Неинвазивная диагностика предраковых и раковых поражений кожи с использованием мультимодальной оптической спектроскопии и машинного обучения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Куприянов Валентин Владиславович

• Куприянов Валентин Владиславович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Куприянов Валентин Владиславович

Введение

1 Обзор литературы

1.1 Клинические методы диагностики рака кожи

1.1.1 Состав и структура

1.1.2 Общая информация о типах рака кожи и предраковых состояний

1.1.2.1 Базально клеточная карцинома

1.1.2.2 Плоскоклеточная карцинома кожи

1.1.2.3 Актинический кератоз

1.1.3 Стандартная клиническая процедура диагностики немеланомного рака кожи

1.2 Оптическая биопсия кожи

1.2.1 Изменения оптических параметров кожи вследствие канцерогенеза

1.2.2 Исследования, включавшие одну модальность

1.2.2.1 Исследования, в которых использовались методы спектроскопии

1.2.2.2 Исследования, в которых использовались методы визуализации

1.2.3 Исследования, в которых использовались мультимодальные методы

1.3 Предварительная обработка спектроскопических данных

1.3.1 Удаление шума

1.3.2 Удаление выбросов из данных

1.3.3 Нормировка и масштабирование

1.3.4 Снижение размерности

1.3.4.1 Методы отбора признаков

1.3.4.2 Методы извлечения признаков

1.4 Обработка данных

1.4.1 Классификация

1.4.2 Регрессия

1.4.3 Кластеризация

1.5 Слияние данных

1.6 Количественная оценка производительности алгоритмов анализа данных

1.7 Тренировка и валидация моделей

1.8 Заключение к главе

2 Экспериментальные методы и методы обработки результатов

2.1 Экспериментальные методы

2.1.1 Параметры прибора, использованного в доклиническом исследовании

2.1.2 Параметры прибора, использованного в клиническом исследовании

2.2 Конвейер обработки и анализа мультимодальных спектроскопических данных

2.2.1 Фильтрация и коррекция исходных спектров

2.2.2 Обнаружение выбросов в данных

2.2.3. Нормировка спектров

2.2.4 Снижение размерности

2.2.5 Классификация

2.2.6 Слияние данных

2.3 Определение наиболее информативных диапазонов длин волн

2.4 Заключение к главе

3 Доклиническое исследование кожи мышей с потенциально предраковыми и доброкачественными поражениями

3.1 Описание экспериментального набора данных

3.2 Результаты оптимизации конвейера обработки и анализа данных

3.3 Результаты классификации различных групп мультимодальных данных

3.4 Результаты применения методов слияния решений

3.5 Определение наиболее информативных диапазонов длин волн на данных доклинического исследования

3.6 Заключение к главе

4 Клиническое исследование кожи людей с немеланомным раком кожи и актиническим кератозом

4.1 Различия между клиническим доклиническим исследованиями

4.2 Описание экспериментальной части клинического исследования

4.3 Результаты оптимизации конвейера обработки и анализа данных

4.4 Результаты классификации в бинарном режиме

4.5 Результаты мультикассовой классификации

4.6 Определение наиболее информативных диапазонов длин волн на данных

доклинического исследования

4.7 Оценка полученных результатов по отношению к результатам

доклинического исследования

4.8 Заключение к главе

5 Учёт клинических параметров и оценка их влияния на эффективность диагностики немеланомного рака кожи людей

5.1 Алгоритм оценки разделимости спектров НМРК и здоровой кожи

5.2 Результаты оценки влияния клинических параметров на эффективность

диагностики немеланомного рака кожи

5.3 Заключение к главе

Заключение

Список сокращений

Список использованных источников и литературы

Введение диссертации (часть автореферата) на тему «Неинвазивная диагностика предраковых и раковых поражений кожи с использованием мультимодальной оптической спектроскопии и машинного обучения»

Введение

Актуальность темы исследования и степень её разработанности

В 2022 году Немеланомный Рак Кожи (НМРК) стал пятым по распространенности типом рака в мире [1]. Базально-клеточная карцинома (Basal cell carcinoma - BCC) и плоскоклеточная карцинома (Squamous cell carcinoma -SCC) являются наиболее распространенными типами НМРК, составляя 70 % и 25 % случаев соответственно. Метастазы встречаются только в 1 из 14 000 000 случаев для BCC и менее чем в 10 % для SCC [2], что приводит к показателю пятилетней выживаемости равному 90%. Стандартизованный по возрасту уровень заболеваемости НМРК вырос с 54,08/100 000 в 1990 году до 79,10/100 000 в 2019 году (+1,78 % в год), а количество зарегистрированных случаев увеличивается с каждым годом [3, 4, 5],что делает задачу своевременной и корректной диагностики НМРК одной из значимых задач медицины.

Стандартная процедура диагностики подозрительных поражений кожи включает в себя хирургическую биопсию и гистологический анализ удаленных образцов тканей [6, 7]. К недостаткам данной процедуры относятся её инвазивность, общая длительность, стоимость для системы здравоохранения, невозможность точно оценить границы новообразования, а также низкая диагностическая точность, поскольку только 20% биопсий выявляют рак кожи, в то время как две трети карцином не диагностируются. При этом, важно отметить, что согласно исследованию [8], соотношение числа биопсий к количеству обращений увеличилось с 1,1 в 1993 году до 2,1 в 2016 году. Все вышеперечисленные факторы влекут за собой значительное медико-экономическое бремя и обуславливают необходимость разработки новых неинвазивных методик диагностики НМРК.

Использование оптических методов (также называемых оптической биопсией) для исследования кожи позволяет получить диагностическую информацию в течение нескольких минут (по сравнению с несколькими днями для гистопатологии) в режиме in vivo [6, 9, 10]. Особенность методов оптической

биопсии заключается в их чувствительности к изменениям оптических свойств кожи на тканевом, клеточном и субклеточном уровнях, которые напрямую связаны с патологическими морфологическими и метаболическими изменениями при канцерогенезе. Данные аспекты делают методы оптической биопсии перспективным вспомогательным средством диагностики в режиме реального времени для клинической практики.

За последние три десятилетия было проведено множество исследований по тематике использования методов оптической биопсии для диагностики рака кожи человека in vivo [9, 11, 12], среди которых можно выделить такие методы как: (i) спектроскопия диффузного отражения (Diffuse Reflectance Spectroscopy - DRS) [13, 14, 15], спектроскопия автофлуоресценции (ii) (Autofluorescence Spectroscopy - AFS) [16, 17, 18] и микроскопия по времени жизни флуоресценции (Fluorescence Lifetime Imaging Microscopy - FLIM) [19], (iii) Рамановская спектроскопия (Raman spectroscopy - RS) [20, 21, 22, 23, 24], (iv) гиперспектральная визуализация (Hyper-Spectral Imaging - HSI) [25, 26, 27], (v) конфокальная микроскопия (Reflectance Confocal Microscopy - RCM) [28] и оптическая когерентная томография (Optical Coherence Tomography - OCT) [29, 30, 31]. Однако ни один из представленных методов не позволяет получить информацию об изменениях всех оптических свойств кожи. Частично эту проблему можно решить с помощью мультимодальных методов, которые предполагают одновременное использование нескольких экспериментальных методов в одном исследовании [32, 33]. Наиболее распространённой комбинацией методов, объединяемых в общий мультимодальный метод, являются в DRS и AFS с одним и несколькими длинами волн возбуждения [34, 35, 36]. Также, существуют исследования, в которых данные методы комбинируются с RS [33, 37, 38].

Важным аспектом при разработке методик диагностики НМРК на основе оптических методов является корректный выбор методов обработки и анализа оптических данных, так как в своей исходной форме получаемые данные часто сильно зашумлены и нестабильны, вследствие сложной структуры кожи и помех, генерируемых компонентами экспериментального прибора. Неоптимальный

выбор методов может привести к значительному снижению диагностического потенциала разрабатываемой методики, что является недопустимым в медицинских задачах.

Все перечисленные трудности, обуславливают цель и задачи настоящей диссертационной работы:

Цель и задачи

Целью диссертационной работы является разработка и апробация методики in vivo дифференциальной диагностики немеланомного рака кожи, актинического кератоза и здоровой кожи на основе интеллектуального анализа мультимодального набора спектральных данных с использованием методов машинного обучения и слияния данных.

В диссертационной работе решаются следующие задачи:

1. Разработка методики обработки и классификации мультимодальных спектроскопических данных, включая использование методов машинного обучения, на спектрах, полученных в доклиническом исследовании на коже мышей с доброкачественными и потенциально предраковыми поражениями.

2. Оптимизация и оценка эффективности разработанной методики обработки мультимодальных спектроскопических данных на данных, полученных в клиническом исследовании на коже людей с немеланомным раком кожи и актиническим кератозом.

3. Определение возможных путей совершенствования методики обработки и классификации спектров, которые могут быть использованы на следующих этапах соответствующего клинического исследования.

Объекты исследования

Объектом исследования данной диссертационной работы являлись мультимодальные спектроскопические данные, измеренные на кожных покровах лабораторных мышей с доброкачественными и потенциально предраковыми поражениями кожи, а также кожных покровах пациентов с немеланомным раком кожи и актиническим кератозом.

Доклиническое исследование на мышах было одобрено Французским этическим комитетом по экспериментам на животных.

Клиническое исследование на людях было проведено пластическим хирургом из региональной больницы Метц-Тионвиль (Франция) и одобрено Национальным агентством по лекарственным средствам Франции (ANSM) и этическим комитетом (CPP Est III).

Научная новизна

Впервые предложена предиктивная модель диагностики потенциально предраковых и доброкачественных состояний кожи мышей, основанная на использовании комбинации бимодального спектроскопического прибора, методов машинного обучения и слияния предсказаний.

Впервые получен набор предиктивных моделей для попарной дифференциации немеланомного рака кожи, актинического кератоза и здоровой кожи людей, основанный на использовании комбинации бимодального спектроскопического прибора, методов машинного обучения и слияния предсказаний.

Критерий близости кривых впервые модифицирован и использован для определения уникальных наборов клинических параметров, для которых дифференциация спектров НМРК и здоровой кожи у пациентов происходит эффективнее всего, а также соответствующих модальностей.

Научная и практическая ценность

Разработанный конвейер обработки и анализа мультимодальных спектроскопических данных может быть использован в других исследованиях по схожей тематике.

Полученный набор предиктивных моделей для попарной дифференциации НМРК, актинического кератоза и здоровой кожи, может быть положен в основу новых диагностических методик данного заболевания.

Полученная информация о наборах клинических параметров, для которых диагностика НМРК с использованием бимодального спектроскопического прибора SpectroLive проводится наиболее эффективно, может быть использована

при планировании новых клинических испытаний прибора SpectroLive, а также независимых клинических исследований в области диагностики онкологических патологий кожи.

Полученная информация о соответствии между эффективностью дифференциации спектров НМРК и здоровой кожи и модальностью, для которой были получены анализируемые спектры, может быть использована при создании новых средств диагностики НМРК.

Методология и методы исследования

Обработка и анализ исследуемых в работе спектров осуществлялись с применением методов обработки и анализа данных, включая методы машинного обучения, а также методов слияния данных.

Основные положения, выносимые на защиту

1. Разработанная методика диагностики потенциально предраковых состояний кожи мышей, основанная на регистрации спектров автофлуоресценции с семью длинами волн возбуждения (360, 368, 390, 400, 410, 420 и 430 нм) и спектров диффузного отражения с диапазоном источника излучения 340-784 нм, фильтрации шумов в спектрах при помощи медианного фильтра с шириной окна 5 и фильтра Савицкого-Голея с шириной окна 41 и степенью полинома 3, нормировки полученных спектров на максимальную интенсивность, извлечении признаков при помощи метода главных компонент с линейным ядром и числом главных компонент равным 25, классификации методом опорных векторов с ядром радиально-базисной функции (у = 0.04) и слиянии данных методов взвешенного голосования с предварительной оптимизацией весов позволила получить точность диагностики равную 94.3±1.8% в мультиклассовом режиме на использованной экспериментальной выборке.

2. Разработанная и оптимизированная методика диагностики немеланомного рака кожи и актинического кератоза, основанная на регистрации спектров диффузного отражения с диапазоном источника излучения 340-785нм автофлуоресценции с пятью длинами волн возбуждения (365, 385, 395, 400 и 415нм), фильтрации шумов в спектрах при помощи медианного фильтра с

шириной окна 3 и сглаживания при помощи фильтра Савицкого-Голея с шириной окна 81 и степенью полинома 3, фильтрации выбросов на основе коэффициентов вариации, нормировке спектров на соотношение между усреднёнными спектрами здоровой кожи, зарегистрированными вокруг области новообразования, и общим усреднённым спектром здоровой кожи без учёта его локализации, использования первых 20 главных компонент и классификации методом опорных векторов с ядром радиально-базисной функции (у = 0.05) и слиянии предсказаний методом взвешенного голосования с предварительной оптимизацией весов, позволила получить точность диагностики в 81.2 ± 1.3% для немеланомного рака кожи в 80.0±2.4% для актинического кератоза.

3. Для спектров автофлуоресценции с длинами волн возбуждения до 390нм, наиболее информативным спектральным диапазоном для диагностики потенциально предраковых и доброкачественных поражений кожи мышей, а также НМРК людей, является область общего пика флуоресценции коллагена и эластина, находящегося в диапазоне от 430 до 550 нм, в то время как для спектров автофлуоресценции с длинами волн возбуждения свыше 390нм, влияние на точность классификации оказывают также пики флуоресценции флавинов (диапазон испускания - от 520 до 550нм) и порфиринов (диапазон испускания -от 635 до 690нм).

4. Для спектров диффузного отражения кожи людей с НМРК и кожи мышей с доброкачественными и потенциально предраковыми поражениям, наиболее информативными областями спектров для диагностики являются диапазон от 390нм до 450нм, содержащий пики поглощения коллагена и эластина, а также диапазон от 450нм до 530нм, содержащий пики поглощения гемоглобина.

5. Комбинация модифицированного критерия близости кривых и коэффициентов вариации позволяет определить для каждой комбинации клинических параметров соответствующие каналы данных, для которых различия в спектрах немеланомного рака кожи и здоровой кожи являются наиболее значимыми.

Личный вклад автора диссертации

Автор лично участвовал в обработке полученных данных, анализе и обсуждении полученных результатов, в написании научных статей по теме диссертации и апробации результатов исследований на международных и национальных конференциях. Определение основного направления диссертационной работы, формулировка темы, постановка задач, обсуждение результатов, обсуждение текста диссертационной работы, ее основных положений и выводов, осуществлялась совместно с научным руководителем диссертационной работы: заведующим лабораторией лазерного молекулярного имиджинга и машинного обучения Томского Государственного Университета, профессором Юрием Владимировичем Кистеневым.

Конкурсная поддержка диссертации

Результаты исследования получены в том числе при выполнении следующих научных проектов:

- Проект № 075-15-2024-557 «Развитие фундаментальных основ новых технологий обеспечения безопасности жизнедеятельности на основе интеграции мультимодальной радиоволновой и оптической дистанционной сенсорики, и искусственного интеллекта», выполненный при поддержке Минобрнауки России (2024-2027 гг., руководитель - Ю. М. Михайлов, в числе соисполнителей - В. В. Куприянов).

- Проект № 075-15-2021-615 «Разработка методов скрининговой неинвазивной диагностики вирусных и бактериальных респираторных инфекций с использованием лазерной спектроскопии, и методов искусственного интеллекта» (2021-2023 гг., руководитель - Ю.В. Кистенев, в числе соисполнителей - В.В. Куприянов);

- проект № НУ 2.4.3.22 ЛМУ «Развитие научно-технологических основ медицинской экспресс-диагностики с использованием методов молекулярного имиджинга, внешних физических факторов и машинного обучения» (2022-2023 г., руководитель - В.В. Тучин, в числе соисполнителей - В.В. Куприянов);

- Проект PIA «Lorraine Université d'Excellence» (ANR-15-IDEX-04-LUE) Национального исследовательского агентства Франции (ANR);

- Проект Spec-LCOCT, финансируемый ANR (ANR-21-CE19-0056);

- Проект создания платформы PhotoVivo, являющейся частью сети France Life Imaging (FLI) и финансируемой Contrat de Plan Etat-Région Grand Est 20152020 (CPER IT2MP: Innovations Technologiques, Modélisation et Médecine Personnalisée);

Структура и объем диссертации

Диссертация состоит из введения, пяти глав, заключения, списка сокращений, списка использованных источников и литературы. Работа изложена на 165 страницах. Диссертация содержит 34 рисунка, 24 таблицы, список литературы состоит из 228 наименований, включая публикации автора по теме диссертации.

Краткое содержание работы

Во введении описана общая характеристика работы, описана актуальность темы исследования, которая подкреплена литературным обзором; представлены цели и задачи настоящей работы; описаны объекты исследования, сформулированы защищаемые положения, приведена структура и краткое содержание диссертации.

В первой главе представлено описание структуры, основных функций и характеристик кожи. Рассмотрены наиболее распространённые типы немеланомного рака кожи и предраковых новообразований. Описана существующая клиническая процедура диагностики немеланомного рака кожи и предраковых новообразований, её преимущества и недостатки. Приведён обзор литературы по использованию методов спектроскопии и методов визуализации для неинвазивной диагностики немеланомного рака кожи. Рассмотрены основные алгоритмы предварительной обработки данных, классификации, регрессии и слияния данных, которые применяются для построения предиктивных моделей в медицинской диагностике.

Во второй главе представлено обоснование выбора экспериментальных методов исследования кожи. Определен перечень методов конвейера обработки и анализа полученных мультимодальных спектроскопических данных, включающий также методы классификации и слияния данных.

В третьей главе представлены результаты применения описанного ранее конвейера обработки и анализа мультимодальных спектроскопических данных для спектров, полученных в доклиническом исследовании кожи мышей с доброкачественными и потенциально предраковыми поражениями. Описана разработанная предиктивная модель диагностики потенциально предраковых новообразований (атипическая гиперплазия и дисплазия) и одного доброкачественного состояния (компенсаторная гиперплазия). Определены наиболее информативные диапазоны длин волн для использованных в исследовании модальностей.

В четвертой главе представлены результаты оптимизации и применения разработанного конвейера обработки и анализа мультимодальных спектроскопических данных для спектров, полученных в рамках клинического исследования кожи людей. Описан разработанный набор предиктивных моделей для попарной дифференциации немеланомного рака кожи (базальноклеточной и плоскоклеточной карцином) или предраковых поражений (актинический кератоз) и здоровой кожи. Определены наиболее информативные диапазоны длин волн для использованных в исследовании модальностей.

В пятой главе представлены результаты учёта влияния клинических параметров, включающих возраст и пол пациентов, фототип их кожи и анатомическую область расположения поражения кожи, на эффективность диагностики немеланомного рака кожи людей.

В заключении описаны основные результаты и сформулированы выводы работы.

Степень достоверности полученных результатов

Достоверность полученных результатов диссертационной работы подтверждается воспроизводимостью экспериментальных данных,

использованием апробированных моделей и методов измерений, согласованностью с результатами независимых исследований другими авторами.

Апробация результатов исследования

Основные положения диссертации докладывались и обсуждались на следующих международных конференциях:

• 16th International conference on Laser Applications in Life Sciences (Нанси, Франция, 1-2 апреля 2022) - 1 доклад;

• Saratov Fall Meeting SFM22, 10th International Symposium Optics and Biophotonics (Саратов, 26-30 сентября 2022) - 1 доклад;

• SPIE Photonics West 2023 (Сан-Франциско, США, 28 января - 2 февраля 2023) - 3 доклада;

• 2nd Spring Biophotonics Conference in Porto (Порту, Португалия, 15-18 июня 2023) - 1 доклад;

• Saratov Fall Meeting SFM23, 11th International Symposium Optics and Biophotonics (Саратов, 27-28 сентября 2023) - 1 доклад;

• 17th International conference on Laser Applications in Life Sciences (Мугла, Турция ,15-17 октября 2023) - 1 доклад;

• SPIE Photonics Europe 2024 (Страсбург, Франция, 7-11 апреля 2024) - 3 доклада;

• Все грани математики и механики (Томск, Россия, 20-23 мая 2025) - 1 доклад.

1 Обзор литературы

Оптические методы могут быть хорошей альтернативой биопсии кожи, поскольку они могут применяться неинвазивно и обладают высокой чувствительностью к изменениям свойств и структуры кожи вследствие канцерогенеза. Однако, оптические данные часто сложны для анализа, что обуславливает необходимость применения методов обработки данных, включая методы машинного обучения.

В первой главе настоящей диссертации будут рассмотрены свойства и структура различных слоев кожи, основная информация о карциномах кожи и актиническом кератозе, описание основных этапов процедуры диагностики рака кожи, используемой в клинической практике, и обзор использования оптических методов для диагностики немеланомного рака кожи, включая мультимодальные методы.

Также в этой главе будут рассмотрены основные этапы обработки спектроскопических данных и основные методы, которые могут быть использованы на каждом из этих этапов, включая так называемые подходы слияния данных, которые позволяют более эффективно агрегировать результаты, полученные в мультимодальных исследованиях. Кроме того, после описания процесса обработки данных необходимо определить основные метрики точности, которые могут быть использованы для оценки эффективности их анализа.

1.1 Клинические методы диагностики рака кожи 1.1.1 Состав и структура

Кожа человека представляет собой сложную гетерогенную структуру, которая состоит из трех основных слоев: эпидермиса, дермы и жировой ткани [39, 40]. Общая структура расположения слоев кожи человека приведена на рисунке

1.1. Состав и основные функции каждого слоя более подробно описаны в следующих разделах.

pores

oil gland nerve

blood vessels

hair follicle

Рисунок 1.1 - Общая структура расположения слоев кожи человека [40, 41]

Эпидермис - это наружный слой кожи толщиной от десяти до сотен микрометров, основной функцией которого является барьерная [43, 44]. Основным наружным слоем эпидермиса, отвечающим за барьерную функцию, является роговой слой, состоящий в основном из кератина корнеоцитов, которые представляют собой мертвые кератиноциты - основные клетки эпидермиса кожи, образующиеся в нижних слоях эпидермиса. Толщина рогового слоя в среднем составляет около 20 микрометров, что эквивалентно примерно 20-30 слоям уплощенных мертвых клеток, однако, в зависимости от механического воздействия на соответствующий участок тела, толщина рогового слоя может варьироваться от 10 до 40 мкм [42, 43]. Следующий слой эпидермиса называется Stratum lucidum. Он гораздо тоньше, чем роговой слой, и состоит всего из 2-3 клеточных слоев. Этот слой заметен только на ладонях и подошвах ног и обеспечивает дополнительную защиту от трения, что необходимо для этих участков кожи [43]. Зернистый слой состоит из 3-5 слоев кератиноцитов с кератогиалиновыми гранулами и ламеллярными телами. Кератогиалиновые

гранулы - это цитоплазматические структурные белки, содержащие предшественники кератина, которые со временем агрегируются, сшиваются и образуют пучки [43, 44]. Ламеллярные тела содержат гликолипиды, которые секретируются на поверхность клеток и поддерживают их связь друг с другом. Между базальным и зернистым слоем находится шиповидный слой, толщина которого составляет 8-10 клеточных слоев. Именно в этом слое эпидермиса синтезируется кератин. Также в этом слое расположены имунноактивные клетки Лангерганса [45]. Нижний слой эпидермиса - базальный слой, отделенный от дермы базальной мембраной и прикрепленный к ней с помощью соединительных структур, называемых гемидесмосомами. Клетки этого слоя представляют собой митотически активные стволовые клетки кубической или столбчатой формы, которые непрерывно производят кератиноциты. В этом слое также находятся меланоциты, вырабатывающие меланин - один из основных хромофоров в коже человека [43].

Следующий слой кожи - дерма, которая составляет большую часть объема кожи и отвечает в основном за ее трофические и поддерживающие функции [43, 46]. Дерма имеет толщину от 2 до 5 мм и состоит из двух основных слоев -сосочкового и ретикулярного, в которых находятся кровеносные и лимфатические сосуды. Сосочковый слой дермы, получивший свое название от «сосочков» -выростов, с помощью которых этот слой дермы соединяется с базальной мембраной, состоит в основном из волокон коллагена - одного из двух основных флуоресцирующих структурных белков кожи, и кровеносных сосудов -капилляров, которые помогают снабжать эпидермис питательными веществами и регулировать температуру кожи. Сеть волокон эластина - другого основного флуоресцирующего структурного белка в коже, также в основном расположена в этом слое. Основная функция сосочкового слоя дермы - делать кожу эластичной, растяжимой и более устойчивой [43, 46, 47]. Ретикулярный слой - это нижний слой дермы, который простирается от сосочкового слоя дермы до гиподермы. Этот слой состоит из коллагеновых волокон, образующих сетчатую структуру, которая придает коже дополнительную эластичность [46, 47]. Кроме того,

ретикулярная дерма содержит кровеносные сосуды, волосяные фолликулы, лимфатические сосуды нервы и жировые клетки [46, 48].

Гиподерма или подкожная клетчатка - это внутренний слой, состоящий из жира, соединительной ткани, кровеносных сосудов крупного калибра, нервных окончаний и лимфатических сосудов. Основные функции гиподермы -накопление жировых клеток и защита тела от холода, жары, а также ударов и падений. Кроме того, через гиподерму к коже подсоединяются кровеносные сосуды и нервы [49].

1.1.2 Общая информация о типах рака кожи и предраковых состояний

По данным Международного агентства по изучению рака [50], общее число зарегистрированных случаев рака кожи в 2022 году составило более 1 500 000, что составляет 7,8% от общего числа зарегистрированных случаев всех видов рака. Все виды рака кожи можно разделить на два основных типа: немеланомный Рак Кожи (НМРК) и меланома.

На долю меланомы приходится 21% всех зарегистрированных случаев рака кожи в мире, а общая смертность за 2022 год составила 58667 человек, что составляет 46 % всех смертей, связанных с раком кожи. Меланома развивается из меланоцитов и чаще всего связана с воздействием солнца, преимущественно периодическим и интенсивным. Кроме того, предшественниками меланомы могут быть пигментные невусы.

НМРК, в свою очередь, является пятым по распространенности видом рака в мире и встречается в несколько раз чаще, чем меланома. В то же время количество смертей от этого вида рака кожи, нормированное на общее число случаев, более чем в 3 раза ниже, чем от меланомы (5,6 % против 17,9 % соответственно). НМРК развивается из кератиноцитов и имеет две основные формы: базально-клеточная карцинома и плоскоклеточная карцинома

которые будут описаны более подробно ниже. Основной причиной возникновения НМРК, как и в случае меланомы, является воздействие солнца,

кроме того, SCC также может развиться из актинического кератоза.

Помимо непосредственного увеличения размеров опухоли, рак кожи может быть инвазивным, то есть метастазировать в окружающие ткани и органы. В таких случаях может потребоваться более серьезное и срочное лечение, а вероятность выживания пациента снижается. Риск инвазивности для меланомы (15 %) выше, чем для НМРК (от 2 до 14 %).

1.1.2.1 Базально клеточная карцинома

На долю базально-клеточной карциномы приходится не менее 32% всех зарегистрированных случаев рака в мире и около 70% всех случаев НМРК, что делает этот тип рака самым распространенным в мире. Согласно литературным данным [51, 52, 53], наиболее значимым фактором в возникновении ВСС является хроническое и интенсивное воздействие ультрафиолетового (УФ) излучения. Однако, в отличие от меланомы, хронический характер воздействия имеет большее значение, чем его интенсивность. В то же время, хотя воздействие ультрафиолетового излучения считается основным причинным фактором в патогенезе базальноклеточной карциномы, величина риска, связанного с повышенным воздействием, представляется недостаточной для объяснения того, почему одни люди страдают этими опухолями, а другие - нет. Среди прочих факторов риска выделяют наследственность, радиационное облучение, ожоги, рубцы, хроническое воспаление и другие.

Список литературы диссертационного исследования кандидат наук Куприянов Валентин Владиславович, 2025 год

Список использованных источников и литературы

1. Bray, F. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries / F. Bray, M. Laversanne, H. Sung [et al.] // CA: A Cancer Journal for Clinicians. - 2024. - Vol. 74, № 3. - P. 229263.

2. Khayyati, M. Current status of skin cancers with a focus on immunology and immunotherapy / M. Khayyati Kohnehshahri [et al.] // Cancer Cell International. -2023. - Vol. 23. - P. 174.

3. Roser, M. Cancer / M. Roser, H. Ritchie // Our World in Data. - 2024. -URL: https://ourworldindata.org/cancer (access date: 23.04.2024).

4. Ci^zynska, M. The incidence and clinical analysis of non-melanoma skin cancer / M. Ci^zynska [et al.] // Scientific Reports. - 2021. - Vol. 11, № 1. - P. 4337.

5. Eisemann, N. Non-Melanoma Skin Cancer Incidence and Impact of Skin Cancer Screening on Incidence / N. Eisemann [et al.] // Journal of Investigative Dermatology. - 2014. - Vol. 134, № 1. - P. 43-50.

6. Mogensen, M. Diagnosis of Nonmelanoma Skin Cancer/Keratinocyte Carcinoma: A Review of Diagnostic Accuracy of Nonmelanoma Skin Cancer Diagnostic Tests and Technologies / M. Mogensen, G. B. E. Jemec // Dermatologic Surgery. - 2007. - Vol. 33, № 10. - P. 1158.

7. Nault, A. Biopsy Use in Skin Cancer Diagnosis: Comparing Dermatology Physicians and Advanced Practice Professionals / A. Nault [et al.] // JAMA Dermatology. - 2015. - Vol. 151, № 8. - P. 899-902.

8. Skaggs, R. Skin biopsy and skin cancer treatment use in the Medicare population, 1993 to 2016 / R. Skaggs, B. Coldiron // Journal of the American Academy of Dermatology. - 2021. - Vol. 84, № 1. - P. 53-59.

9. Narayanamurthy, V. Skin cancer detection using non-invasive techniques / V. Narayanamurthy [et al.] // RSC Advances. - 2018. - Vol. 8, № 49. - P. 2809528130.

10. Calin, M. A. Optical techniques for the noninvasive diagnosis of skin cancer / M. A. Calin [et al.] // Journal of Cancer Research and Clinical Oncology. -2013. - Vol. 139, № 7. - P. 1083-1104.

11. Kim, J. A. Optical spectroscopy for in vivo medical diagnosis—a review of the state of the art and future perspectives / J. A. Kim, D. J. Wales, G.-Z. Yang // Progress in Biomedical Engineering. - 2020. - Vol. 2, № 4. - P. 042001.

12. Rey-Barroso, L. Optical Technologies for the Improvement of Skin Cancer Diagnosis: A Review / L. Rey-Barroso [et al.] // Sensors. - 2021. - Vol. 21, № 1. - P. 252.

13. Garcia-Uribe, A. In Vivo Diagnosis of Melanoma and Nonmelanoma Skin Cancer Using Oblique Incidence Diffuse Reflectance Spectrometry / A. Garcia-Uribe [et al.] // Cancer Research. - 2012. - Vol. 72, № 11. - P. 2738-2745.

14. Zhang, Y. Physiological model using diffuse reflectance spectroscopy for nonmelanoma skin cancer diagnosis / Y. Zhang [et al.] // Journal of Biophotonics. -2019. - Vol. 12, № 12. - P. e201900154.

15. Upile, T. Elastic scattering spectroscopy in assessing skin lesions: An "in vivo" study / T. Upile [et al.] // Photodiagnosis and Photodynamic Therapy. - 2012. -Vol. 9, № 2. - P. 132-141.

16. Panjehpour, M. Laser-induced fluorescence spectroscopy for in vivo diagnosis of non-melanoma skin cancers / M. Panjehpour [et al.] // Lasers in Surgery and Medicine. - 2002. - Vol. 31, № 5. - P. 367-373.

17. Andreeva, V. Preoperative AI-Driven Fluorescence Diagnosis of Non-Melanoma Skin Cancer / V. Andreeva [et al.] // Diagnostics. - 2022. - Vol. 12, № 1. -P. 72.

18. Maciel, V. H. Fluorescence spectroscopy as a tool to in vivo discrimination of distinctive skin disorders / V. H. Maciel [et al.] // Photodiagnosis and Photodynamic Therapy. - 2017. - Vol. 19. - P. 45-50.

19. Ouyang, Y. FLIM as a Promising Tool for Cancer Diagnosis and Treatment Monitoring / Y. Ouyang [et al.] // Nano-Micro Letters. - 2021. - Vol. 13, № 1. - P. 133.

20. Ferreira Lima, A. M. Discrimination of non-melanoma skin cancer and keratosis from normal skin tissue in vivo and ex vivo by Raman spectroscopy / A. M. Ferreira Lima [et al.] // Vibrational Spectroscopy. - 2019. - Vol. 100. - P. 131-141.

21. Zhang, J. Accuracy of Raman spectroscopy for differentiating skin cancer from normal tissue / J. Zhang [et al.] // Medicine. - 2018. - Vol. 97, № 34. - P. e12022.

22. Zhao, J. Incorporating patient demographics into Raman spectroscopy algorithm improves in vivo skin cancer diagnostic specificity / J. Zhao [et al.] // Translational Biophotonics. - 2019. - Vol. 1, № 1-2. - P. e201900016.

23. Feng, X. Biophysical basis of skin cancer margin assessment using Raman spectroscopy / X. Feng [et al.] // Biomedical Optics Express. - 2019. - Vol. 10, № 1. -P. 104-118.

24. Delrue, C. From Vibrations to Visions: Raman Spectroscopy's Impact on Skin Cancer Diagnostics / C. Delrue [et al.] // Journal of Clinical Medicine. - 2023. -Vol. 12, № 23. - P. 7428.

25. Ilisanu, M.-A. Multispectral Imaging for Skin Diseases Assessment—State of the Art and Perspectives / M.-A. Ilisanu, F. Moldoveanu, A. Moldoveanu // Sensors. - 2023. - Vol. 23, № 8. - P. 3888.

26. Petracchi, B. Acceleration of Hyperspectral Skin Cancer Image Classification through Parallel Machine-Learning Methods / B. Petracchi [et al.] // Sensors. - 2024. - Vol. 24, № 5. - P. 1399.

27. Huang, H.-Y. A Review of Recent Advances in Computer-Aided Detection Methods Using Hyperspectral Imaging Engineering to Detect Skin Cancer / H.-Y. Huang [et al.] // Cancers. - 2023. - Vol. 15, № 23. - P. 5634.

28. Filoni, A. Reflectance Confocal Microscopy in Evaluating Skin Cancer: A Clinicians's Perspective / A. Filoni, M. Alaibac // Frontiers in Oncology. - 2019. - Vol. 9. - P. 1457.

29. Olsen, J. Advances in optical coherence tomography in dermatology—a review / J. Olsen, J. Holmes, G. B. E. Jemec // Journal of Biomedical Optics. - 2018. -Vol. 23, № 4. - P. 040901.

30. Xiong, Y.-Q. Optical coherence tomography for the diagnosis of malignant skin tumors: a meta-analysis / Y.-Q. Xiong [et al.] // Journal of Biomedical Optics. -2018. - Vol. 23, № 2. - P. 020902.

31. Wan. B, Applications and future directions for optical coherence tomography in dermatology* / B. Wan [et al.] // British Journal of Dermatology. -2021. - Vol. 184, № 6. - P. 1014-1022.

32. Tuchin, V. V. Multimodal Optical Diagnostics of Cancer / V. V. Tuchin, J. Popp, V. Zakharov. - Springer International Publishing, 2020 - 605 p.

33. Lim, L. Clinical study of noninvasive in vivo melanoma and nonmelanoma skin cancers using multimodal spectral diagnosis / L. Lim [et al.] // Journal of Biomedical Optics. - 2014. - Vol. 19, № 11. - P. 117003.

34. Thompson, A.J. In vivo measurements of diffuse reflectance and time-resolved autofluorescence emission spectra of basal cell carcinomas / A. J. Thompson [et al.] // Journal of Biophotonics. - 2012. - Vol. 5, № 3. - P. 240-254.

35. Borisova, E. Light-induced autofluorescence and diffuse reflectance spectroscopy in clinical diagnosis of skin cancer / E. Borisova [et al.] // Biophotonics: Photonic Solutions for Better Health Care IV Biophotonics: Photonic Solutions for Better Health Care IV. - SPIE, 2014. - Vol. 9129. - P. 251-258.

36. Carpenter, D. J. Noninvasive optical spectroscopy for identification of non-melanoma skin cancer: Pilot study / D. J. Carpenter [et al.] // Lasers in Surgery and Medicine. - 2018. - Vol. 50, № 3. - P. 246-252.

37. Bratchenko, I. A. Combined Raman and autofluorescence ex vivo diagnostics of skin cancer in near-infrared and visible regions / I. A. Bratchenko [et al.] // Journal of Biomedical Optics. - 2017. - Vol. 22, № 2. - P. 027005.

38. Feng, X. Raman active components of skin cancer / X. Feng [et al.] // Biomedical Optics Express. - 2017. - Vol. 8, № 6. - P. 2835-2850.

39. Benson, H. A. E. Skin Structure, Function, and Permeation / H. A. E. Benson // Topical and Transdermal Drug Delivery. - John Wiley & Sons, Ltd, 2011. -P. 1-22.

40. Human skin | Definition, Layers, Types, & Facts | Britannica. - URL: https://www.britannica.com/science/human-skin (access date: 28.05.2024).

41. Owda, A. The Reflectance of Human Skin in the Millimeter-Wave Band / A. Owda [et al.] // Sensors. - 2020. - Vol. 20. - P. 1480.

42. Baroni, A. Structure and function of the epidermis related to barrier properties : Epidermal Barrier Function: Clinical Implications and Therapeutic Relevance / A. Baroni [et al.] // Clinics in Dermatology. - 2012. - Vol. 30, № 3. - P. 257-262.

43. Marks, J. G. Lookingbill and Marks' Principles of Dermatology / J. G. Marks, J. J. Miller. - Elsevier Health Sciences, 2017. - 339 p.

44. Epidermis (Outer Layer of Skin): Layers, Function, Structure. - URL: https://my.clevelandclinic.org/health/body/21901-epidermis (access date: 28.05.2024).

45. Lopez-Ojeda, W. Anatomy, Skin (Integument) / W. Lopez-Ojeda [et al.] // StatPearls. - Treasure Island (FL) : StatPearls Publishing, 2024. - URL: http://www.ncbi.nlm.nih.gov/books/NBK441980/ (access date: 26.04.2024).

46. Prost-Squarcioni, C. Functional histology of dermis / C. Prost-Squarcioni [et al.] // Annales De Dermatologie Et De Venereologie. - 2008. - Vol. 135, № 1 Pt 2. -P. 15-20.

47. Dermis (Middle Layer of Skin): Layers, Function & Structure. - URL: https://my.clevelandclinic.org/health/body/22357-dermis (access date: 29.05.2024).

48. Reticular layer of dermis. - URL: https://www.kenhub.com/en/library/anatomy/reticular-layer-of-dermis (access date: 29.05.2024).

49. Raskin, R. E. Canine and Feline Cytology - E-Book. / R. E. Raskin, D. Meyer. - Elsevier Health Sciences, 2015. - 541 p.

50. Homepage - IARC. - URL: https://www.iarc.who.int (access date: 16.07.2024).

51. Samarasinghe, V. Nonmelanoma Skin Cancer / V. Samarasinghe, V. Madan // Journal of Cutaneous and Aesthetic Surgery. - 2012. - Vol. 5, № 1. - P. 3-10.

52. Linares, M. A. Skin Cancer / M. A. Linares, A. Zakaria, P. Nizran // Primary Care. - 2015. - Vol. 42, № 4. - P. 645-659.

53. Rubin Adam I. Basal-Cell Carcinoma / Rubin Adam I., Chen Elbert H., Ratner Désirée // New England Journal of Medicine. - 2005. - Vol. 353, № 21. - P. 2262-2269.

54. Dinehart, S. M. Basal Cell Carcinoma Treated with Mohs Surgery: A Comparison of 54 Younger Patients with 1050 Older Patients / S. M. Dinehart [et al.] // Dermatologic Surgery. - 1992. - Vol. 18, № 7. - P. 560.

55. Wong, C. S. M. Basal cell carcinoma / C. S. M. Wong, R. C. Strange, J. T. Lear // BMJ : British Medical Journal. - 2003. - Vol. 327, № 7418. - P. 794-798.

56. Ramachandran, S. Basal cell carcinoma / S. Ramachandran [et al.] // Cancer. - 2000. - Vol. 89, № 5. - P. 1012-1018.

57. Marcil, I. Risk of Developing a Subsequent Nonmelanoma Skin Cancer in Patients With a History of Nonmelanoma Skin Cancer: A Critical Review of the Literature and Meta-analysis / I. Marcil, R. S. Stern // Archives of Dermatology. - 2000. - Vol. 136, № 12. - P. 1524-1530.

58. Webb, J. L. Squamous cell carcinoma / J. L. Webb [et al.] // Compendium (Yardley, PA). - 2009. - Vol. 31, № 3. - P. E9.

59. Alam, M. Cutaneous Squamous-Cell Carcinoma / M. Alam, R. Désirée // New England Journal of Medicine. - 2001. - Vol. 344, № 13. - P. 975-983.

60. Brantsch, K. D. Analysis of risk factors determining prognosis of cutaneous squamous-cell carcinoma: a prospective study / K. D. Brantsch [et al.] // The Lancet Oncology. - 2008. - Vol. 9, № 8. - P. 713-720.

61. Callen, J. P. Actinic keratoses / J. P. Callen, D. R. Bickers, R. L. Moy // Journal of the American Academy of Dermatology. - 1997. - Vol. 36, № 4. - P. 650653.

62. Olsen E. A. A double-blind, vehicle-controlled study evaluating masoprocol cream in the treatment of actinic keratoses on the head and neck / E. A. Olsen [et al.] // Journal of the American Academy of Dermatology. - 1991. - Vol. 24, № 5, Part 1. - P. 738-743.

63. Schleusener, J. In vivo study for the discrimination of cancerous and normal skin using fibre probe-based Raman spectroscopy / J. Schleusener, P. Gluszczynska, C. Reble [et al.] // Experimental Dermatology. - 2015. - Vol. 24, № 10. - P. 767-772.

64. Reinehr, C. P. H. Actinic keratoses: review of clinical, dermoscopic, and therapeutic aspects, / C. P. H. Reinehr, R. M. Bakos // Anais Brasileiros de Dermatologia. - 2020. - Vol. 94. - Actinic keratoses. - P. 637-657.

65. Röwert-Huber, J. Actinic keratosis is an early in situ squamous cell carcinoma: a proposal for reclassification / J. Röwert-Huber [et al.] // British Journal of Dermatology. - 2007. - Vol. 156, № s3. - P. 8-12.

66. Ahmady, S. Risk of Invasive Cutaneous Squamous Cell Carcinoma After Different Treatments for Actinic Keratosis: A Secondary Analysis of a Randomized Clinical Trial / S. Ahmady, M. H. E. Jansen, P. J. Nelemans [et al.] // JAMA Dermatology. - 2022. - Vol. 158, № 6. - P. 634-640.

67. Youl, P.H. Diagnosing skin cancer in primary care: how do mainstream general practitioners compare with primary care skin cancer clinic doctors? / P. H. Youl [et al.] // Medical Journal of Australia. - 2007. - Vol. 187, № 4. - P. 215-220.

68. Van der Geer, S. Development of a Non-Melanoma Skin Cancer Detection Model / S. van der Geer [et al.] // Dermatology. - 2015. - Vol. 230, № 2. - P. 161-169.

69. McLaughlin, S. The role of digital photography and electronic referral in the triage of patients with suspected skin cancer / S. McLaughlin [et al.] // British Journal of Dermatology. - 2006. - Vol. 154, № 1. - P. 188-190.

70. Gaudy-Marqueste, C. Cognitive training with photographs as a new concept in an education campaign for self-detection of melanoma: a pilot study in the community / C. Gaudy-Marqueste [et al.] // Journal of the European Academy of Dermatology and Venereology: JEADV. - 2011. - Vol. 25, № 9. - P. 1099-1103.

71. Quereux, G. Creation and test of a questionnaire for self-assessment of melanoma risk factors / G. Quereux [et al.] // European journal of cancer prevention: the official journal of the European Cancer Prevention Organisation (ECP). - 2010. - Vol. 19, № 1. - P. 48-54.

72. Van der Geer, S. One-stop-shop treatment for basal cell carcinoma, part of a new disease management strategy / S. van der Geer [et al.] // Journal of the European Academy of Dermatology and Venereology: JEADV. - 2012. - Vol. 26, № 9. - P. 1154-1157.

73. Moffatt, C. R. M. Diagnostic accuracy in skin cancer clinics: the Australian experience / C. R. M. Moffatt, A. C. Green, D. C. Whiteman // International Journal of Dermatology. - 2006. - Vol. 45, № 6. - P. 656-660.

74. Raasch, B. A. Suspicious skin lesions and their management / B. A. Raasch // Australian family physician. - 1999. - Vol. 28, № 5. - P. 466-471.

75. Tugrul, B. Evaluation of Diagnostic Accuracy and Therapeutic Approach of Dermatologists and Plastic Surgeons To Non-Melanocytic Skin Lesions By Using Telemedicine / B. Tugrul [et al.] // Dermatology Practical & Conceptual. - 2022. - Vol. 12, № 3. - P. e2022124.

76. Whited, J.D. Primary Care Clinicians' Performance for Detecting Actinic Keratoses and Skin Cancer / J. D. Whited [et al.] // Archives of Internal Medicine. -1997. - Vol. 157, № 9. - P. 985-990.

77. Nischal, U. Techniques of Skin Biopsy and Practical Considerations / U. Nischal, Nischal KC, U. Khopkar // Journal of Cutaneous and Aesthetic Surgery. -2008. - Vol. 1, № 2. - P. 107.

78. Sharma, K. S. Excision versus incision biopsy in the management of malignant melanoma / K. S. Sharma, P. Lim, M. T. Brotherston // Journal of Dermatological Treatment. - 2016. - Vol. 27, № 1. - P. 88-90.

79. Themstrup, L. Optical coherence tomography imaging of non-melanoma skin cancer undergoing photodynamic therapy reveals subclinical residual lesions / L. Themstrup [et al.] // Photodiagnosis and Photodynamic Therapy. - 2014. - Vol. 11, № 1. - P. 7-12.

80. Longo, C. Classifying distinct basal cell carcinoma subtype by means of dermatoscopy and reflectance confocal microscopy / C. Longo [et al.] // Journal of the American Academy of Dermatology. - 2014. - Vol. 71, № 4. - P. 716-724.

81. Barun, V. V. Estimation of the spectral absorption of light by components of human skin / V. V. Barun, A. P. Ivanov // Optics and Spectroscopy. - 2009. - Vol. 106, № 1. - P. 84-91.

82. Bashkatov, A. N. Optical properties of skin, subcutaneous, and muscle tissues: a review / A. N. Bashkatov, E. A. Genina, V. V. Tuchin // Journal of Innovative Optical Health Sciences. - 2011. - Vol. 04, № 01. - P. 9-38.

83. Van Gemert, M. J. C. Skin optics / M. J. C. Van Gemert [et al.] // IEEE Transactions on Biomedical Engineering. - 1989. - Vol. 36, № 12. - P. 1146-1154.

84. Lister, T. Optical properties of human skin / T. Lister, P. A. Wright, P. H. Chappell // Journal of Biomedical Optics. - 2012. - Vol. 17, № 9. - P. 090901.

85. Tseng, S.-H. Chromophore concentrations, absorption and scattering properties of human skin in-vivo / S.-H. Tseng [et al.] // Optics Express. - 2009. - Vol. 17, № 17. - P. 14599-14617.

86. Salomatina, E. V. Optical properties of normal and cancerous human skin in the visible and near-infrared spectral range / E. V. Salomatina [et al.] // Journal of Biomedical Optics. - 2006. - Vol. 11, № 6. - P. 064026.

87. Rajaram, N. In vivo determination of optical properties and fluorophore characteristics of non-melanoma skin cancer / N. Rajaram [et al.] // Photonic Therapeutics and Diagnostics V Photonic Therapeutics and Diagnostics V. - SPIE, 2009. - Vol. 7161. - P. 716102.

88. Zellweger, M. Fluorescence spectroscopy of exogenous, exogenously-induced and endogenous fluorophores for the photodetection and photodynamic therapy of cancer : PhD Thesis / Matthieu Zellweger. - Lausanne, 2000, 224 p.

89. Borisova, E. G. Endogenous and Exogenous Fluorescence Skin Cancer Diagnostics for Clinical Applications / E. G. Borisova, L. P. Angelova, E. P. Pavlova // IEEE Journal of Selected Topics in Quantum Electronics. - 2014. - Vol. 20, № 2. - P. 211-222.

90. Dremin, V. V. How the melanin concentration in the skin affects the fluorescence-spectroscopy signal formation / V. V. Dremin, A. V. Dunaev // Journal of Optical Technology. - 2016. - Vol. 83, № 1. - P. 43-48.

91. Sinz, C. Accuracy of dermatoscopy for the diagnosis of nonpigmented cancers of the skin / C. Sinz [et al.] // Journal of the American Academy of Dermatology. - 2017. - Vol. 77, № 6. - P. 1100-1109.

92. Tseng, S.-H. Noninvasive evaluation of collagen and hemoglobin contents and scattering property of in vivo keloid scars and normal skin using diffuse reflectance spectroscopy: pilot study / S.-H. Tseng [et al.] // Journal of Biomedical Optics. - 2012. - Vol. 17, № 7. - P. 077005.

93. Zonios, G. Melanin absorption spectroscopy: new method for noninvasive skin investigation and melanoma detection / G. Zonios [et al.] // Journal of Biomedical Optics. - 2008. - Vol. 13, № 1. - P. 014017.

94. Nishidate, I. Estimation of melanin and hemoglobin in skin tissue using multiple regression analysis aided by Monte Carlo simulation / I. Nishidate, Y. Aizu, H. Mishina // Journal of Biomedical Optics. - 2004. - Vol. 9, № 4. - P. 700-710.

95. Mehrübeoglu, M. Skin lesion classification using oblique-incidence diffuse reflectance spectroscopic imaging / M. Mehrübeoglu [et al.] // Applied Optics. - 2002. -Vol. 41, № 1. - P. 182-192.

96. Talari, A. C. S. Raman Spectroscopy of Biological Tissues / A. C. S. Talari [et al.] // Applied Spectroscopy Reviews. - 2015. - Vol. 50, № 1. - P. 46-111.

97. Meng, H. Raman spectroscopic analysis of skin penetration and moisturizing effects of Bionics vernix caseosa cream compared with Vaseline / H. Meng [et al.] // Technology and Health Care. - 2021. - Vol. 29, № S1. - P. 327-334.

98. Lui, H. Real-time Raman Spectroscopy for In Vivo Skin Cancer Diagnosis / H. Lui [et al.] // Cancer Research. - 2012. - Vol. 72, № 10. - P. 2491-2500.

99. De Oliveira Nunes, L. FT-Raman spectroscopy study for skin cancer diagnosis / L. de Oliveira [et al.] // Spectroscopy. - 2003. - Vol. 17, № 2-3. - P. 597602.

100. Lieber, C. A. In vivo nonmelanoma skin cancer diagnosis using Raman microspectroscopy / C. A. Lieber [et al.] // Lasers in Surgery and Medicine. - 2008. -Vol. 40, № 7. - P. 461-467.

101. Silveira, F. L. Discrimination of non-melanoma skin lesions from nontumor human skin tissues in vivo using Raman spectroscopy and multivariate statistics / F. L. Silveira [et al.] // Lasers in Surgery and Medicine. - 2015. - Vol. 47, № 1. - P. 616.

102. Gareau, D. S. Sensitivity and specificity for detecting basal cell carcinomas in Mohs excisions with confocal fluorescence mosaicing microscopy / D. S. Gareau [et al.] // Journal of Biomedical Optics. - 2009. - Vol. 14, № 3. - P. 034012.

103. Patalay, R. Quantification of cellular autofluorescence of human skin using multiphoton tomography and fluorescence lifetime imaging in two spectral detection channels / R. Patalay [et al.] // Biomedical Optics Express. - 2011. - Vol. 2, № 12. - P. 3295-3308.

104. Balu, M. In Vivo Multiphoton Microscopy of Basal Cell Carcinoma / M. Balu [et al.] // JAMA Dermatology. - 2015. - Vol. 151, № 10. - P. 1068-1074.

105. Mogensen, M. How histological features of basal cell carcinomas influence image quality in optical coherence tomography / M. Mogensen [et al.] // Journal of Biophotonics. - 2011. - Vol. 4, № 7-8. - P. 544-551.

106. Kuzmina, I. Towards noncontact skin melanoma selection by multispectral imaging analysis / I. Kuzmina [et al.] // Journal of Biomedical Optics. - 2011. - Vol. 16, № 6. - P. 060502.

107. Ahlgrimm-Siess, V. Confocal Microscopy in Skin Cancer / V. Ahlgrimm-Siess [et al.] // Current Dermatology Reports. - 2018. - Vol. 7, № 2. - P. 105-118.

108. Semwogerere, D. Confocal Microscopy / D. Semwogerere, E. R. Weeks // Encyclopedia of Biomaterials and Biomedical Engineering. - New York : CRC Press, 2008. - 3112 p.

109. Pellacani, G. In vivo assessment of melanocytic nests in nevi and melanomas by reflectance confocal microscopy / G. Pellacani, A. M. Cesinaro, S. Seidenari // Modern Pathology. - 2005. - Vol. 18, № 4. - P. 469-474.

110. Segura, S. Development of a two-step method for the diagnosis of melanoma by reflectance confocal microscopy / S. Segura [et al.] // Journal of the American Academy of Dermatology. - 2009. - Vol. 61, № 2. - P. 216-229.

111. Guitera, P. In Vivo Reflectance Confocal Microscopy Enhances Secondary Evaluation of Melanocytic Lesions / P. Guitera [et al.] // Journal of Investigative Dermatology. - 2009. - Vol. 129, № 1. - P. 131-138.

112. Waddell, A. Advances in the use of reflectance confocal microscopy in melanoma / A. Waddell, P. Star, P. Guitera // Melanoma Management. - 2018. - Vol. 5, № 1. - P. MMT04.

113. Horn, M. Discrimination of Actinic Keratoses from Normal Skin with Reflectance Mode Confocal Microscopy / M. Horn [et al.] // Dermatologic Surgery. -2008. - Vol. 34, № 5. - P. 620.

114. Liu, L. Fluorescence lifetime imaging microscopy and its applications in skin cancer diagnosis / L. Liu [et al.] // Journal of Innovative Optical Health Sciences. -2019. - Vol. 12, № 05. - P. 1930004.

115. Patalay, R. Fluorescence lifetime imaging of skin cancer / R. Patalay [et al.] // Photonic Therapeutics and Diagnostics VII Photonic Therapeutics and Diagnostics VII. - SPIE, 2011. - Vol. 7883. - P. 55-61.

116. Luo, T. Phasor-FLIM as a Screening Tool for the Differential Diagnosis of Actinic Keratosis, Bowen's Disease, and Basal Cell Carcinoma / T. Luo [et al.] // Analytical Chemistry. - 2017. - Vol. 89, № 15. - P. 8104-8111.

117. Miller, J. P. Multimodal fluorescence molecular imaging for in vivo characterization of skin cancer using endogenous and exogenous fluorophores / J. P. Miller [et al.] // Journal of Biomedical Optics. - 2017. - Vol. 22, № 6. - P. 066007.

118. Pires, L. Time-resolved fluorescence lifetime for cutaneous melanoma detection / L. Pires [et al.] // Biomedical Optics Express. - 2014. - Vol. 5, № 9. - P. 3080-3089.

119. Tsai, T.-H. Multiphoton microscopy in dermatological imaging / T.-H. Tsai [et al.] // Journal of Dermatological Science. - 2009. - Vol. 56, № 1. - P. 1-8.

120. Campagnola, P. J. Second-harmonic imaging microscopy for visualizing biomolecular arrays in cells, tissues and organisms / P. J. Campagnola, L. M. Loew // Nature Biotechnology. - 2003. - Vol. 21, № 11. - P. 1356-1360.

121. Zipfel, W. R. Live tissue intrinsic emission microscopy using multiphoton-excited native fluorescence and second harmonic generation / W. R. Zipfel [et al.] // Proceedings of the National Academy of Sciences of the United States of America. -2003. - Vol. 100, № 12. - P. 7075-7080.

122. Paoli, J. Multiphoton Laser Scanning Microscopy on Non-Melanoma Skin Cancer: Morphologic Features for Future Non-Invasive Diagnostics / J. Paoli [et al.] // Journal of Investigative Dermatology. - 2008. - Vol. 128, № 5. - P. 1248-1255.

123. Paoli, J. Multiphoton laser scanning microscopy - a novel diagnostic method for superficial skin cancers / J. Paoli, M. Smedh, M. B. Ericson // Seminars in Cutaneous Medicine and Surgery. - 2009. - Vol. 28, № 3. - P. 190-195.

124. Sun, T. Y. Preclinical Advances with Multiphoton Microscopy in Live Imaging of Skin Cancers / T. Y. Sun, A. M. Haberman, V. Greco // The Journal of Investigative Dermatology. - 2017. - Vol. 137, № 2. - P. 282-287.

125. Aumann, S. Optical Coherence Tomography (OCT): Principle and Technical Realization / S. Aumann [et al.] // High Resolution Imaging in Microscopy and Ophthalmology: New Frontiers in Biomedical Optics / ed. J. F. Bille. - Cham : Springer International Publishing, 2019. - P. 59-85.

126. Wang, L. Methods and applications of full-field optical coherence tomography: a review / L. Wang [et al.] // Journal of Biomedical Optics. - 2022. - Vol. 27, № 5. - P. 050901.

127. Jorgensen, T. M. Machine-learning classification of non-melanoma skin cancers from image features obtained by optical coherence tomography / T. M. Jorgensen [et al.] // Skin Research and Technology. - 2008. - Vol. 14, № 3. - P. 364369.

128. Forsea, A. Clinical application of optical coherence tomography for the imaging of non-melanocytic cutaneous tumors: a pilot multi-modal study / A. Forsea [et al.] // Journal of Medicine and Life. - 2010. - Vol. 3, № 4. - P. 381-389.

129. Boone, M. A. L. M. Imaging actinic keratosis by high-definition optical coherence tomography. Histomorphologic correlation: a pilot study / M. A. L. M. Boone [et al.] // Experimental Dermatology. - 2013. - Vol. 22, № 2. - P. 93-97.

130. Hinz, T. Assessment of Tumor Thickness in Melanocytic Skin Lesions: Comparison of Optical Coherence Tomography, 20-MHz Ultrasound and Histopathology / T. Hinz [et al.] // Dermatology. - 2011. - Vol. 223, № 2. - P. 161168.

131. Gambichler, T. Characterization of benign and malignant melanocytic skin lesions using optical coherence tomography in vivo / T. Gambichler [et al.] // Journal of the American Academy of Dermatology. - 2007. - Vol. 57, № 4. - P. 629-637.

132. Korde, V. R. Using optical coherence tomography to evaluate skin sun damage and precancer / V. R. Korde [et al.] // Lasers in Surgery and Medicine. - 2007.

- Vol. 39, № 9. - P. 687-695.

133. Mogensen, M. Assessment of Optical Coherence Tomography Imaging in the Diagnosis of Non-Melanoma Skin Cancer and Benign Lesions Versus Normal Skin: Observer-Blinded Evaluation by Dermatologists and Pathologists / M. Mogensen [et al.] // Dermatologic Surgery. - 2009. - Vol. 35, № 6. - P. 965.

134. Strasswimmer, J. Polarization-sensitive optical coherence tomography of invasive basal cell carcinoma / J. Strasswimmer [et al.] // Journal of Biomedical Optics.

- 2004. - Vol. 9, № 2. - P. 292-298.

135. Baronti, S. Multispectral imaging system for the mapping of pigments in works of art by use of principal-component analysis / S. Baronti [et al.] // Applied Optics. - 1998. - Vol. 37, № 8. - P. 1299-1309.

136. Gevaux, L. 3D-hyperspectral imaging and optical analysis of skin for the human face : Phd Thesis / Lou Gevaux. - Lyon, 2019, 216 p.

137. Mathews, S. A. Design and fabrication of a low-cost, multispectral imaging system / S. A. Mathews // Applied Optics. - 2008. - Vol. 47, № 28. - P. F71-F76.

138. Carrara, M. Multispectral imaging and artificial neural network: mimicking the management decision of the clinician facing pigmented skin lesions / M. Carrara [et al.] // Physics in Medicine & Biology. - 2007. - Vol. 52, № 9. - P. 2599.

139. Tomatis, S. Automated melanoma detection: Multispectral imaging and neural network approach for classification / S. Tomatis [et al.] // Medical Physics. -2003. - Vol. 30, № 2. - P. 212-221.

140. Diebele, I. Clinical evaluation of melanomas and common nevi by spectral imaging / I. Diebele [et al.] // Biomedical Optics Express. - 2012. - Vol. 3, № 3. - P. 467-472.

141. Neittaanmaki-Perttu, N. Detecting field cancerization using a hyperspectral imaging system / N. Neittaanmaki-Perttu [et al.] // Lasers in Surgery and Medicine. -2013. - Vol. 45, № 7. - P. 410-417.

142. Johansen, T. H. Recent advances in hyperspectral imaging for melanoma detection / T. H. Johansen [et al.] // WIREs Computational Statistics. - 2020. - Vol. 12, № 1. - P. e1465.

143. Leon, R. Non-Invasive Skin Cancer Diagnosis Using Hyperspectral Imaging for In-Situ Clinical Support / R. Leon [et al.] // Journal of Clinical Medicine. -2020. - Vol. 9, № 6. - P. 1662.

144. Courtenay, L. A. Hyperspectral imaging and robust statistics in non-melanoma skin cancer analysis / L. A. Courtenay [et al.] // Biomedical Optics Express. - 2021. - Vol. 12, № 8. - P. 5107-5127.

145. Bratchenko, I. A. Optical Biopsy of Amelanotic Melanoma with Raman and Autofluorescence Spectra Stimulated by 785 nm Laser Excitation / I. A. Bratchenko [et al.] // Journal of Biomedical Photonics & Engineering. - 2021. - Vol. 7, № 2. - P. 020308.

146. Mou, A. J. Spectral biopsy for skin cancer diagnosis: initial clinical results / A. J. Moy [et al.] // Photonics in Dermatology and Plastic Surgery Photonics in Dermatology and Plastic Surgery. - SPIE, 2017. - Vol. 10037. - P. 21-26.

147. Borisova, E. Diagnostics of pigmented skin tumors based on laser-induced autofluorescence and diffuse reflectance spectroscopy / E. Borisova [et al.] // Quantum Electronics. - 2008. - Vol. 38, № 6. - P. 597.

148. Borisova, E. Optical biopsy of human skin - A tool for cutaneous tumours' diagnosis / E. Borisova [et al.] // International Journal Bioautomotion. - 2012. - Vol. 16, № 1. - P. 53-72.

149. Rajaram, N. Pilot clinical study for quantitative spectral diagnosis of non-melanoma skin cancer / N. Rajaram [et al.] // Lasers in Surgery and Medicine. - 2010. -Vol. 42, № 10. - P. 876-887.

150. Zakharov, V. P. Combined Raman spectroscopy and autofluoresence imaging method for in vivo skin tumor diagnosis / V. P. Zakharov [et al.] // Ultrafast Nonlinear Imaging and Spectroscopy II Ultrafast Nonlinear Imaging and Spectroscopy II. - SPIE, 2014. - Vol. 9198. - P. 19-26.

151. Al-Arashi, M. Y. Multimodal confocal microscopy for diagnosing nonmelanoma skin cancers / M. Y. Al-Arashi, E. Salomatina, A. N. Yaroslavsky // Lasers in Surgery and Medicine. - 2007. - Vol. 39, № 9. - P. 696-705.

152. Salomatina-Motts, E. Multimodal polarization system for imaging skin cancer / E. Salomatina-Motts, V. A. Neel, A. N. Yaroslavskaya // Optics and Spectroscopy. - 2009. - Vol. 107, № 6. - P. 884-890.

153. Heuke, S. Detection and Discrimination of Non-Melanoma Skin Cancer by Multimodal Imaging / S. Heuke [et al.] // Healthcare. - 2013. - Vol. 1, № 1. - P. 64-83.

154. Diaz, S. An Instrument for Accurate and Non-Invasive Screening of Skin Cancer Based on Multimodal Imaging / S. Diaz [et al.] // IEEE Access. - 2019. - Vol. 7. - P. 176646-176657.

155. Fan, B. Multimodal imaging for nonmelanoma skin cancer margin delineation / B. Fan, V. A. Neel, A. N. Yaroslavsky // Lasers in Surgery and Medicine. - 2017. - Vol. 49, № 3. - P. 319-326.

156. Tuzlukov, V. Signal Processing Noise / V. Tuzlukov - New York : CRC Press, 2018. - 688 p.

157. Barton, S. J. Algorithm for optimal denoising of Raman spectra / S. J. Barton, T. E. Ward, B. M. Hennelly // Analytical Methods. - 2018. - Vol. 10, № 30. -P. 3759-3769.

158. Singh, K. Outlier Detection: Applications And Techniques / K. Singh, D. S. Upadhyaya. //International Journal of Computer Science Issues. - 2012. - Vol. 9, № 1, P. 307.

159. Rinnan, A. Review of the most common pre-processing techniques for near-infrared spectra / A. Rinnan, F. van den Berg, S. B. Engelsen // TrAC Trends in Analytical Chemistry. - 2009. - Vol. 28, № 10. - P. 1201-1222.

160. Komer, B. Hyperopt-Sklearn: Automatic Hyperparameter Configuration for Scikit-Learn / B. Komer, J. Bergstra, C. Eliasmith // Python in Science Conference.

- Austin, Texas, 2014. - Hyperopt-Sklearn. - P. 32-37.

161. Rodriguez-Galiano, V. F. Feature selection approaches for predictive modelling of groundwater nitrate pollution: An evaluation of filters, embedded and wrapper methods / V. F. Rodriguez-Galiano, [et al.] // Science of The Total Environment. - 2018. - Vol. 624. - P. 661-672.

162. Chandrashekar, G. A survey on feature selection methods : 40th-year commemorative issue / G. Chandrashekar, F. Sahin // Computers & Electrical Engineering. - 2014. - Vol. 40, № 1. - P. 16-28.

163. Jovic, A. A review of feature selection methods with applications / A. Jovic, K. Brkic, N. Bogunovic // 2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO) 2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). - 2015. - P. 1200-1205.

164. Anowar, F. Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE) / F. Anowar, S. Sadaoui, B. Selim // Computer Science Review. - 2021. - Vol. 40. - P. 100378.

165. Jia W. Feature dimensionality reduction: a review / W. Jia [et al.] //Complex & Intelligent Systems. - 2022. - Vol. 8, №. 3. - P. 2663-2693.

166. Huang, X. A Review on Dimensionality Reduction Techniques / X. Huang, L. Wu, Y. Ye // International Journal of Pattern Recognition and Artificial Intelligence.

- 2019. - Vol. 33, № 10. - P. 1950017.

167. Jolliffe, I. Principal Component Analysis / I. Jolliffe // International Encyclopedia of Statistical Science / ed. M. Lovric. - Berlin, Heidelberg : Springer, 2011. - P. 1094-1096.

168. Abdi, H. Principal component analysis / H. Abdi, L. J. Williams // WIREs Computational Statistics. - 2010. - Vol. 2, № 4. - P. 433-459.

169. Kernel PCA for Feature Extraction and De-Noising in Nonlinear Regression / R. Rosipal [et al.] // Neural Computing & Applications. - 2001. - Vol. 10, № 3. - P. 231-243.

170. Soman, K. P. Machine Learning with SVM and Other Kernel Methods / K. P. Soman, R. LOGANATHAN, V. AJAY. - PHI Learning Pvt. Ltd., 2009. - 495 p.

171. Lee, J. Nonlinear Dimensionality Reduction / J. Lee, M. Verleysen. -Springer Science & Business Media., 2007. - 307 p.

172. Yang, M.-H. Extended Isomap for classification / M.-H. Yang // 2002 International Conference on Pattern Recognition 2002 International Conference on Pattern Recognition. - 2002. - Vol. 3. - P. 615-618.

173. Hinton, G. E. Stochastic Neighbor Embedding / G. E. Hinton, S. Roweis // Advances in Neural Information Processing Systems. - 2002. - P. 857-864.

174. Maaten, L. Visualizing Data using t-SNE / L. Maaten, G. E. Hinton // Journal of Machine Learning Research. - 2008. - Vol. 9, № 86. - P. 2579-2605.

175. McInnes, L. UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. UMAP / L. McInnes, J. Healy, J. Melville // Journal of Open Source Software. - 2018. - Vol. 3, №29. - P. 861.

176. Lin, W. M. Combined classifier for discriminating cancerous tissue from normal tissue using light-induced autofluorescence / W. M. Lin [et al.] // Diagnostic Optical Spectroscopy in Biomedicine II (2003), paper 5141_177 European Conference on Biomedical Optics. - Optica Publishing Group, 2003. - P. 5141_177.

177. Zakharov, V. P. Backscattering spectroscopy for assessing skin tumor / V. P. Zakharov [et al.] // Journal of Biomedical Photonics & Engineering. - 2015. - Vol. 1, № 2. - P. 164-168.

178. Murphy, B. W. Toward the discrimination of early melanoma from common and dysplastic nevus using fiber optic diffuse reflectance spectroscopy / B. W. Murphy [et al.] // Journal of Biomedical Optics. - 2005. - Vol. 10, № 6. - P. 064020.

179. Li, L. Automatic diagnosis of melanoma using machine learning methods on a spectroscopic system / L. Li [et al.] // BMC Medical Imaging. - 2014. - Vol. 14, № 1. - P. 36.

180. Lenhardt, L. Artificial neural networks for processing fluorescence spectroscopy data in skin cancer diagnostics / L. Lenhardt [et al.] // Physica Scripta. -2013. - Vol. 2013, № T157. - P. 014057.

181. Dietterich, T. G. Ensemble Methods in Machine Learning / T. G. Dietterich // Multiple Classifier Systems : Lecture Notes in Computer Science / coll. G. Goos [et al.]. - Berlin, Heidelberg : Springer Berlin Heidelberg, 2000. - Vol. 1857. - P. 1-15.

182. Sen, P. C. Supervised Classification Algorithms in Machine Learning: A Survey and Review / P. C. Sen, M. Hajra, M. Ghosh // Emerging Technology in Modelling and Graphics / eds. J. K. Mandal, D. Bhattacharya. - Singapore : Springer, 2020. - P. 99-111.

183. Amari, S. Improving support vector machine classifiers by modifying kernel functions / S. Amari, S. Wu // Neural Networks. - 1999. - Vol. 12, № 6. - P. 783-789.

184. Cheong, S. Support Vector Machines with Binary Tree Architecture for Multi-Class Classification / S. Cheong, S.-H. Oh, S.-Y. Lee // Neural Information Processing-Letters and Reviews. - 2004. - Vol. 2, №. 3. - P. 47-51.

185. Weston, J. Support vector machines for multi-class pattern recognition / J. Weston, C. Watkins //Esann. - 1999. - Vol. 99. - P. 219-224.

186. Crammer, K. On the Algorithmic Implementation of Multiclass Kernelbased Vector Machines / K. Crammer, Y. Singer // Journal of Machine Learning Research. - 2001. - Vol. 2. - P. 265-292.

187. Lee, Y. Multicategory Support Vector Machines: Theory and Application to the Classification of Microarray Data and Satellite Radiance Data / Y. Lee, Y. Lin, G. Wahba // Journal of the American Statistical Association. - 2004. - Vol. 99, № 465. -P. 67-81.

188. Lauer, F. MSVMpack: A Multi-Class Support Vector Machine Package / F. Lauer, Y. Guermeur // The Journal of Machine Learning Research. - 2011. - Vol. 12. -P. 2293-2296.

189. Hsu, C.-W. A comparison of methods for multiclass support vector machines / C.-W. Hsu, C.-J. Lin // IEEE Transactions on Neural Networks. - 2002. -Vol. 13, № 2. - P. 415-425.

190. Mathur, A. Multiclass and Binary SVM Classification: Implications for Training and Classification Users / A. Mathur, G. M. Foody // IEEE Geoscience and Remote Sensing Letters. - 2008. - Vol. 5, № 2. - P. 241-245.

191. Zhao, H. Linear Discriminant Analysis / H. Zhao [et al.] // Feature Learning and Understanding: Algorithms and Applications / eds. H. Zhao [et al.]. -Cham : Springer International Publishing, 2020. - P. 71-85.

192. Tharwat, A. Linear vs. quadratic discriminant analysis classifier: a tutorial / A. Tharwat // International Journal of Applied Pattern Recognition. - 2016. - Vol. 3, № 2. - P. 145-180.

193. Wright, R. E. Logistic regression / R. E. Wright // Reading and understanding multivariate statistics. - Washington, DC, US : American Psychological Association, 1995. - P. 217-244.

194. Tolles, J. Logistic Regression: Relating Patient Characteristics to Outcomes / J. Tolles, W. J. Meurer // JAMA. - 2016. - Vol. 316, № 5. - P. 533-534.

195. Pal, M. Random forest classifier for remote sensing classification / M. Pal // International Journal of Remote Sensing. - 2005. - Vol. 26, № 1. - P. 217-222.

196. Quinlan, J. R. Learning decision tree classifiers / J. R. Quinlan // ACM Computing Surveys. - 1996. - Vol. 28, № 1. - P. 71-72.

197. Altman, N. Ensemble methods: bagging and random forests / N. Altman, M. Krzywinski // Nature Methods. - 2017. - Vol. 14, № 10. - P. 933-935.

198. Hastie, T. Random Forests / T. Hastie, R. Tibshirani, J. Friedman // The Elements of Statistical Learning: Data Mining, Inference, and Prediction / eds. T. Hastie [et al.]. - New York, NY : Springer, 2009. - P. 587-604.

199. Ramchoun, H. Multilayer Perceptron: Architecture Optimization and Training / H. Ramchoun [et al.] // International Journal of Interactive Multimedia and Artificial Intelligence - 2016. - Vol. 4, № 1. - P. 26-30.

200. Noriega, L. Multilayer Perceptron Tutorial / L. Noriega // School of Computing. Staffordshire University. - 2005. - Vol. 4, №. 5. - P. 444.

201. Polikar, R. Ensemble based systems in decision making / R. Polikar // IEEE Circuits and Systems Magazine. - 2006. - Vol. 6, № 3. - P. 21-45.

202. Bauer, E. An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variants / E. Bauer, R. Kohavi // Machine Learning. - 1999. -Vol. 36, № 1. - P. 105-139.

203. Stulp, F. Many regression algorithms, one unified model: A review / F. Stulp, O. Sigaud // Neural Networks. - 2015. - Vol. 69. -P. 60-79.

204. Maulud, D. A Review on Linear Regression Comprehensive in Machine Learning / D. Maulud, A. M. Abdulazeez // Journal of Applied Science and Technology Trends. - 2020. - Vol. 1, № 2. - P. 140-147.

205. Brandt, S. Linear and Polynomial Regression / S. Brandt // Data Analysis: Statistical and Computational Methods for Scientists and Engineers / ed. S. Brandt. -New York, NY : Springer, 1999. - P. 413-426.

206. Heiberger, R. M. R Through Excel: A Spreadsheet Interface for Statistics, Data Analysis, and Graphics / R. M. Heiberger, E. Neuwirth. - New York, NY : Springer, 2009. - 341 p.

207. Melkumova, L. E. Comparing Ridge and LASSO estimators for data analysis : 3rd International Conference "Information Technology and Nanotechnology", ITNT-2017, 25-27 April 2017, Samara, Russia / L. E. Melkumova, S. Ya. Shatskikh // Procedia Engineering. - 2017. - Vol. 201. - P. 746-755.

208. Zhang, Z. Discriminative Elastic-Net Regularized Linear Regression / Z. Zhang [et al.] // IEEE Transactions on Image Processing. - 2017. - Vol. 26, № 3. - P. 1466-1481.

209. Ryan T. P. Modern regression methods / T.P. Ryan - Hoboken : John Wiley & Sons, 2008 - 128 p.

210. Madhulatha, T. S. An Overview on Clustering Methods / T. S. Madhulatha // IOSR Journal of Engineering. - 2012. - Vol. 22, № 4. - P. 719-725.

211. Estivill-Castro, V. Why so many clustering algorithms: a position paper / V. Estivill-Castro // ACM SIGKDD Explorations Newsletter. - 2002. - Vol. 4, № 1. -P. 65-75.

212. Vogt, W. Cluster Analysis in Diagnosis / W. Vogt, D. Nagel // Clinical Chemistry. - 1992. - Vol. 38, № 2. - P. 182-198.

213. II, M. L. Handbook of Multisensor Data Fusion: Theory and Practice, Second Edition. Handbook of Multisensor Data Fusion / M. L. II, D. Hall, J. Llinas // -CRC Press, 2017. - 872 p.

214. Castanedo, F. A Review of Data Fusion Techniques / F. Castanedo // The Scientific World Journal. - 2013. - Vol. 2013, № 1. - P. 704504.

215. Refaeilzadeh, P. Cross-Validation / P. Refaeilzadeh, L. Tang, H. Liu // Encyclopedia of Database Systems / eds. L. LIU, M. T. ÖZSU. - Boston, MA : Springer US, 2009. - P. 532-538.

216. Celisse, A. Optimal cross-validation in density estimation with the L2 loss / A. Celisse // The Annals of Statistics. - 2014. - Vol. 42, № 5. - P. 1879-1910.

217. Rodriguez, J. D. Sensitivity Analysis of k-Fold Cross Validation in Prediction Error Estimation / J. D. Rodriguez, A. Perez, J. A. Lozano // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2010. - Vol. 32, № 3. - P. 569-575.

218. Patent US 10,895,503 B2. Medical device for fibred bimodal optical spectroscopy / M. Amouroux (FR), W. Blondel (FR), A. Delconte (FR); patentee Universite de Lorraine, Nancy (FR), Centre national de la recherche scientifique, Paris (FR), №15 / 779,377, acceptance date 30.11.2016, granted date 18.01.2021. - 10 p.

219. Blondel, W. Spatially-Resolved Multiply-Excited Autofluorescence and Diffuse Reflectance Spectroscopy: SpectroLive Medical Device for Skin In Vivo Optical Biopsy / W. Blondel [et al.] // Electronics. - 2021. - Vol. 10, № 3. - P. 243.

220. Kupriyanov, V. Implementation of data fusion to increase the efficiency of classification of precancerous skin states using in vivo bimodal spectroscopic technique

/ V. Kupriyanov [et al.] // Journal of Biophotonics. - 2023. - Vol. 16, № 7. - P. e202300035.

221. Kupriyanov, V. Machine learning-based classification of spatially resolved diffuse reflectance and autofluorescence spectra acquired on human skin for actinic keratoses and skin carcinoma diagnostics aid / V. Kupriyanov [et al.] // Journal of Biomedical Optics. - 2025. - Vol. 30, № 3. - P. 035001.

222. MACKIE, B. S. The Mechanism of Solar Carcinogenesis: A Study of the Role of Collagen Degeneration of the Dermis in the Production of Skin Cancer / B. S. MACKIE, V. J. McGOVERN // A.M.A. Archives of Dermatology. - 1958. - Vol. 78, № 2. - P. 218-244.

223. Colas, V. Proposal for a Skin Layer-Wise Decomposition Model of Spatially-Resolved Diffuse Reflectance Spectra Based on Maximum Depth Photon Distributions: A Numerical Study / V. Colas [et al.] // Photonics. - 2021. - Vol. 8, № 10. - P. 444.

224. Colas, V. Influence of human epidermal thickness on penetration depth of detected photons in spatially-resolved diffuse reflectance spectroscopy: a numerical study / V. Colas [et al.] // Optical Interactions with Tissue and Cells XXXII Optical Interactions with Tissue and Cells XXXII. - SPIE, 2021. - Vol. 11640. - Influence of human epidermal thickness on penetration depth of detected photons in spatially-resolved diffuse reflectance spectroscopy. - P. 26-37.

225. Khrisroforova, Y. Combination of Optical Biopsy with Patient Data for Improvement of Skin Tumor Identification / Y. Khristoforova [et al.] // Diagnostics. -2022. - Vol. 12, № 10. - P. 2503.

226. Firooz, A. Variation of Biophysical Parameters of the Skin with Age, Gender, and Body Region / A. Firooz [et al.] // The Scientific World Journal. - 2012. -Vol. 2012. - P. e386936.

227. Зухайри, Х. Н. Исследование ранозаживления методами лазерного молекулярного имиджинга : специальность 1.3.21 : диссертация кандидата физико-математических наук / Зухайри Хала Нидаловна. - Томск, 2024. - 135 с.

228. Kesteven, G. L. The Coefficient of Variation / G. L. Kesteven // Nature. -1946. - Vol. 158, № 4015. - P. 520-521.