этапах течения болезни. Рассмотрены методы и подходы мобильной дерматоскопии, позволяющие осуществлять раннее обнаружение меланомы кожи и другие злокачественные кожные новообразования. Проведен обзор нормативно-правовой базы в области обеспечения конфиденциальности персональных данных пациентов (обеспечения врачебной тайны). Осуществлен сравнительный анализ существующих интеллектуальных систем диагностики новообразований кожи, определены их достоинства и недостатки, сформированы требования к разрабатываемой интеллектуальной системе поддержки принятия врачебных решений для ранней дифференциальной диагностики меланоцитарных новообразований посредством применения мобильной дерматоскопии и алгоритмов машинного обучения.

1.1. Анализ интеллектуальных систем диагностики новообразований кожи

Новообразования кожи представляют собой патологическое разрастание клеток кожи, связанное с нарушением механизма физиологической регенерации, которое может иметь доброкачественный или злокачественный характер [1]. Анализ новообразований кожи, представленный в Приложении А, показал, что злокачественные новообразования кожи являются наиболее агрессивными формами протекания болезней, сопровождающихся высокой летальность особенно при диагностировании на поздних стадиях. Стоит отметить, что диагностика новообразований кожи, в частности меланом, требует комплексного подхода, сочетающего клинические, инструментальные и морфологические методы.

Во врачебной практике наиболее распространенными подходами, применяемыми для обнаружения злокачественных новообразований кожи, являются визуальный осмотр и дерматоскопия. Для ранней диагностики меланом кожи требуется наличие высокой квалификации врача-дерматолога или онколога (совместный консилиум узконаправленных специалистов), а также верификация первичного диагноза посредством цитологии или биопсии. С целью сокращения времени постановки диагноза и уменьшения количества специалистов, принимающих решение, широкое применение получили интеллектуальные системы диагностики новообразований кожи, предоставляющие дополнительную информацию по заболеванию или процессу постановки диагноза и его верификации.

Интеллектуальные системы диагностики новообразований кожи представляют собой программные (программно-аппаратные) комплексы, обладающие повышенной автономностью в области анализа симптомов, изображений, лабораторных и других диагностических данных. Они основаны на применении методов искусственного интеллекта, (машинного обучения, распознавания образов), экспертных систем, анализа данных, компьютерного зрения для [2, 3]:

- интерпретации медицинских данных;

- выявления признаков патологий;

- поддержки постановки диагноза врачом;

- прогнозирования рисков и течения заболеваний.

Интеллектуальные системы диагностики новообразований кожи предназначены для анализа кожных новообразований на предмет наличия (отсутствия) признаков злокачественности, классификации анализируемых новообразований кожи по нозологическому критерию, реализации автоматического триажа пациентов и мониторинга состояния и динамики развития кожных новообразований [4].

Анализ исследований в области разработки интеллектуальных систем диагностики новообразований кожи и существующих практических реализации

позволили выделить следующие интеллектуальные системы диагностики, позволяющие диагностировать кожные новообразования: SkinVision, FotoFmder, DermaCompare, MoleScope, SkinAI.

Интеллектуальные системы диагностики меланоцитарных новообразований кожи SkinVision и DermaCompare представляют собой системы поддержки принятия врачебных решений, функционал и отличительные особенности которых описаны в разделе 3.5.

Мо^соре - мобильный дерматоскопический модуль, предназначенный для съемки, анализа и мониторинга кожных новообразований посредством смартфона, включающий [5]:

- аппаратное устройство (компактный дерматоскоп Мо^соре, подключаемый к смартфону, с возможностью поляризованной съемки);

- программное обеспечение (приложение Мо^соре Арр, а также платформа DermEngine для анализа, хранения и передачи данных);

- поддержку методов и алгоритмов машинного обучения и распознавания образов в составе платформы DermEngine (анализ изображений, сравнение во времени, построение отчетов и взаимодействие с врачом).

Мо^соре позволяет осуществлять захват дерматоскопических изображений (LED-подсветка с увеличением от 10 до 20 раз), удаленный осмотр пациента (съемка, сохранение и просмотр кожных новообразований в приложении); мониторинг изменений во времени (архив изображений с отметками времени и локализации), отправку изображений врачу через платформу DermEngine.

Мо^соре имеет следующие достоинства:

- портативность и совместимость с большинством смартфонов, не требуя дополнительного оборудования;

- качество формируемых изображений (обеспечивает создание дерматоскопических снимков с поляризацией, достаточных для оценки структуры новообразования);

- динамический мониторинг (возможность отслеживания изменения родинок во времени с фиксацией изменений);

- интеграция с платформой DermEngine (поддержка облачных модулей анализа методами искусственного интеллекта);

- поддержка телемедицины (возможность передачи сформированных дерматоскопических изображений врачу в HIPAA-совместимом формате).

MoleScope присуще следующие недостатки: не является самостоятельным диагностическим инструментом (представляет собой средство визуализации и мониторинга), требует качественной съемки (фокусировка, освещение), проприетарный характер программного обеспечения, наличие ограниченной функциональности (требуется подключение к платформе DermEngine или врачебной сети) и не имеет сертификата медицинского изделия.

Список литературы диссертационного исследования кандидат наук Козачок Елена Сергеевна, 2026 год

Список литературы

1. Гончаренко, Г. В. Первично-множественные злокачественные опухоли наиболее распространенных локализаций - статистика онкологического кабинета поликлиники [Текст] / Г. В. Гончаренко // Исследования и практика в медицине. -2015. - № 4. - С. 59-65.

2. Balakrishnan, K. Intelligent diagnosis systems teledermoscopy [Текст] / K. Balakrishnan, V. Honavar // Journal of Intelligent Systems. - 1998 - T.8. - № 3-4. -С.239-290.

3. Intelligent systems in technical and medical diagnostics [Текст] / J. Korbicz, M. Kowal, J. - Берлин, Германия : Springer. - 2014. - 536 с. - ISBN 978-3-64239880-3.

4. Mikolajczyk, A. Intelligent system supporting diagnosis of malignant melanoma. [Текст] / A. Mikolajczyk, A. Kwasigroch, M. Grochowski // Polish Control Conference. - 2017. - C. 828-837.

5. MoleScope. - Текст : электронный // MetaOptima: [сайт]. - 2025. -1 янв. - URL: https://www.molescope.com/ (дата обращения 30.07.2025).

6. Skeen gets German Design Award 2025 in the category of «Excellent Product Design». - Текст : электронный // FotoFinder Systems GmbH: [сайт]. - 2025. -1 янв. - URL: https://www.fotofinder.de/en/ (дата обращения 30.07.2025).

7. Madarkar, M. S. FotoFinder dermoscopy analysis and histopathological correlation in primary localized cutaneous amyloidosis [Текст] / M. S. Madarkar, V. R. Koti // Dermatology Practical & Conceptual. - 2021. - T. 11. - № 3. - С. 1-7.

8. SkinAI. Simple steps to get quick answers through SkinAI app. - Текст : электронный // SkinAI Health Solutions Pvt: [сайт]. - 2019. - 1 янв. -URL: https://www.skinai.in/ (дата обращения 30.07.2025).

9. Skinive. Skin Check AI Scanner. - Текст : электронный // Skinive B.V.: [сайт]. - 2025. - 1 янв. - URL: https://skinive.com/ (дата обращения 30.07.2025).

10. Shpudeiko, V. Artificial intelligence in solving dermatological problems [Текст] / V. Shpudeiko, K. Sokolov, H. Sidaruk // Dermatology Review. - 2022. -T. 109. - № 5. - С. 361-367.

11. AI Dermatologist: Skin scanner. - Текст : электронный // Vu Xuan Loc.: [сайт]. - 2025. - 1 янв. - URL: https://ai-derm.com/ (дата обращения 30.07.2025).

12. Model Dermatology. Artificial Intelligence Dermatology - More Accurate Than Googling. - Текст : электронный // Google-Health: [сайт]. - 2025. - 1 янв. -URL: https://www.molescope.com/ (дата обращения 30.07.2025).

13. Online Dermatology Consultation by Board-Certified Dermatologists. -Текст : электронный // First Derm: [сайт]. - 2025. - 1 янв. -URL: https://www.firstderm.com/ (дата обращения 30.07.2025).

14. Российская Федерация. Законы. Об основах охраны здоровья граждан в Российской Федерации : Федеральный закон №2 323-ФЗ [принят Государственной Думой 1 ноября 2011 года : одобрен Советом Федерации 9 ноября 2011 года]. Москва : Собрание законодательства РФ № 48 от 28.11.2011, ст. 6724. - 2011. -Текст непосредственный.

15. Massone, C. Mobile teledermoscopy - melanoma diagnosis by one click? [Текст] / C. Massone [и др.] // Seminars in cutaneous medicine and surgery. - 2009. -T. 28. - № 3. - C. 203-205.

16. Соколова, А. В. Разработка комплексной программы скрининга, мониторинга и дифференциальной диагностики пигментированных новообразований кожи на основе неинвазивных методов исследования : специальность 14.01.10 «Кожные и венерические болезни», 14.01.12. «Онкология» : диссертация на соискание ученой степени доктора медицинских наук / Соколова Анна Викторовна ; Уральский научно-исследовательский институт дерматовенерологии и иммунопатологии. - Екатеринбург, 2018. - 220 с. -Библиогр.: с. 195-220. - Текст : непосредственный.

17. Borve, A. Mobile teledermoscopy - there's an app for that! [Текст] / A. Borve [и др.] // Dermatology practical & conceptual. - 2013. - T. 3. - № 2. -С.203-205.

18. Arige, S. Digital Dermoscopy: Advancements in Skin Cancer Diagnosis and Monitoring [Текст] / S. Arige [и др.] // Biomedical and Pharmacology Journal. - 2025. -T. 18. - C. 33-43.

19. Janda, M. Accuracy of mobile digital teledermoscopy for skin self-examinations in adults at high risk of skin cancer: an open-label, randomised controlled trial [Текст] / M. Janda [и др.] // Lancet Digit Health. - 2020. - T. 2. - № 3. -С.129-137.

20. Lee, C. The role of mobile teledermoscopy in skin cancer triage and management during the COVID-19 pandemic [Текст] / M. Janda [и др.] // Indian Journal of Dermatology, Venereology and Leprology. - 2023. - Т. 89. - С. 347-352.

21. Delans, K. Teledermoscopy - An Emerging Technology for Skin Cancer Detection [Текст] / K. Delans [и др.] // Telehealth and Medicine Today. - 2023. - Т. 8. -№ 1. - С. 1-7.

22. Manahan, M. N. A pilot trial of mobile, patient-performed teledermoscopy [Текст] / M. N. Manahan [и др.] // British Journal of Dermatology. - 2015. - T. 172. -№ 4. - С. 1072-1080.

23. Hue, L. Real-time mobile teledermoscopy for skin cancer screening targeting an agricultural population: an experiment on 289 patients in France [Текст] / L. Hue [и др.] // Journal of the European Academy of Dermatology and Venereology. -2016. -Т. 30. - № 1. С. 20-24.

24. Snoswell, C. L. Direct-to-consumer mobile teledermoscopy for skin cancer screening: Preliminary results demonstrating willingness-to-pay in Australia [Текст] / C. L. Snoswell [и др.] // Journal of telemedicine and telecare. - 2018. - T. 24. - № 10. -С. 683-689.

25. Koh, U. Development of a checklist tool to assess the quality of skin lesion images acquired by consumers using sequential mobile teledermoscopy [Текст] / U. Koh [и др.] // Dermatology. - 2022. - T. 238. - № 1. - С. 27-34.

26. Dermoscopy Image Analysis [Текст] / M. E. Celebi, T. Mendonca, J. S. Marques. - [1-е изд.]. - Бока-Ратон, США : CRC Press, 2015. - 486 с. - ISBN 978-0-4290691-9-2.

27. Российская Федерация. Законы. О персональных данных : Федеральный закон № 152-ФЗ [принят Государственной Думой 8 июля 2006 года : одобрен Советом Федерации 14 июля 2006 года]. Москва : Собрание законодательства РФ № 31 от 31.07.2006, ст. 3451, 2006. - Текст непосредственный.

28. Российская Федерация. Законы. Об информации, информационных технологиях и защите информации : Федеральный закон № 149-ФЗ [принят Государственной Думой 8 июля 2006 года : одобрен Советом Федерации 14 июля 2006 года]. Москва : Собрание законодательства РФ №2 31 от 31.07.2006, ст. 3448. -2006. - Текст непосредственный.

29. Карпов, О. Э. Автоматизация процессов, цифровые и информационные технологии в управлении и клинической практике лечебного учреждения: научные труды. - Москва : Деловой экспресс. - 2016. - 388 с. - 1000 экз. - ISBN 978-5-89644125-0. - Текст : непосредственный.

30. Российская Федерация. Указы. О развитии искусственного интеллекта в Российской Федерации : Указ Президента Российской Федерации № 490.

[утвержден Президентом Российской Федерации 10 октября 2019 года] Москва : Собрание законодательства РФ № 41 от 14.10.2019, ст. 5700. - 2019. - Текст непосредственный.

31. Российская Федерация. Распоряжения. Концепция развития регулирования отношений в сфере технологий искусственного интеллекта и робототехники до 2024 года : Распоряжение Правительства Российской Федерации № 2129-р. [утверждено распоряжением Правительства Российской Федерации 19 августа 2020 года] Москва : Собрание законодательства РФ № 35 от 31.08.2020, ст. 5593. - 2020. - Текст непосредственный.

32. Российская Федерация. Постановления. О внесении изменений в Правила государственной регистрации медицинских изделий : Постановление Правительства Российской Федерации № 1906. [утверждено постановлением Правительства Российской Федерации 24 ноября 2020 года] Москва : Собрание законодательства РФ № 49 от 07.12.2020, ст. 7897, 2020. - Текст непосредственный.

33. Российская Федерация. Постановления. О внесении изменений в Положение о единой государственной информационной системе в сфере здравоохранения : Постановление Правительства Российской Федерации № 2174. [утверждено постановлением Правительства Российской Федерации 19 декабря 2020 года] Москва : Собрание законодательства РФ № 52 от 28.12.2020, ст. 8856. -2020. - Текст : непосредственный.

34. ПНСТ 961-2024. Системы искусственного интеллекта в здравоохранении. Этические аспекты : предварительный национальный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 25 октября 2024 г. № 68-пнст : дата введения 2025-01-01 / подготовлен Государственным бюджетным учреждением здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»). - Москва : Стандартинформ, 2024. - 12 с. - Текст : непосредственный.

35. Кодекс этики применения искусственного интеллекта в сфере охраны здоровья. Версия 2.1 : издание официальное : утвержден и введен в действие протоколом Межведомственной рабочей группой при Минздраве России по вопросам создания, развития и внедрения в клиническую практику медицинских изделий и сервисов с использованием технологий искусственного интеллекта

от 14 февраля 2025 г. № 90/18-0/11 : дата введения 2025-14-01. - Москва : Стандартинформ, 2024. - Текст : непосредственный.

36. Козачок, Е. С. Обзор методов раннего обнаружения меланомы с использованием методов компьютерного зрения [Текст] / Е. С. Козачок, А. В. Козачок, А. А. Спирин // Труды института системного программирования РАН. - 2022. - Т. 34. - № 4. - С. 241-250.

37. Козачок, Е.С. Набор дерматоскопических изображений для ранней диагностики злокачественных новообразований кожи [Текст] / Е.С. Козачок // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2025. -Т. 15. - № 3. - С. 93-111.

38. Козачок, Е.С. Методика скринингового обследования для ранней дифференциальной диагностики новообразований кожи с использованием мобильной дерматоскопии [Текст] / Е.С. Козачок [и др.] // Врач и информационные технологии. - 2025. - № 3. - С. 50-63.

39. Меланома кожи и слизистых оболочек. Возрастная категория: Взрослые. Клинические рекомендации № 28 : одобрены на заседании научно-практического совета Министерства здравоохранения Российской Федерации 23 ноября 2023 г. - Москва. - 139 с. - Текст : непосредственный.

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

41. Козачок А. В. Применение моделей машинного обучения для многоклассовой классификации дерматоскопических снимков новообразований кожи [Текст] / А. В. Козачок [и др.] // Труды института системного программирования РАН. - 2024. - Т. 36. - №. 5. - С. 241-252.

42. The AI community building the future. - Текст : электронный // Hugging Face: [сайт]. - 2025. - 1 янв. - URL: https://huggingface.co/models?pipeline_tag= image-classification&sort=trending (дата обращения 30.07.2025).

43. Zhang, Z. Dendritic Learning-Incorporated Vision Transformer for Image Recognition [Текст] / Z. Zhang [и др.] // Journal of Automatica Sinica. - 2024. - T. 11. -№ 2. - С. 539-541.

44. Han, K. A Survey on Vision Transformer [Текст] / K. Han [и др.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2022. - T. 45. - № 1. -С. 87-110.

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

46. Almufareh, M. F. Melanoma identification and classification model based on fine-tuned convolutional neural network [Текст] / M. F. Almufareh [и др.] // Digital Heath. - 2024. - T. 10. - C. 1-29.

47. Suleiman, T. A. Two-step hierarchical binary classification of cancerous skin lesions using transfer learning and the random forest algorithm [Текст] / T. A. Suleiman [и др.] // Visual Computing for Industry, Biomedicine, and Art. - 2024. - T. 7. - № 15. - С. 1-17.

48. Adamson, A. S. Machine Learning and Health Care Disparities in Dermatology [Текст] / A. S. Adamson, A. Smith // JAMA Dermatology. - 2018. -T. 154. - № 11. - C. 23-48.

49. Salinas, M. P. A systematic review and meta-analysis of artificial intelligence versus clinicians for skin cancer diagnosis [Текст] / M. P. Salinas [и др.] // npj Digital Medecine. - 2024. - T. 7. - № 125. - C. 1-23.

50. Отченашенко, А. И. Высокотехнологичные системы диагностики заболеваний в онкодерматологии с применением методов и средств искусственного интеллекта : специальность 2.2.12 «Приборы, системы и изделия медицинского назначения» : диссертация на соискание ученой степени кандидата технических наук / Отченашенко Александр Иванович ; Национальный исследовательский ядерный университет «МИФИ». - Москва, 2025. - 127 с. -Библиогр.: с. 111-123. - Текст : непосредственный.

51. Козачок, Е.С. Интеллектуальная система поддержки принятия решений врача в диагностике новообразований кожи на основе анализа дерматоскопических изображений [Текст] / Е.С. Козачок [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2025. - Т. 15. - № 3. - С. 50-65.

52. Козачок, А. В. Платформа для сбора дерматоскопических изображений новообразований пациентов [Текст] / А. В. Козачок [и др.] // Труды Института системного программирования РАН. - 2024. - Т. 36. - № 3. - С. 259-272.

53. Suryani, S. UI/UX Design of Mobile-Based Pharmacy Application Using Design Thinking Method [Текст] / S. Suryani [и др.] // Journal of Computer Networks, Architecture and High Performance Computing. - 2023. - T. 5. - № 2. - С. 714-723.

54. Familoni, B. T., Babatunde S. O. User experience (UX) design in medical products: theoretical foundations and development best practices [Текст] /

B. T. Familoni, S. O. Babatunde // Engineering Science & Technology Journal. - 2024. -T. 5. - № 3. - С. 1125-1148.

55. Yu, E. S. Features recognition from piping and instrumentation diagrams in image format using a deep learning network [Текст] / E.S. [и др.] // Energies. - 2019. -T. 12. - № 23. - С. 1-19.

56. Devarakonda, N. Skin Cancer Detection with Metadata Using Deep Learning Strategies [Текст] / N. Devarakonda [и др.] // Advances in Communication and Applications. ERCICA 2023. Lecture Notes in Electrical Engineering. - 2023. -T. 1105. - С. 217-233.

57. Хабарова, Р. И. Искусственный интеллект в диагностике доброкачественных новообразований кожи у пациентов детского возраста. Интеграция нейронной сети в мобильное приложение [Текст] / Р. И. Хабарова,

C. А. Кулева // Вопросы онкологии. - 2022. - Т. 68. - № 6. - С. 820-826.

58. Kamrul, H. A survey, review, and future trends of skin lesion segmentation and classification [Текст] / H. Kamrul [и др.] // Computers in Biology and Medicine. -2023. - T. 155. - С. 1-36.

59. Melanoma AI. - Текст : электронный // ИСП РАН.: [сайт]. - 2025. -1 янв. - URL: https://ai-melanoma.ru (дата обращения 30.07.2025).

60. Gutman, D. Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI) 2016, hosted by the international skin imaging collaboration (ISIC) [Текст] / D. Gutman [и др.] // Computer Vision and Pattern Recognition. - 2016. - C. 1-5.

61. Codella, N. C. Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI) 2017, hosted by the international skin imaging collaboration (ISIC) [Текст] / N. C. Codella [и др.] // 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018). 2018. -С.168-172.

62. Codella, N. C. Skin lesion analysis toward melanoma detection 2018: A challenge hosted by the international skin imaging collaboration (ISIC) [Текст] / N. C. Codella [и др.] // Computer Vision and Pattern Recognition. 2019. - C. 1-12.

63. Tschandl, P. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions [Текст] / P. Tschandl, C. Rosendahl, H. Kittler // Scientific Data. - 2018. - Vol 5. - C. 1-9.

64. Mendonca, T. PH2 - A Dermoscopic Image Database for Research and Benchmarking [Текст] / T. Mendon5a, P. M. Ferreira, J. M. Marques // Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). - 2013. - C. 5437-5440.

65. Kamrul, H. A survey, review, and future trends of skin lesion segmentation and classification [Текст] / H. Kamrul [и др.] // Computers in Biology and Medicine. -2023. - Vol. 155. - С. 1-36.

66. Yilmaz, A. DERM12345: A Large, Multisource Dermatoscopic Skin Lesion Dataset with 40 Subclasses [Текст] / A. Yilmaz [и др.] // Scientific Data. - 2024. -Vol. 11. - C. 1-12.

67. Kononenko, I. Machine learning for medical diagnosis: history, state of the art and perspective [Текст] / I. Kononenko // Artificial Intelligence in medicine. - 2001. -Т. 23. - № 1. - С. 89-109.

68. Dietterich, T. G. Machine learning [Текст] / T. G. Dietterich // Annual review of computer science. - 1990. - T. 4. - № 1. - С. 255-306.

69. Wang, H. Machine learning basics [Текст] / H. Wang [и др.] // Deep learning. - 2016. - C. 98-164.

70. Machine learning [Текст] / Z. H. Zhou. - Берлин, Германия : Springer. -2021. - 472 с. - ISBN 978-9811519666.

71. Jordan, M. I. Machine learning: Trends, perspectives, and prospects [Текст] / M. L. Jordan, T. M. Mitchell // Science. - 2015. - T. 349. - № 6245. - С 255-260.

72. Pandey, D. Machine learning algorithms: a review [Текст] / D. Pandey, K. Niwaria, B. Chourasia // International Research Journal of Engineering and Technology. - 2019. - T. 6. - № 2. - C. 916-922.

73. Gao, J. Computer Vision in Healthcare Applications [Текст] / J. Gao [и др.] // Journal of Healthcare Engineering. - 2018. - С. 1-4.

74. Computer vision [Текст] / G. Stockman, L. G. Shapiro. - Хобокен, США : Prentice Hall PTR. - 2001. - 608 с. - ISBN 0130307963.

75. Computer vision: algorithms and applications [Текст] / К. Szeliski -[2-е изд.]. - Берлин, Германия : Springer. - 2022. - 924 с. - ISBN 978-3-030-34371-2.

76. Haralick, R. M. Glossary of computer vision terms [Текст] / R. M. Haralick, L. G. Shapiro // Pattern Recognition. - 1991. - T. 24. - № 1. - C. 69-93.

77. Computer vision: models, learning, and inference [Текст] / S. J. Prince. -Нью-Йорк, США : Cambridge University Press. - 2012. - 579 с. - ISBN 978-1-10701179-3.

78. Wiley, V. Computer vision and image processing: a paper review [Текст] / V. Wiley, T. Lucas // International journal of artificial intelligence research. - 2018. -T. 2. - № 1. - C. 29-36.

79. Kreouzi, M. Deep Learning for Melanoma Detection: A Deep Learning Approach to Differentiating Malignant Melanoma from Benign Melanocytic Nevi [Текст] / M. Kreouzi [и др.] // Cancers. - 2025. - T. 17. - № 1. - С. 1-28.

80. He, K. Deep Residual Learning for Image Recognition [Текст] / M. Kreouzi [и др.] // Proceedings of the IEEE conference on computer vision and pattern recognition. - 2016. - С. 770-778.

81. Signoles, A. Coherent transfer between low-angular-momentum and circular Rydberg states [Текст] / A. Signoles [и др.] // Physical Review Letters. - 2017. -T. 118. - № 25. - С. 1-5.

82. Dagnaw, G. H. Mustapha, Skin cancer classification using vision transformers and explainable artificial intelligence [Текст] / G. H. Dagnaw, M. E. Mouhtadi, M. Mustapha // Journal of Medical Artificial Intelligence. - 2024. -T. 7. - C. 1-17.

83. Rao, A. K. A Hybrid Approach Combining Convolutional Neural Networks and Vision Transformers for Melanoma Skin Cancer Detection [Текст] / A. K. Rao [и др.] // International Conference on Inventive Computation Technologies (ICICT). -2025. - C. 272-277.

84. Духанина, О. Д. Оптимизация лекарственной терапии у пациентов пожилого возраста с полипрагмазией на основе системы поддержки принятия врачебных решений : специальность 3.3.6 «Фармакология, клиническая фармакология», 3.3.9. «Медицинская информатика» : диссертация на соискание ученой степени кандидата медицинских наук / Духанина Ольга Дмитриевна ; ФГБОУ ДПО Российская медицинская академия непрерывного профессионального образования. - Москва, 2025. - 213 с. - Библиогр.: с. 164-188. -Текст : непосредственный.

85. ГОСТ Р HCO/HL7 10781-2019. Информатизация здоровья. Функциональная модель HL7 системы ведения электронных медицинских карт. Выпуск 2 (ФМ СВ ПЭМК) = Health Informatics - HL7 Electronic Health Records-System Functional Model. Release 2 (EHR FM) : национальный стандарт Российской

Федерации : издание официальное : утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 29 августа 2019 г. № 577-ст : введен впервые : дата введения 2025-01-01 / подготовлен Федеральным государственным унитарным предприятием «Российский научно-технический центр информации по стандартизации, метрологии и оценке соответствия» (ФГУП «СТАНДАРТИНФОРМ»). - Москва : Стандартинформ, 2019. - 100 с. - Текст : непосредственный.

86. ГОСТ Р 71671-2024. Системы поддержки принятия врачебных решений с применением искусственного интеллекта. Основные положения = Artificial intelligence-powered clinical decision support systems. Basic framework : национальный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 7 октября 2024 г. № 13842-ст : введен впервые : дата введения 2025-01-01 / подготовлен Государственным бюджетным учреждением здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»). - Москва : Стандартинформ, 2024. - 12 с. - Текст : непосредственный.

87. FDA-2017-D-6569. Guidance document. Contains Nonbinding Recommendations. Clinical Decision Support Software Guidance for Industry and Food and Drug Administration Staff on September 22, 2022. - USA : U.S. Food & Drug Administration. - 2022. - 26 с. - Текст : непосредственный.

88. Sutton, R. T. An overview of clinical decision support systems: benefits, risks, and strategies for success [Текст] / R. T. Sutton [и др.] // npj Digital Medicine. -

2019. - C. 1-10.

89. Wasylewicz, A. T. Clinical Decision Support Systems [Текст] / A. T. Wasylewicz, A. M. Scheepers-Hoeks // Fundamentals of Clinical Data Science. -

2020. - T. 3. - № 17. - C. 153-169.

90. Shahsavarani, A. M. Clinical decision support systems (CDSSs): state of the art review of literature [Текст] / A. M. Shahsavarani [и др.] // International Journal of Medical Reviews. - 2015. - T. 2. - № 4. - C. 299-308.

91. Wright, A. Analysis of clinical decision support system malfunctions: a case series and survey [Текст] / A. Wright [и др.] // Journal of the American Medical Informatics Association. - 2016. - T. 23. - № 6. - C. 1068-1076.

92. Ylenia, C. Clinical Decision Support System based on fuzzy rules and classification algorithms for monitoring the physiological parameters of type-2 diabetic patients [Текст] / C. Ylenia [и др.] // Mathematical Biosciences and Engineering. -2021. - T. 18. - № 3. - C. 2654-2674.

93. Vaghela, C. A survey on various classification techniques for clinical decision support system [Текст] / C. Vaghela, N. Bhatt, D. Mistry // International Journal of Computer Applications. - 2015. - T. 116. - № 23. - C. 14-17.

94. visualDX. An Ecosystem of Solutions. - Текст : электронный // VisualDx: [сайт]. - 2025. - 1 янв. - URL: https://www.visualdx.com (дата обращения 30.07.2025).

95. SkinVision. Accurate skin cancer detection made simple. - Текст : электронный // SkinVision: [сайт]. - 2025. - 1 янв. - URL: https:// www.skinvision.com/ (дата обращения 30.07.2025).

96. Emerald medical applications - DermaCompare mobile app. - Текст : электронный // Emerald Medical Applications: [сайт]. - 2025. - 1 янв. - URL: https:// www.slideshare.net/AdiZamir1/emerald-medical-applications-dermacompare-mobile-app / (дата обращения 30.07.2025).

97. AI-enabled imaging and diagnostics previously thought impossible. -Текст : электронный // Google: [сайт]. - 2025. - 1 янв. - URL: https://health.google/ health-research/imaging-and-diagnostics/ (дата обращения 30.07.2025).

98. Искусственный интеллект для медицинских изображений. - Текст : электронный // Intellogic LLC: [сайт]. - 2024. - 1 янв. - URL: https://botkin.ai/ (дата обращения 30.07.2025).

99. Проверь свое здоровье с ПроРодинки. - Текст : электронный // Intellogic Приволжский исследовательский медицинский университет: [сайт]. - 2025. -1 янв. - URL: https://prorodinki.ru/ (дата обращения 30.07.2025).

100. Белоус, В. В. Распространенные локализации первично-множественных раков кожи [Текст] / В. В. Белоус // Медицина. Прикладные исследования и методы. - 2023. - № 4. - С. 4-8.

101. Алкалай, Р. Меланоцитарные новообразования / Р. Алкалай. - Текст : электронный // Сеть о здоровье : [сайт]. - 2025. - 4 февр. - URL: https://web2health.com/health/melanocitarnye-novoobrazovaniya_108031i15941.html (дата обращения 30.07.2025).

102. WHO Classification of Skin Tumours / D. E. Elder [и др.]. - [4-е изд.]. -Лион, Франция : International Agency for Research on Cancer (IARC), 2018. - 500 с. -ISBN 978-9-2832244-0-2.

103. Gassenmaier, M. WHO-Klassifikation melanozytarer Tumoren [Текст] / M. Gassenmaier // Dermatologie. - Т. 76. - 2025. - C. 121-126.

104. Кожухова, Л. Н. Цитологическая диагностика меланоцитарных опухолей кожи [Текст] / Л. Н. Кожухова, Н. В. Воронова // Вопросы онкологии. -

2018. - Т. 64. - № 2. - С. 238-243.

105. Zembowicz, A. Melanocytic Skin Tumors: Genetic Aberrations and Diagnostic Pitfalls [Текст] / A. Zembowicz, R. A. Scolyer // Clinics in Laboratory Medicine. - 2020. - Т. 40. - № 3. - С. 349-369.

106. Воронин, С. А., Дьякова А. А. Меланоцитарные новообразования кожи у детей [Текст] / С. А. Воронин, А. А. Дьякова // Педиатрия. - 2015. - № 3. -С. 24-29.

107. Harvey, N. T. A practical approach to the diagnosis of melanocytic lesions [Текст] / N. T. Harvey, B. A. Wood // Archives of pathology & laboratory medicine. -

2019. - T. 143. - № 7. - С. 789-810.

108. Gaiser, T. Classifying ambiguous melanocytic lesions with FISH and correlation with clinical long-term follow up [Текст] / T. Gaiser [и др.]. // Modern Pathology. - 2010. - № 23. - С. 413-419.

109. Carli, P. Melanocytic lesions of the conjunctiva: an up-to-date review [Текст] / P. Carli [и др.]. // Diagnostic Histopathology. - 2024. - T. 30, № 23. -С. 37-59.

110. Гребенщикова, А. Виды новообразований на коже и способы их лечения / А. Гребенщикова. - Текст : электронный // Darmed Clinic : [сайт]. - 2025. -30 июля - URL: https://darmed-clinic.ru/blog/novoobrazovaniya-kozhe/ (дата обращения 30.07.2025).

111. Arnold, M. Global burden of cutaneous melanoma in 2020 and projections to 2040 [Текст]. / M. Arnold [и др.] // JAMA Dermatology. - 2022. T. 158. - № 5. -C. 495-503.

112. Erdmann, F. International trends in the incidence of malignant melanoma 1953-2008 are recent generations at higher or lower risk? [Текст] / F. Erdmann [и др.] // International Journal of Cancer. - 2013. - T. 132, № 2. - С. 385-400.

113. Sung, H. Global cancer statistics 2020: GLOBOCAN Estimates of incidence and mortality worldwide for 36 cancers in 185 countries [Текст] / H. Sung [и др.] // CA: A Cancer Journal for Clinicians. - 2021. - T. 71. - № 3. - С. 209-249.

114. Conforti, C. Epidemiology and Risk Factors of Melanoma: A Review [Текст] / C. Conforti, I. Zalaudek // Dermatology Practical & Conceptual. - 2021. -T. 1. - № 11. - С 1-6.

115. Артемьева А. С. Сложности морфологической диагностики меланоцитарных образований кожи (клинический случай) [Текст] / А. С. Артемьева, Ю. В. Семилетова // Сибирский онкологический журнал. - 2021. - T. 20. - №3. - C. 144-150.

116. International Agency for Research on Cancer. Cancer Today - Текст : электронный // World Health Organization : [сайт]. - 2024. - 8 фев. - URL: https://gco.iarc.fr/today/en/dataviz/pie?mode=population&group_populations=0 (дата обращения 30.07.2025).

117. Бахарева, Ю. О. Меланома кожи (C43): анализ тенденций заболеваемости и смертности в свете пандемии COVID-19, молекулярная эпидемиология [Текст] / Ю.О. Бахарева [и др.] // Вопросы онкологии. - 2023. -Т 69. - № 4. - С. 631-638.

118. Малишевская, Н. П. Современное состояние заболеваемости и диагностики меланомы и других злокачественных новообразований кожи в Российской Федерации и Уральском федеральном округе [Текст] / Н. П. Малишевская [и др.] // Эффективная фармакотерапия. - 2024. - № 20(5). -С.18-23.

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

120. Хисматуллина, З.Р. Современные аспекты и перспективы применения дерматоскопии в дерматоонкологии [Текст] / З. Р. Хисматуллина, В. В. Чеботарев, Е. А. Бабенко // Креативная хирургия и онкология. - 2020. - Т. 10. - № 3. - С. 241248.

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

122. A study of tumor progression: the precursor lesions of superficial spreading and nodular melanoma [Текст] / W. H. Jr. Clark [и др.] // Human Pathology. - 1984. -T. 15. - № 12. - С. 1147-1165.

123. Меланома кожи и слизистых оболочек. Возрастная категория: Взрослые. Клинические рекомендации : одобрены на заседании научно-практического совета Министерства здравоохранения Российской Федерации 22 июля 2020 г. - Москва. - 124 с. - Текст : непосредственный.

124. What are melanocytes really doing all day long...? [Текст] / P. M. Plonka [и др.] // Experimental dermatology. - 2009. - Т. 18. - № 9. - С. 799-819.

125. AJCC Cancer Staging Manual / L. Frederick [и др.]. - [6-е изд.]. - Нью-Йорк, США : American Joint Committee on Cancer, 2002. - 421 с. - ISBN 978-1-47573656-4.

126. Mahul, B. A. The Eighth Edition AJCC Cancer Staging Manual: Continuing to build a bridge from a population-based to a more "personalized" approach to cancer staging [Текст] / B. A. Mahul [и др.] // CA: A Cancer Journal for Clinicians. - 2017. -Т. 67. - № 2. - С. 93-97.

127. Balch, C. M. Final version of 2009 AJCC melanoma staging and classification [Текст] / C. M. Balch [и др.] // Journal of Clinical Oncology. - 2009. -T. 27. - № 36. - C. 6199-6206.

128. Fitzpatrick, T. B. The validity and practicality of sun-reactive skin types I through VI [Текст] / T. B. Fitzpatrick // Archives of Dermatology. - 1988. - T. 124. -№ 6. - С. 869-871.

129. Меланома кожи и слизистых оболочек. Возрастная категория: Дети. Клинические рекомендации : одобрены на заседании научно-практического совета Министерства здравоохранения Российской Федерации 22 июля 2020 г. - Москва. - 74 с. - Текст : непосредственный.

130. Anna, B. Mechanism of UV-related carcinogenesis and its contribution to nevi/melanoma [Текст] / B. Anna [и др.] // Expert Review of Dermatology. - 2007. -Т. 2. - № 4. С. 451-469.

131. Dubin, N. Simultaneous assessment of risk factors for malignant melanoma and nonmelanoma skin lesions, with emphasis on sun exposure and related variables [Текст] / N. Dubin, B. S. Pasternack, M. Moseson // International Journal of Epidemiology. - 1990. - T.19. - № 4. - С. 811-819.

132. Carli, P. Sun exposure and large numbers of common and atypical melanocytic naevi: an analytical study in a southern European population [Текст] / P. Carli [и др.] // British Journal of Dermatology. - 1998. - T. 138. - № 3. - С.422-425.

133. Elwood, J. M. Etiology, epidemiology, risk factors, and public health issues of melanoma [Текст] / J.M. Elwood, H. K. Koh // Current Opinion in Oncology. - 1994. -T. 6. - № 2. C. 179-187.

134. Long, G. V. Cutaneous melanoma [Текст] / G. V. Long [и др.] // The Lancet. - 2023. - T. 402. - № 10400. - С. 485-502.

135. Cutaneous Melanoma. The Most Common Type of Melanoma. - Текст : электронный // Melanoma Research Foundation : [сайт]. - 2025. - 1 янв. - URL: https://gco.iarc.fr/today/en/dataviz/pie?mode=population&group_populations=0 (дата обращения 30.07.2025).

136. Синельников, И. Е. Клиническая диагностика меланомы кожи [Текст] / И. Е. Синельников, К. А. Барышников, Л. В. Демидов // Вестник РОНЦ им. Н. Н. Блохина РАМН. - 2017. - Т. 28. - № 1-2. - С. 68-73.

137. Анисимов, В. В. Стандартное обследование пациентов с подозрением на меланому. Современная клиническая классификация [Текст] / В. В. Анисимов // Практическая онкология. - 2001. - № 4(8). - С. 12-22.

138. Очоа, Д. С. Международные клинические рекомендации по лечению меланомы кожи (2021) [Текст] / Д. С. Очоа [и др.] // Вестник последипломного медицинского образования. - 2022. - № 2. - С. 9-20.

139. Современные неинвазивные методы диагностики меланоцитарных новообразований кожи лица [Текст] / О. Е. Гаранина [и др.] // Клиническая дерматология и венерология. - 2019. - Т. 18. - № 5. - С. 608-615.

140. Фрадкин, С. З. Меланома кожи. Справочное издание / С. З. Фрадкин, И. В. Залуцкий. - Минск, Белоруссия : Издательство «Беларусь», 2000. - 221 с. -ISBN 985-01-0323-Х.

141. Nachbar, F. The ABCD rule of dermatoscopy. High prospective value in the diagnosis of doubtful melanocytic skin lesions [Текст] / F. Nachbar [и др.] // Journal of the American Academy of Dermatology. - 1994. - Т. 30. - № 4. - С 551-559.

142. Stolz, W. Color Atlas of Dermatoscopy / W. Stolz. - Оксфорд, Великобритания : Blackwell Science Inc, 1994. - 162 с. - ISBN 978-0865423794.

143. Menzies, S. Frequency and morphologic characteristics of invasive melanomas lacking specific surface microscopic features [Текст] / Menzies S. [и др.] // Archives of Dermatology. - 1996. - № 132. - С. 1178-1182.

144. Завьялов, А. А. Хирургическое лечение меланомы кожи. Учебно-методическое пособие для врачей / А. А. Завьялов. Ю. Г. Трофименко,

A. В. Аксененко. - Москва : ФГБУ ГНЦ ФМБЦ им. А. И Бурназяна. - 2025. - 44 с. - 100 экз. - ISBN 978-5-93064-344-2. - Текст : непосредственный.

145. Li, Z. Artificial intelligence in dermatology image analysis: Current developments and future trends [Текст] / Z. Li [и др.] // Journal of Clinical Medicine. -2022. - T. 11. - № 22. - С. 1-33.

146. Henning, J. S. The CASH (color, architecture, symmetry, and homogeneity) algorithm for dermoscopy [Текст] / J. S. Henning [и др.] // Journal of the American Academy of Dermatology. - 2007. - T. 56. - № 1. - C 45-52.

147. Di Meo, N. CASH algorithm versus 3-point checklist and its modified version in evaluation of melanocytic pigmented skin lesions: The 4-point checklist [Текст] / N. Di Meo [и др.] // The Journal of Dermatology. - 2016. - T. 43, № 6. -С.682-685.

148. Mackie, R. M. Seven-point checklist for melanoma [Текст] / R. M. Mackie, V. R. Doherty // Clinical and Experimental Dermatology. - 1991. - T. 16. - № 2. -С.151-153.

149. Walter, F. M. Using the 7-point checklist as a diagnostic aid for pigmented skin lesions in general practice: a diagnostic validation study [Текст] / F. M. Walter [и др.] // British Journal of General Practice. - 2013. - T. 63. - № 610. - С. 345-353.

150. Argenziano, G. Dermoscopy of pigmented skin lesions: results of a consensus meeting via the Internet [Текст] / G. Argenziano [и др.] // Journal of the American Academy of Dermatology. - 2003. - T. 48. - № 5. - С. 679-693.

151. Argenziano G. Seven-point checklist of dermoscopy revisited [Текст] / G. Argenziano [и др.] // Journal of the American Academy of Dermatology. - 2011. -T. 164. - № 7. - С. 785-790.

152. Menzies, S. W. An Atlas of Surface Microscopy of Pigmented Skin Lesions: Dermoscopy / S. W. Menzies [и др.]. - [2 изд.]. - Сидней, Австралия : McGraw-Hill Book Company, 2002. - 186 с. - ISBN 978-0074711026.

153. Kinnera, B. The Dermoscopy of Pigmented Basal Cell Carcinoma [Текст] /

B. Kinnera, V. N. Devi, V. V. Satyanarayana // Journal of Cutaneous and Aesthetic Surgery. - 2020. - T. 13. - № 4. - С. 365-367.

154. Rogers, T. Triage amalgamated dermoscopic algorithm (TADA) for skin cancer screening [Текст] / T. Rogers [и др.] // Dermatology Practical & Conceptual. -2017. - T. 7. - № 2. - С. 39-46.

155. Jaimes, N. Triage amalgamated dermoscopic algorithm [Текст] / N. Jaimes, A. A. Marghoob // Journal of the American Academy of Dermatology. - 2020. - T. 82. -№ 6. - С. 1551-1552.

156. Avril, M. F. Clinical diagnosis of Melanoma [Текст] / M. F. Avril, N. Cascinelli, M. Cristofolini // W.H.O. Melanoma Programme Publications. - 1994. -№ 3. - C 1-28.

Список рисунков

1. Примеры дерматоскопических изображения из сформированного набора данных.........................................................................................47

2. Распределение изображений в наборе данных по классам нозологии кожных новообразований............................................................................51

3. Распределение пациентов дерматовенерологического профиля по возрасту.. 52

4. Распределение количества снимков в расчете на одного пациента............. 53

5. Блок-схема методики скринингового обследования для ранней дифференциальной диагностики новообразований кожи на основе методов мобильной дерматоскопии...............................................................58

6. Дерматоскопические изображения, полученные посредством мобильного дерматоскопа................................................................................60

7. Оценка параметров обучения моделей классификации на этапе многоклассовой классификации.............................................................................. 63

8. Функциональная схема процедуры классификации модели виртуального трансформера SeyedAli/Melanoma-Classification....................................69

9. Оценка функции потерь при обучении и валидации модели SeyedAli/ Melanoma-Classification каскадной бинарной классификации................................. 71

10. Архитектура интеллектуальной системы скрининга кожных новообразований с использованием мобильной дерматоскопии....................................... 76

11. Блок-схема алгоритма практической реализации методики скринингового исследования с функционалом интеллектуальной системы....................... 77

12. Структура интеллектуальной системы поддержки принятия врачебных решений....................................................................................... 78

13. Архитектура серверной (облачной) компоненты интеллектуальной системы поддержки принятия врачебных решений............................................ 80

14. Стек используемых технологий при разработке интеллектуальной системы поддержки принятия врачебных решений............................................ 82

15. Интерфейс сервиса аутентификации пользователей интеллектуальной СППВР....................................................................................... 86

16. Пользовательский интерфейс интеллектуальной системы поддержки принятия врачебных решений........................................................................87

17. Создание анкеты пациента............................................................... 88

18. Загрузка дерматоскопического изображения........................................ 88

19. Интерфейс работы с пациентами....................................................... 89

20. Результат постановки диагноза модулем классификации изображений....... 90

21. Среднее время обработки одного изображения на видеоадаптере...............91

22. Среднее время обработки одного изображения на процессоре................... 91

23. Применение интеллектуальной системы поддержки принятия врачебных решений для диагностики новообразований кожи.................................111

А1 Стадии распространения меланомы кожи...........................................163

А2 Схема основных структур «модифицированного анализа узора».............. 171

Б1 Обезличенная анкета пациента.........................................................183

Б2 Бланк формы информированного согласия на участие в исследовании...... 184

В1 Результат проверки функций сбора, хранения изображений и метаданных

изображений................................................................................204

В2 Результат проверки функции разметки изображений, хранящихся в наборах

данных...................................................................................... 205

В3 Результат проверки функции добавления результатов гистологического анализа

в наборы данных...........................................................................205

В4 Результат проверки функций анализа в режиме реального времени.......... 206

В5 Результат проверки времени анализа одного изображения..................... 206

В6 Результат проверки точности получаемых результатов..........................207

В7 Результат проверки количества доступных диагнозов в системе разметки ... 208

Список таблиц

1. Результаты сравнительного анализа интеллектуальных систем диагностики новообразований кожи.....................................................................20

2. Распределение изображений в наборе данных для обучения и тестирования алгоритмами классификации.............................................................62

3. Точность обученных моделей при многоклассовой классификации кожных новообразований (меланом, невусов, карцином, кератозов, фибром, сосудистых поражений и плоскоклеточного рака)........................................................64

4. Распределение нозологий на первом этапе бинарной классификации...........65

5. Результаты оценки точности моделей первого этапа бинарной классификации (меланоцитарные, немеланоцитарные новообразования)..........................66

6. Результаты оценки точности моделей второго этапа бинарной классификации (меланома, невус)...........................................................................67

7. Распределение изображений по типам кожных новообразований в наборах данных дерматоскопических изображений..........................................100

8. Эффективность обучения моделей на базе визуальных трансформеров и классических сверточных нейронных сетей...................................... 108

9. Результаты сравнительного анализа систем поддержки принятия врачебных решений для диагностики кожных новообразований............................. 127

10. Эпидемиологические показатели заболеваемости и смертности от меланомы в разных странах мира......................................................................159

11. Статистика по раннему обнаружению онкологических заболеваний в Орловской области в 2023-2024 гг..................................................161

12. Выживаемость на различных стадиях диагностирования меланомы..........162

13. Стадии распространения меланомы кожи...........................................163

14. Точность постановки первичного диагноза неинвазивными методами.......179

15. Программа и методика выполнения проверок......................................188

16. Результаты испытаний...................................................................200

Приложение А.

Новообразования кожи и особенности их диагностирования

Деление клеток - процесс, за счет которого происходит обновление кожного покрова. Однако под воздействием неблагоприятных факторов он может нарушиться. В результате происходит утрата контроля над делением, ростом и гибелью клеток кожи, что приводит к развитию патологического процесса, который может проявляться в виде различных кожных заболеваний. Вместе с тем нарушение деления клеток кожи способствует развитию воспалительных процессов, образованию язв и эрозий, а в случае злокачественных изменений -метастазированию и распространению новообразования по организму [100].

Исходя из природы возникновения кожных новообразований наиболее частым случаем формирования опухолей, неоплазм или неоплазий кожи является разрастание меланоцитов верхних слоев кожи. Такие новообразования кожи называются меланоцитарными [101]. Меланоцитарные новообразования кожи -опухоли кожи, происходящие из меланоцитов (клеток, синтезирующих меланин), представляющие собой области бесконтрольного разрастания эпидермиса и дермы, сопровождающиеся увеличением числа клеток меланоцитов или их размерных характеристик [102].

Классификация меланоцитарных кожных новообразований учитывает как морфологические, так и клинические признаки. Меланоцитарные новообразования кожи включают доброкачественные (невусы) и злокачественные образования кожи (меланомы) [103, 104]:

1. Доброкачественные образования кожи, возникающие из меланоцитов -клеток, отвечающих за пигментацию кожи. Идентифицирующиеся в дерме или эпидермисе, эти образования, как правило, представляют собой невусы (родинки) и характеризуются однородным цветом, четкими границами и стабильностью размеров. Они могут иметь разные морфологические подтипы - конгенитальные, диспластические (атипичные) и другие.

В большинстве случаев доброкачественные невусы требуют лишь наблюдения, хотя диспластические невусы могут служить предвестниками злокачественного процесса и требуют повышенного внимания. К доброкачественным меланоцитарным новообразованиям кожи относятся: меланоцитарные невусы или родинки (врожденные, приобретенные невусы, меланоцитарные невусы, голубой невус или меланоцитома, невус Шпиц и гало-невус).

Помимо невусов к доброкачественным индифферентным (непатологическим) образованиям кожи относятся морфологические образования на поверхности или в толще кожи, которые не имеет признаков патологии, не представляют медицинского или онкологического риска и, как правило, являются анатомическим вариантом нормы, функциональной особенностью кожи или транзиторным (временным) состоянием. Индифферентные (непатологические) образования кожи не связаны с воспалительными, опухолевыми, инфекционными или аутоиммунными процессами и не требуют медицинского вмешательства. Индифферентные образования кожи включают: веснушки или эфелиды (генетически обусловленные пигментные пятна), милии (закупоренные сальные железы в виде белесых точек), фолликулярные кератозы (огрубевшие участки вокруг волосяных фолликулов), папилломы (проявление вируса папилломы человека), физиологические кожные складки и папулы, сальные железы Фордайса, кожные атрофии, гиперпигментации после травмы.

Доброкачественные новообразования развиваются постепенно, не проникают в окружающие ткани и редко перерождаются в рак, в то время как злокачественные новообразования характеризуются быстрым ростом, инвазивностью и способностью к метастазированию [105].

2. Злокачественные образования кожи. Злокачественные образования состоят из клеток, которые делятся намного быстрее здоровых, при этом строение и функции таких клеток в значительной степени отличаются от здоровых. Злокачественная опухоль образует первичный очаг, клетки которого способны проникать в соседние ткани, а также мигрировать с током крови и лимфы в другие

части организма. Такие мигрирующие клетки начинают активно делиться, формируя новые опухоли (метастазы): здоровые ткани разрушаются [106]. Злокачественным меланоцитарным новообразованием кожи является меланома: поверхностно распространяющаяся, узловая, акролентигинозная меланома и лентиго-меланома.

3. Неопределенные (индетерминантные) образования кожи. Кожные новообразования, клинические, дерматоскопические или гистологические характеристики, которых не позволяют с высокой степенью достоверности отнести их к определенному типу (доброкачественному или злокачественному) [107]. Такие образования требуют углубленной диагностики, наблюдения или удаления с последующим морфологическим анализом. Причинами формирования данного класса новообразований кожи являются [108, 109]:

- неоднозначная дерматоскопическая картина: нехарактерный пигментный рисунок, сочетание признаков меланомы и невуса, отсутствие специфических структур;

- атипичная клиническая картина: асимметричная форма, но без изъязвлений, нерезкие границы без роста, нестандартная локализация;

- результаты гистологии, не позволяющие провести окончательную дифференциацию (меланоцитарная опухоль неопределенного злокачественного потенциала).

По сведениям Московского НИИ онкологии им. П. А. Герцена, за последнее десятилетие фиксируется стабильное увеличение числа вновь выявленных случаев злокачественных опухолей [110]. Злокачественные новообразования остаются одной из основных причин смертности населения. Так, в 2013 году было выявлено 526 тыс. таких случаев, а в 2023 году - 674 тыс. (+28 %). К основным причинам формирования новообразований кожи относятся внутренние (эндогенные) и внешние (экзогенные) воздействия:

1) эндогенные - внутренние биологические и генетические особенности организма, предрасполагающие к нарушению пролиферации и дифференцировки меланоцитов. К эндогенным воздействиям относятся:

- наследственность (семейная предрасположенность к меланоме, диспластическим невусам (атипичным родинкам с измененной клеточной структурой) на фоне синдрома CDKN2K, ВАК1 и прочих);

- генетические мутации (нарушения в регуляции клеточного цикла, апоптоза, репарации ДНК и активности теломеразы, а также мутации в онкогенах и генах-супрессорах опухолей, таких как ВЯАБ, NRAS, С-К1Т, ТЕЯТ, GNAQ, GNA11 и др.);

- фототип кожи (светлая кожа, низкое содержание меланина, 1-11 фототип (по Фицпатрику) обусловливает повышенный риск мутаций при ультрафиолетовых (УФ) воздействиях);

- иммунный статус (иммуносупрессия (ВИЧ, состояния после трансплантации или приема иммуносупрессоров), снижающая иммунный контроль за мутирующими клетками);

- эндокринные заболевания и гормональные изменения (пубертат, беременность, гормональная и другие виды терапий, активирующие рост меланоцитов);

- возрастные изменения (риск развития меланомы кожи увеличивается с возрастом, особенно после 50 лет);

2) экзогенные - внешние воздействия на кожу, вызывающие мутации или способствующие активации меланоцитов, включая:

- УФ-излучение (повреждение ДНК меланоцитов, активация мутагенеза, провоцирование локального иммунодефицита);

- солярии (искусственные источники ультрафиолетового излучения типов УФ-А и УФ-В оказывают значительное влияние на ДНК меланоцитов в возрасте до 30 лет);

- механическая травматизация (травмы и повторяющиеся повреждения невусов индуцируют воспаление и нарушение репарации);

- влияние канцерогенов (контакт с канцерогенными веществами и токсинами также повышает риск развития новообразований).

Среди всех меланоцитарных новообразований кожи наиболее опасным является меланома (С43 по МКБ-10) ввиду бессимптомного течения и быстрого

прогрессирования, сопровождающегося метастазированием и частыми рецидивами, а также отличающейся слабой иммунной ответной реакцией организма [39]. Заболеваемость меланомой кожи неуклонно растет во всем мире с 1960 гг. и, вероятно, продолжит рост в будущем [111, 112]. При сохранении текущих темпов роста заболеваемости и смертности к 2040 году прогнозируется увеличение числа случаев заболевания на 50 % по сравнению с 2020 годом, а уровня смертности - на 68 % [113].

Показатели заболеваемости и смертности значительно различаются между странами, что обусловлено климатическими особенностями и уровнем жизни населения. Так, в большинстве стран Африки и Азии меланома встречается относительно редко: стандартизированный по возрасту показатель заболеваемости среди обоих полов, как правило, не превышает 1 случая на 100 тысяч человек. В 2020 г. самые высокие показатели наблюдались в Австралии и Новой Зеландии (табл. 10) [49].

Таблица 10 - Эпидемиологические показатели заболеваемости и смертности от меланомы в разных странах мира

Страна Стандартизиро- Стандартизиро- Кумулятивный Кумулятив-

ванная по воз- ванный по возрас- риск заболевае- ный риск

расту заболевае- ту коэффициент мости на 100 смертности

мость на 100 смертности на 100 тыс. населения на 100 тыс.

тыс. населения тыс. населения населения

Австралия 36,6 2,4 7,8 0,93

Канада 12,2 1,4 2,7 0,46

Нидерланды 27 2,3 4,8 0,65

Норвегия 26,4 3,2 5,5 0,98

Новая 31,6 4,7 7,4 1,5

Зеландия

Россия 5 1,6 0,96 0,35

США 16,6 1,1 3,6 0,32

Среди исследованных стран кумулятивный риск заболевания для обоих полов, то есть вероятность развития злокачественного новообразования у человека в течение жизни до 75 лет на 100 тысяч населения, оказался наибольшим в Австралии и наименьшим в Российской Федерации.

В 2020 году во всем мире было зарегистрировано около 57 тысяч случаев смерти от меланомы кожи, что соответствует примерно 0,6 % общей смертности от злокачественных новообразований. Стандартизированный по возрасту коэффициент смертности на 100 тыс. населения за 2020 г. был самым высоким в Новой Зеландии и Австралии. Среди стран Европы самый высокий коэффициент смертности наблюдался в Норвегии. Ряд исследований отмечает тенденцию к снижению смертности от меланомы в Австралии, США и европейских странах, что связывают с более ранней диагностикой заболевания и повышением эффективности современных методов его выявления и лечения [114, 115].

По данным Международного агентства по исследованию рака, в 2022 году во всем мире было зарегистрировано 1 566 255 случаев злокачественных новообразований кожи, включая немеланоцитарный рак и меланому, при этом показатель смертности составил 28 083 случая [116]. Следует отметить, что в Российской Федерации за период с 2013 по 2023 годы заболеваемость злокачественными новообразованиями кожи выросла примерно на 34 %, что указывает на выраженную отрицательную динамику. При это статистические данные свидетельствуют о неуклонном росте заболеваемости меланомой как в России, так и в мире. В Российской Федерации за период с 2001 по 2021 год распространенность меланомы на 100 тысяч населения увеличилась в 1,5 раза [117]. Согласно официальным данным Министерства здравоохранения Российской Федерации (Минздрав России), заболеваемость меланомой кожи в стране демонстрирует тенденцию к росту. В 2021 году отмечено увеличение числа случаев меланомы кожи на 11,5 % по сравнению с 2020 годом [118]. При этом в 2022 году в России было зарегистрировано 11 923 новых случаев меланомы, что составляет 14,8 % от всех злокачественных новообразований кожи.

Несмотря на то, что динамика успешного лечения первично выявленных случаев меланомы I степени положительная, показатели заболеваемости населения России в 2013-2023 годов показывают быстро прогрессирующую динамику среди других заболеваний кожи - рост на 34% [119]. Особенно тревожным является тот факт, что, несмотря на усилия по раннему выявлению, значительная часть случаев

диагностируется на поздних стадиях, что существенно ухудшает прогноз для пациентов. С 2018 по 2022 год одногодичная летальность пациентов со злокачественными новообразованиями снизилась с 22,2 % до 19,2 %. При этом доля пациентов, состоящих на учете 5 лет и более, увеличилась с 54,4 % до 58 %, а выявление злокачественных новообразований на 1-11 стадиях возросло с 56,4 % до 59,3 % [120]. Так, статистические данные по диагностированию злокачественных новообразований кожи пациентов в Орловской области за 2023-2024 гг. позволяет утверждать об устойчивой тенденции к совершенствованию средств ранней диагностики онкологических заболеваний (табл. 11).

Таблица 11 - Статистика по раннему обнаружению онкологических заболеваний в Орловской области в 2023-2024 гг.

Злокачественное 2023 г. 2024 г.

новообразование Орловская Российская Российская

область Федерация Федерация

Полости рта 73 65,1 70,15

Прямой кишки, ануса и анального канала 66,5 52,2 68,7

Молочной железы 32,8 24,4 25,8

Шейки матки 26,5 33,1 29,09

Щитовидной железы 9,4 7,8 5,48

Меланома кожи 29,4 18,7 30,11

Статистические данные по раннему обнаружению злокачественных новообразований кожи в Орловской области позволяют говорить об увеличении количества случаев ранней диагностики злокачественных новообразований: меланомы кожи - на 2,4 %, рака шейки матки - на 9,8 % и рака полости рта -на 3,3 %.

При этом выявление на ранней стадии таких злокачественных новообразований. как рак прямой кишки, молочной и поджелудочной желез. снизился. Совершенствование технологий раннего выявления и методов терапии позволяет уменьшить смертность от злокачественных кожных опухолей примерно на 21 %. Статистические данные по выживаемости пациентов в зависимости от стадии обнаружения меланомы представлены в таблице 12.

Таблица 12 - Выживаемость на различных стадиях диагностирования меланомы

Стадия меланомы 5-летняя выживаемость, % 10-летняя выживаемость, %

IA 97 95

IB 92 86

IIA 81 67

IIB 70 57

IIC 53 40

IIIA 78 68

IIIB 59 43

IIIC 40 24

IV 15-20 10-15

Высокие показатели выживаемости при раннем обнаружении меланомы обусловлены положительной динамикой лечения заболевания на ранних этапах и возможностью удаления злокачественных участком без метастазирования в другие ткани и органы. Следует учитывать, что некоторые формы злокачественных кожных новообразований демонстрируют высокую смертность, включая меланому и рак кожи, что связано с их длительным бессимптомным начальным периодом и быстрым развитием [121].

Меланома кожи - злокачественная опухоль нейроэктодермального происхождения, исходящая из меланоцитов (пигментных клеток) кожи [122]. Иногда при наличии отдаленных метастазов первичный очаг на коже выявить не удается в связи со спонтанной регрессией опухоли либо с ее удалением в ходе медицинской или косметологической процедуры без проведения морфологического анализа [123]. Такую болезнь следует называть метастазами меланомы без выявленного первичного очага. Процесс распространения (стадии) меланомы кожи представлен на рисунке 24 [124].

Стадии распространения меланомы кожи описываются согласно общепринятой системе стадий злокачественных новообразований TNM: T (Tumor) - распространенность первичной опухоли (толщина опухоли по Бреслоу), N (Nodus) - количество пораженных лимфатических узлов, M (Metastasis) - наличие отдаленных метастазов [125, 126]. Система TNM позволяет отразить глубину инвазии, поражение лимфатических узлов и наличие

отдаленных метастазов. Основные параметры включают толщину опухоли по Бреслоу, наличие изъязвления, степень поражения лимфатических узлов и наличие отдаленных метастазов. Описание каждой стадии меланомы кожи представлено в таблице 13 [127].

Рисунок А1 - Стадии распространения меланомы кожи

Таблица 13 - Стадии распространения меланомы кожи

Стадия распространения Размер опухоли (Т) Метастазы в лимфоузлах (К) Метастазы в др. органах (М)

0 (in situ) Только эпидермис Отсутствуют (N0) Отсутствуют (М0)

IA < 1,0 мм, без изъязвления Отсутствуют (N0) Отсутствуют (М0)

IB < 1,0 мм с изъязвлением или 1,01-2,0 мм без изъязвления Отсутствуют (N0) Отсутствуют (М0)

IIA 1,01-2,0 мм с изъязвлением или 2,014,0 мм без изъязвления Отсутствуют (N0) Отсутствуют (М0)

IIB 2,01-4,0 мм с изъязвлением или >4,0 мм без изъязвления Отсутствуют (N0) Отсутствуют (М0)

IIC >4,0 мм с изъязвлением Отсутствуют (N0) Отсутствуют (М0)

III(A-D) Любой размер Присутствуют (Ш-Ш) Отсутствуют (М0)

IV Любой размер Ш-Ш Присутствуют (М1)

На данный момент не существует единого этиологического фактора для возникновения и формирования меланомы. Одним из ключевых факторов риска развития спорадических (ненаследственных) форм кожной меланомы является воздействие на кожу ультрафиолетового излучения типа B (с длиной волны 290320 нм) и типа A (с длиной волны 320-400 нм). Степень чувствительности кожи к ультрафиолетовому излучению лежит в основе классификации на шесть фототипов: при этом 1-й и 2-й фототипы характеризуются наибольшей восприимчивостью к УФ-воздействию и, следовательно, более высоким риском солнечных ожогов, тогда как 5-й и 6-й фототипы - наименьшей [128].

Способность ультрафиолетового излучения вызывать и усиливать рост меланомы, то есть запускать механизмы канцерогенеза, была исследована как in vitro, так и in vivo на различных моделях животных [129]. УФ-излучение может способствовать меланомагенезу через различные пути [130]:

- мутации, характерные для УФ-облучения, в частности мутации, индуцированные ультрафиолетовым излучением типа B, встречаются в генах, участвующих в развитии меланомы;

- УФ-излучение инактивирует белок-супрессор опухолей p16INK4A, тем самым способствуя прогрессированию меланомы;

- УФ-излучение уменьшает экспрессию E- и P-кадгерина как на нормальных, так и на злокачественных меланоцитах, повышая передачу сигналов B-катенина.

Указанные особенности способствуют появлению злокачественного фенотипа у меланоцитов, а также нарушают клеточную адгезию, что, в свою очередь, позволяет клеткам меланомы отсоединяться от соседних кератиноцитов, тем самым способствуя инвазивному фенотипу.

Кроме того, наличие более 10 диспластических невусов или более 100 обычных приобретенных невусов, или рыжих волос совместно с I фототипом кожи, а также солнечных ожогов, вызванных интенсивным периодически повторяющимся воздействием солнечного ультрафиолета, являются факторами возникновения и развития меланомы [131-133]. Эпидемиологические исследования свидетельствуют, что наибольший риск развития меланомы,

связанный с воздействием ультрафиолетового излучения, наблюдается у людей, подвергавшихся нерегулярному воздействию солнца и получавших солнечные ожоги в детском возрасте. Также следует отметить следующие факторы риска: наличие гигантского или крупного врожденного невуса (площадью более 5 % площади поверхности тела), семейного анамнеза меланомы кожи, синдрома диспластических невусов, пигментной ксеродермы, врожденного или приобретенного иммунодефицита, а также прохождение PUVA-терапии при лечении псориаза и других хронических дерматозов [134].

Выделяют следующие распространенные клинические формы (типы) меланомы кожи: поверхностно распространяющаяся, узловая (нодульная), лентиго-меланома (лентиго злокачественная), акрально-лентигинозная и десмопластическая меланома [135, 136].

Поверхностно-распространяющаяся меланома (ПРМ) составляет примерно 70 % всех случаев меланомы кожи и в целом характеризуется сравнительно благоприятным прогнозом, что связано с наличием двух фаз ее развития [137]. Фаза «Радиального роста» характеризуется низкой способностью к метастазированию (соответствует II уровню инвазии по Кларку) и длиться на протяжении нескольких лет. На второй фазе меланома переходит в фазу вертикального роста, характеризующуюся инвазией клеток опухоли в ретикулярный и подкожно-жировой слои. Вторая фаза отличается высоким потенциалом метастазирования. Поверхностно распространяющаяся форма меланомы развивается на внешне неизмененной коже - de novo или на фоне пигментного невуса в виде небольшого плоского узелка темного, почти черного цвета, диметром 1-3 мм, с постепенным развитием уплотнения и изменением границ (поверхность становится неровной, очертания неправильными), которое легко травмируется и кровоточит [138].

Узловая (нодулярная) меланома составляет примерно 15 % всех диагностированных меланом и характеризуется первично вертикальным ростом. Узловая форма меланомы проявляется плотным узлом с неровной, бугристой поверхностью, размеры которого могут варьировать и со временем поверхность узла изъязвляется, начинает кровоточить и покрывается корками. Возникает на

месте родинки или другого новообразования, которого ранее не было, имеет тенденцию к более быстрому распространению в глубину и почти всегда считается инвазивной (глубокой) на момент постановки диагноза [39].

Злокачественная меланома Лентиго (лентиго-меланома) составляет примерно 10 % всех диагностированных меланом, имеет 2 фазы. Причем фаза радиального роста при этом типе опухоли может длиться гораздо дольше, чем при ПРМ (10 лет и более). Первая стадия не является инвазивной и соответствует злокачественному лентиго (облигатному предраку). Затем развивается инвазивный рост, при котором злокачественное лентиго трансформируется в лентиго-меланому, при этом скорость инвазии выражена слабее, чем у меланомы поверхностно-распространяющегося типа. Второй этап характеризуется вертикальным ростом опухоли вглубь дермы и подкожно-жировой клетчатки, что типично для лентиго-меланомы. При этом продолжительность роста может растягиваться на несколько лет, в отличие от более стремительного (в течение месяцев) прогрессирования меланомы поверхностно-распространяющегося типа. Прогноз при этой форме меланомы более благоприятный, чем при поверхностно распространяющейся.

Акральная-лентигинозная меланома (АЛМ), включая подногтевую меланому, составляет всего около 5 % всех диагностированных меланом, локализуется на дистальных участках конечностей - коже кистей и стоп, в области ногтевого ложа и проксимального околоногтевого валика. Отличается наличием двухфазного развития: фаза горизонтального роста (биологическое поведение лентиго-меланомы) и фаза вертикального инвазивного роста. Этот тип опухоли отличается более агрессивным характером течения, чаще и раньше метастазирует, кроме того, специфическая локализация затрудняет визуализацию опухоли, и в большинстве случаев она диагностируется на стадии инвазивного роста. Подногтевая меланома представляет собой редкий подтип АЛМ, поражающей ноготь большого пальца руки или ноги.

Десмопластическая меланома (ДМ) - редкий подтип меланомы кожи, при котором клетки меланомы окружены фиброзной тканью. ДМ чаще всего

развивается на участках, подверженных солнечному излучению. В большинстве случаев ДМ развивается на фоне меланомы типа злокачественного лентиго. Их часто трудно диагностировать, и поэтому на момент постановки диагноза они, как правило, достаточно инвазивны.

Кроме представленной классификации меланомы кожи отмечается наличие генетических мутаций, возникающих при меланоме:

1) BRAF - мутация BRAF является наиболее распространенным типом генетической мутации при кожной меланоме (примерно 50 % случаев).

2) NRAS - мутация NRAS встречается реже, чем мутация BRAF (примерно 20 % случаев).

3) KIT - мутация KIT наиболее распространенная мутация при меланоме слизистых оболочек (встречается при акральной меланоме).

4) GNAQ и GNA11 - мутации GNAQ и GNA11 являются наиболее распространенными мутациями при меланоме глаз.

Приведенный анализ причин появления и формирования меланом кожи, стадирования этапов распространения меланомы, классификация и отличительные особенности развития болезни позволили сформировать подходы к диагностированию и выявлению злокачественных меланоцитарных новообразований кожи (меланом) на различных этапах течения болезни.

Диагностика злокачественных меланоцитарных новообразований кожи (меланом) включает следующие методы обследования [137]:

1. Клинические методы: субъективные ощущения пациента и данные анамнеза, визуальный осмотр новообразования, физикальные методы.

2. Инструментальные методы: дерматоскопия или эпилюминесценция, термометрическая и термографическая диагностика, радиоизотопная (радиофосфорная) диагностика, рентгенологическая диагностика и эхография.

3. Морфологические методы: цитологическая диагностика и тотальная ножевая эксцизионная биопсия первичной опухоли.

Клинические методы обследования - комплекс медицинских процедур, направленных на оценку состояния здоровья пациента, выявление и анализ

различных заболеваний. В рамках диагностики меланомы кожи могут применяться следующие методы [139]:

1) Субъективные ощущения пациента и данные анамнеза включают в себя изучение динамики развития кожного новообразования, наследственности, наличия неприятных ощущений в области первичной опухоли (зуд или жжение), мокнутия или кровоточивости новообразования, а также фактора воздействия (механических, термических или химических) на кожное новообразование.

2) Визуальный осмотр новообразования является основным неинвазивным методом первичной диагностики и включает: измерение линейных размеров опухоли в трех проекциях с точностью до 1 мм, определение ее макроскопической формы (пятно, плоская бляшка, узел на тонком или широком основании, язвенная форма), оценку цвета и равномерности окраски с учетом участков депигментации, а также анализ характера краев опухоли на границе со здоровой кожей.

К основным признакам наличия меланомы кожи при визуальном осмотре относятся:

- исчезновение кожного рисунка на поверхности невуса;

- появление блестящей, глянцевой поверхности невуса;

- появление асимметрии или неправильности очертаний (фестончатости) краев невуса, т. е. изменение его формы;

- горизонтальный рост невуса;

- появление субъективного чувства зуда или жжения в области невуса;

- шелушение поверхности невуса с образованием сухих «корочек»;

- отсутствие или выпадение волосяного покрова на поверхности невуса;

- частичное (неравномерное) или полное изменение окраски невуса-меланомы - появление участков так называемой связанной депигментации;

- появление мелких узелков на поверхности невуса-меланомы;

- вертикальный рост невуса-меланомы над окружающими тканями;

- изменение консистенции невуса-меланомы, определяемое пальпаторно (его размягчение);

- изъязвление эпидермиса над невусом-меланомой;

- явление воспаления в области невуса-меланомы и в окружающих его тканях;

- мокнутие поверхности невуса-меланомы;

- кровоточивость невуса-меланомы;

- возникновение дочерних пигментированных или розовых образований (сателлитов) в коже вокруг невуса-меланомы.

3) В качестве физикальных методов, используемых в процессе диагностики меланомы, осуществляется пальпация на предмет определения ее консистенции, наличия или отсутствия опухолевой инфильтрации в подлежащих тканях, смещаемость опухоли относительно подкожной клетчатки и мышц. Пальпация мягких тканей вокруг опухоли в области предполагаемого лимфооттока к регионарным лимфатическим узлам позволяет обнаружить так называемые транзитные метастазы, располагающиеся в коже и (или) подкожной клетчатке.

Инструментальные методы исследования - группа методов с использованием специализированного оборудования для диагностики и оценки состояния организма или исследуемого объекта. В процессе диагностики новообразований используются следующие методы [140]:

1) Дерматоскопия (эпилюминесценция или эпилюминесцентная микроскопия) является методом неинвазивного исследования кожи с использованием дерматоскопа, позволяющим детально изучать структуру и окраску кожных образований. Дерматоскопия представляет собой поверхностную микроскопию для диагностики ранних форм первичных меланом кожи. Принцип метода состоит в просвечивании эпидермиса под 10-40-кратным увеличением. Использование дерматоскопа позволяет выявить признаки злокачественности (асимметрия, неровные границы, разноцветность).

Неинвазивные методы диагностики меланомы (визуальный осмотр и дерматоскопия) позволяют осуществить анализ новообразования и сформировать первичный диагноз. Для формирования первичного диагноза применяются следующие подходы: правило ABCD(E), алгоритм CASH, 7-точечный список (шкала) Макки, 7-точеное правило Ардженциано, метод Мензиса и метод TADA.

Правило ABCDE (Asymmetry, Border, Color, Diameter, Evolving) представляет собой мнемоническое правило, предназначенное для дифференциации подозрительных пигментных образований кожи от доброкачественных невусов. В процессе анализа новообразований используют критерии [141-143]:

- A (Asymmetry, асимметрия). Поверхностно распространяющаяся меланома кожи имеет вид пигментного пятна, характеризующегося асимметрией: если провести через образование воображаемую линию, одна его половина по форме не будет соответствовать другой. Злокачественные образования зачастую являются асимметричными;

- B (Border, границы). Границы меланомы кожи имеют неравномерный характер: они могут быть неровными, нечеткими, иметь «географические» очертания. У доброкачественных невусов границы гладкие, четкие;

- C (Color, цвет). Для поверхностно распространяющейся меланомы кожи характерна полихромия (наличие нескольких цветов в одном образовании). Разноцветие типично для меланом;

- D (Diameter, диаметр). Размеры поверхностно распространяющейся меланомы кожи чаще всего превышают 6 мм;

- E (Evolving, изменение или эволюция). Изменение состояния новообразования во времени (динамика роста, формы, цвета, зуда, кровоточивости).

Стоит отметить, что правило ABCDE неприменимо для меланомы малых размеров (менее 6 мм), а также для узловой меланомы, поскольку формирующийся узел на первых порах может быть симметричным, с ровными границами, гомогенного черного или сине-черного цвета, при этом диаметр может быть любым. Критерий изменение (эволюция) образования является актуальным в связи с тем, что отмечается рост узелка с течением времени, иногда появляется чувство боли или жжения в области опухоли.

Более редкие клинические формы меланомы (меланома по типу злокачественного лентиго, акрально-лентигинозная меланома, подногтевая меланома, беспигментная форма опухоли и др.) могут вызывать затруднения в

клинической диагностике, в связи с чем рекомендованы дополнительные неинвазивные методы диагностики (дерматоскопия) [144]. В качестве развития неинвазивных методов в работе [145] предложен подход «модифицированного анализа узора», содержащий расширенное описание линий и узоров, отличающих новообразования друг от друга. Данный подход представляет собой систему анализа, применимую для оценки злокачественных новообразований (рис. А1).

Линии Псевдоподии Круги Комки Точки

Рисунок А2 - Схема основных структур «модифицированного анализа узора»

В разработанном подходе выделяют следующие классы структур:

- линии: A - ретикулярная, B - разветвленная, C - радиальная, D -параллельная, E - изогнутая (структура, состоящая из ряда одинаково изогнутых линий, располагающихся в форме параллелепипеда, длина которого значительно превышает ширину);

- псевдоподия - линия с выпуклым (грушевидным) окончанием;

- круг - изогнутая линия, все пункты на которой равноудалены от центра (Strawberry pattern - образец в форме клубники);

- комок - хорошо ограниченная область больше точки и с различными очертаниями;

- точка - маленькая круглая точка (слишком маленькая, чтобы принять любую другую форму);

- бесструктурная область - область без каких-либо доминирующих основных элементов.

В представленной работе описанные области применяются для обучения алгоритмов классификации методов машинного обучения и малоэффективны для применения визуального анализа врачом онкологом/дерматологом.

Помимо правила ABCDE в процессе диагностирования злокачественных новообразований кожи может применяться алгоритм CASH (Color, Architecture, Symmetry, Homogeneity). Алгоритм CASH - дерматоскопический алгоритм, предназначенный для оценки кожных пигментных образований, в первую очередь с целью дифференциации между доброкачественными и злокачественными (меланомами). Алгоритм CASH основан на полуструктурированном подходе, который сочетает субъективную экспертную оценку и количественную шкалу. Каждый из четырех компонентов оценивается по балльной системе, и общее количество баллов служит основой для предварительного заключения о характере новообразования [146, 147]:

- С (color, цвет). Количество различных цветов (до 6): светло-коричневый, темно-коричневый, черный, красный, белый, синий/серый. Назначаемые баллы от 0 до 6;

- A (architecture, строение, архитектура). Упорядоченность или хаотичность структур (сеток, точек, глобул, полосок, вуали и пр.). Баллы: 0 (упорядоченная структура), 1 (смешанная структура) и 2 (хаотичная структура);

- S (symmetry, симметрия). Наличие симметрии по двум осям (форма + распределение структур). Баллы: 0 (двойная), 1 (одинарная) и 2 (асимметричная);

- H (homogeneity, однородность). Равномерность распределения цвета и дерматоскопических структур. Баллы: 0 (однородная), 1 (частично однородная) и 2 (неоднородная).

Для определения типа новообразования используется следующая балльная оценка: 0-5 баллов - доброкачественное образование (невус), 6-7 - пограничное

образование (требуется наблюдение или биопсия) и >8 подозрение на меланому (требуется иссечение).

Алгоритм CASH прост в применении, особенно для дерматологов с опытом в дерматоскопии, позволяет количественно оценить риск, в отличие от исключительно визуальных правил ABCDE, и используется как в диагностике меланом, так и при других пигментных опухолях. При этом не способен заменить гистологическую верификацию, ограниченно применим у пациентов с темной кожей, у амеланотичных или гипопигментированных образований и зависим от качества дерматоскопии и опыта врача.

Семиточечный список (шкала) Макки - один из наиболее валидированных алгоритмов клинической и дерматоскопической диагностики меланомы кожи, использующийся для оценки подозрительных пигментных образований, включая меланомы на ранней стадии, за счет анализа клинических и микроскопических признаков [148, 149].

Метод семиточечного списка (шкалы) Макки включает семь признаков, разделенных на 2 группы:

1. 3 основных признака: указывают на более высокий риск меланомы, каждый оценивается в 2 балла:

- асимметрия - наличие выраженной асимметрии в одной или нескольких плоскостях (по форме, цвету или распределению структур);

- атипичная сеть - неровная, неравномерная сеть с нерегулярными ячейками и окраской (указывает на меланому, особенно поверхностно распространяющуюся);

- голубовато-белая вуаль - участки синеватого цвета с беловатым покрытием, являются признаком инвазии в дерму и гиперкератоза (специфично для меланом).

2. 4 второстепенных признака: менее специфичные, оцениваются по 1 баллу:

- множественные цветовые оттенки - наличие более 2-х оттенков (коричневый, черный, красный, синий, серый и др.) указывает на морфологическую нестабильность и разнообразие популяций клеток;

- неровные края - изъеденные, зубчатые, нечеткие границы (типично для злокачественного роста и инфильтрации тканей);

- дерматоскопические структуры, не соответствующие невусам - наличие участков без упорядоченной структуры или с признаками регрессии (белые шрамы, синеватые пятна) указывает на разрушение пигментного эпителия или воспаление;

- диаметр >7 мм - измеренный по дерматоскопии или клинически (наиболее частый признак у инвазивных меланом).