Высокотехнологичные системы диагностики заболеваний в онкодерматологии с применением методов и средств искусственного интеллекта тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Отченашенко Александр Иванович

• Отченашенко Александр Иванович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Отченашенко Александр Иванович

БЛАГОДАРНОСТИ

ВВЕДЕНИЕ

ГЛАВА 1. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ДИАГНОСТИКЕ НОВООБРАЗОВАНИЙ КОЖИ: АНАЛИЗ МЕТОДОВ И СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ

1.1 Клинические аспекты злокачественных новообразований кожи

1.2 Ограничения традиционных методов диагностики и предпосылки для применения нейросетевых технологий

1.3 Нейросетевые подходы к анализу дерматоскопических изображений24

1.3.1 Архитектуры нейронных сетей для анализа медицинских изображений

1.3.2 Методы предварительной обработки изображений и аугментация данных

1.3.3 Методы выделения признаков новообразований с использованием глубокого обучения

1.4 Проблема объяснимости нейросетевых моделей в медицинской диагностике

1.5 Системы поддержки принятия врачебных решений на основе нейросетевых моделей

1.5.1 Мультимодальные системы диагностики новообразований кожи34

1.5.2 Взаимодействие "врач-нейросеть" в диагностике новообразований кожи

1.5.3 Клиническая валидация нейросетевых систем диагностики

1.6 Перспективы развития нейросетевых технологий в диагностике новообразований кожи

1.7 Выводы по главе

ГЛАВА 2. РАЗРАБОТКА СОВРЕМЕННЫХ МЕТОДОВ НЕЙРОСЕТЕВОГО АНАЛИЗА ДЕРМАТОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ

2.1 Взаимосвязь клинических проявлений новообразований кожи и их количественных характеристик

2.1.1 Формализация визуальных критериев оценки новообразований

2.1.2 Количественные параметры дерматоскопических изображений

2.2 Предварительная обработка дерматоскопических изображений

2.2.1 Метод сегментации новообразований на изображениях

2.2.2 Аугментация данных для обучения нейронных сетей

2.3. Разработка архитектуры нейронной сети для анализа дерматоскопических изображений

2.3.1 Сравнительный анализ базовых архитектур нейронных сетей

2.3.2 Модификация сверточных слоев для задачи дифференциации новообразований

2.3.3 Оптимизация архитектуры нейронной сети

2.4 Метод автоматизированной дифференциации новообразований кожи

2.5 Выводы по главе

ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНО-АППАРАТНОГО КОМПЛЕКСА ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ

3.1 Архитектура программно-аппаратного комплекса

3.1.1 Структурная схема и основные компоненты

3.1.2 Модульная организация программного обеспечения

3.2 Функциональный блок захвата и трансформации дерматологических визуализаций

3.2.1 Спецификации для цифровой фиксации изображений кожных

патологий

3.2.2 Калибровка и контроль качества изображений

3.3 Модуль классификации новообразований кожи

3.3.1 Интеграция нейросетевых моделей

3.3.2 Процедура анализа и классификации

3.4 Система формирования заключений и база данных пациентов

3.5 Методика выполнения автоматизированных измерений при дерматоскопическом исследовании

3.6 Выводы по главе

ГЛАВА 4. ТЕХНИЧЕСКАЯ АПРОБАЦИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОГРАММНО-АППАРАТНОГО КОМПЛЕКСА

4.1 Конструирование и валидация репрезентативного электронного архива диагностических визуализаций с клинической верификацией

4.1.1 Методика сбора и подготовки данных

4.1.2 Анализ репрезентативности выборки

4.2 Валидация разработанных моделей искусственного интеллекта

4.2.1 Методика проведения валидации

4.2.2 Результаты валидации на тестовой выборке

4.3 Техническая апробация программно-аппаратного комплекса

4.3.1 Методика проведения испытаний

4.3.2. Анализ диагностической эффективности

4.3.3. Сравнение с традиционными методами диагностики

4.4. Рекомендации по внедрению и использованию комплекса в клинической практике

4.5. Перспективы дальнейшего развития

4.6. Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение А. Акты внедрения результатов исследования

Приложение Б. Свидетельство о государственной регистрации программ для ЭВМ

Приложение В. Патент на изобретение

БЛАГОДАРНОСТИ

Выражаю глубокую признательность моему научному руководителю, доктору технических наук, профессору, лауреату премии Правительства Российской Федерации Никитаеву Валентину Григорьевичу за неоценимую помощь, научное руководство, ценные советы и поддержку на всех этапах выполнения диссертационного исследования.

Особую благодарность выражаю коллективам ЦГМА Управления делами Президента Российской Федерации и НИЦ «Клиника дерматологии» за предоставленную возможность проведения технической апробации разработанного программно-аппаратного комплекса и формирование верифицированной базы данных дерматоскопических изображений.

Выражаю признательность сотрудникам кафедры компьютерных медицинских систем Национального исследовательского ядерного университета «МИФИ» за плодотворное сотрудничество и ценные научные дискуссии, которые способствовали улучшению качества исследования.

Выражаю благодарность Инженерно-физическому институту биомедицины Национального исследовательского ядерного университета «МИФИ» за поддержку исследовательской деятельности и создание благоприятных условий для реализации научных идей.

Благодарю моих коллег и соавторов публикаций, которые приняли участие в отдельных направлениях данной работы, за их вклад и конструктивные замечания.

Искреннюю благодарность выражаю моей семье за постоянную поддержку, терпение и понимание на протяжении всего времени работы над диссертацией.

Введение диссертации (часть автореферата) на тему «Высокотехнологичные системы диагностики заболеваний в онкодерматологии с применением методов и средств искусственного интеллекта»

ВВЕДЕНИЕ

Актуальность темы исследования. Эпидемиологические исследования демонстрируют, что злокачественные неоплазии кожного покрова, включая как меланоцитарные, так и немеланоцитарные формы, сохраняют доминирующие позиции в структуре онкологической заболеваемости. Данная тенденция наблюдается как в национальной статистике Российской Федерации, так и в глобальных эпидемиологических регистрах, фиксирующих распространенность онкопатологии в мировом масштабе. Исследования показывают, что лечение злокачественных новообразований кожи наиболее эффективно на 1 -й и 2-й стадии развития заболевания, при которых пятилетняя выживаемость составляет более 80%. Причинами несвоевременного выявления и неблагоприятного исхода заболевания являются позднее обращение пациента к онкологу или врачебная ошибка.

Несмотря на значительные достижения в области диагностики новообразований кожи, отраженные в работах отечественных ученых (РА. Томакова, 2022; В.П. Захаров, 2023; И.А. Братченко, 2024) и зарубежных исследователей (А. Эстева, 2017; М. Сингх, 2022; Г. Аргенциано, 2018), проблема раннего выявления меланомы кожи остается нерешенной, что подтверждается тенденцией ежегодного роста заболеваемости населения на 5-7%.

Анализ современных исследований выявил существующее ограничение возможностей традиционных методов диагностики, точность которых составляет 75-85% при первичном обследовании и существенно зависит от квалификации специалиста. Особенно сложная ситуация наблюдается при ранней диагностике меланомы, когда клинические проявления минимальны, а визуальная оценка затруднена даже для опытных дерматологов.

Анализ существующих методов диагностики новообразований кожи и систем компьютерного анализа медицинских изображений, представленных в работах ведущих отечественных (В.Г. Никитаев, 2024; С.А. Филист, 2024; Н.А. Кореневский, 2024; В.П. Захаров, 2024; С.В. Фролов, 2024; Н.Л. Коржук, 2021) и

зарубежных ученых (Г. Аргенциано, 2018; Х. Киттлер, 2020; А. Эстева, 2017), показал многообразие подходов к дифференциальной диагностике меланомы. Современные исследования охватывают такие направления, как предварительная обработка изображений, выделение признаков новообразований, сегментация областей интереса, глубокое обучение и верификация результатов. Однако существующие подходы не обеспечивают необходимой точности и скорости диагностики, особенно на ранних стадиях развития заболевания, что подтверждает актуальность дальнейших исследований.

Значительное развитие элементной базы оптической визуализации, возможность обработки изображений в реальном масштабе времени, применение современных методов искусственного интеллекта делают создание отечественных программно-аппаратных комплексов для неинвазивной диагностики новообразований кожи крайне привлекательным. Однако инженерная реализация подобных биотехнических систем сопряжена с преодолением комплекса научно-технических вызовов, среди которых приоритетную значимость имеет задача имплементации высокоэффективных математических моделей дискриминации неопластических образований. Это необходимо для значительного повышения ключевых диагностических характеристик: сенситивности, специфичности и диагностической точности - с текущего диапазона 75-85%, наблюдаемого при традиционных подходах, до клинически значимого порогового уровня 95% и более.

Степень разработанности темы. Проблеме диагностики новообразований кожи с использованием методов искусственного интеллекта посвящено значительное количество исследований. В области применения искусственного интеллекта для анализа дерматоскопических изображений важную роль сыграли работы российских ученых (В.Г. Никитаев, 2024; В.Ю. Сергеев, 2024) и зарубежных исследователей (А. Эстева, 2017; Й. Малвехи, 2013; Г. Фридман, 1985). Особую значимость имеют фундаментальные алгоритмы диагностики меланомы, разработанные Г. Аргенциано (2018) и Х. Киттлером (2020). Недавние достижения

в области глубокого обучения расширили возможности диагностических систем, однако редко учитывают специфику дерматоскопической диагностики.

Текущее развитие методов глубокого обучения, представленное в работах К. Вэнг (2023), И. Гудфеллоу (2020), Д.П. Кингмы (2024), открыло новые возможности для разработки высокоточных диагностических систем, однако эти подходы редко учитывают специфику дерматоскопической диагностики и клинические особенности новообразований кожи.

Несмотря на значительный прогресс в данной области, существует ряд нерешенных проблем, требующих комплексного подхода:

1. большинство существующих алгоритмов ограничены в своей способности детектировать ранние признаки меланомы, когда визуальные проявления минимальны;

2. точность современных систем диагностики (75-85%) остается недостаточной для клинического применения без дополнительной верификации;

3. отсутствует единый стандартизированный подход к интеграции классических дерматоскопических критериев с методами глубокого обучения;

4. не решена проблема интерпретируемости результатов работы нейросетевых алгоритмов для медицинских специалистов;

5. отсутствие стандартизации существующих обучающих баз данных, которые собираются с использованием различных типов дерматоскопов и датчиков, что затрудняет создание универсальных моделей, эффективно работающих на разных типах кожи, при различных условиях освещения и с разными устройствами получения изображений.

Таким образом, несмотря на достигнутые успехи, актуальной остается задача создания комплексного подхода, объединяющего современные методы искусственного интеллекта с общепринятыми критериями анализа для разработки высокоточной и надежной системы поддержки принятия врачебных решений в онкодерматологии.

Объектом исследования являются методы и средства искусственного интеллекта, применяемые для анализа медицинских изображений в дерматоонкологии.

Предметом исследования являются алгоритмы и модели нейросетевого анализа дерматоскопических изображений для дифференциации новообразований кожи в системах поддержки принятия врачебных решений.

Целью работы является разработка программно-аппаратного комплекса поддержки принятия врачебных решений в онкодерматологии на основе методов глубокого обучения и серийного отечественного дерматоскопа РДС-2, обеспечивающего анализ изображений новообразований кожи с чувствительностью, специфичностью и точностью более 95% на тестовых наборах данных.

Для достижения поставленной цели были сформулированы следующие задачи:

1. определить взаимосвязь между клиническими проявлениями новообразований кожи и их количественными характеристиками, извлекаемыми из дерматоскопических изображений, для построения эффективных моделей искусственного интеллекта;

2. разработать метод дифференциации новообразований кожи на основе нейросетевого анализа дерматоскопических изображений;

3. создать и обучить модели глубокого обучения для классификации с чувствительностью, специфичностью и точностью более 95%;

4. апробировать разработанные методы в составе программно -аппаратного комплекса на верифицированной отечественной базе данных клинических изображений новообразований кожи (более 5000 образцов);

5. оценить техническую эффективность применения разработанного комплекса и определить перспективные направления развития в онкологии.

Научная новизна:

1. разработан комплексный метод анализа новообразований кожи, основанный на ансамбле нейросетевых алгоритмов, включающем

модифицированную архитектуру ResNet-50 с механизмом DenseNet-подобных связей, модуль сегментации U-Net и сеть YOLOv12 для обнаружения структурных элементов. Ключевая инновация заключается в интеграции современных методов искусственного интеллекта с общепринятыми дерматоскопическими критериями, что обеспечивает высокоточное определение характера новообразований и надежное обнаружение злокачественных признаков;

2. разработана и теоретически обоснована оригинальная гибридная архитектура сверточной нейронной сети для анализа дерматоскопических изображений, отличающаяся от существующих моделей наличием специализированных сверточных слоев с адаптивными рецептивными полями для выделения клинически значимых признаков новообразований кожи (атипичной пигментной сети, глобул неправильной формы, радиальных структур, бесструктурных областей), а также внедрением механизма самовнимания (self-attention) для анализа пространственных взаимосвязей между различными зонами поражения, что обеспечивает повышение точности классификации на 12% (с 84% до 96%) по сравнению с базовыми архитектурами мирового уровня при сокращении времени обработки изображения на 35%;

3. разработан и технически апробирован новый многоступенчатый метод контекстно-зависимой аугментации изображений новообразований кожи, отличающийся от традиционных подходов применением генеративных состязательных сетей для синтеза реалистичных вариаций патологий с сохранением клинически значимых признаков и адаптивным контролем степени преобразований в зависимости от типа новообразования и анатомической области, что позволяет в условиях ограниченной обучающей выборки (менее 5000 образцов) повысить точность работы моделей искусственного интеллекта на 8-10% за счет моделирования различных клинических случаев с разными условиями освещения, ракурсами съемки и индивидуальными особенностями кожи пациентов (фототип, возраст, локализация поражения).

Теоретическая и практическая значимость работы:

1. разработанный программно-аппаратный комплекс поддержки принятия врачебных решений позволяет обнаруживать и выделять на изображениях признаки озлокачествления на ранней стадии развития опухоли с чувствительностью 97%, специфичностью 95% и точностью 96% на тестовой выборке данных, что потенциально может способствовать более эффективному анализу новообразований кожи специалистами при использовании системы в качестве инструмента поддержки принятия решений;

2. автором в научном содружестве с ЦГМА Управления делами Президента РФ и НИЦ «Клиника дерматологии» создана уникальная верифицированная база данных цифровых изображений новообразований кожи, сочетающая одновременно образцы с предварительной диагностикой и с постоперационной диагностикой иссеченных биотканей с помощью гистологических исследований, что позволяет повысить качество обучения нейросетевых моделей;

3. созданная автором программа в составе программно-аппаратного комплекса внедрена в научно-исследовательскую деятельность ЦГМА Управления делами Президента РФ и НИЦ «Клиника дерматологии» и может быть использована для поддержки принятия врачебных решений.

Положения, выносимые на защиту:

1. метод анализа дерматоскопических изображений на основе специализированных нейросетевых алгоритмов обеспечивает дифференциацию пигментных новообразований с показателями: чувствительность 97%, специфичность 95%, точность 96%. Эти результаты превосходят известные алгоритмические методы на 8-12% при сравнительных вычислительных экспериментах;

2. предложенная архитектура нейронной сети с предварительной обработкой дерматоскопических изображений обеспечивает погрешность распознавания новообразований кожи, не превышающую 3% благодаря применению специализированных сверточных слоев и техник многоступенчатой

аугментации данных, что обеспечивает стабильно высокую точность анализа изображений;

3. разработанный и апробированный метод контекстно-зависимой аугментации изображений новообразований кожи с применением генеративных состязательных сетей позволяет в условиях ограниченной обучающей выборки (менее 5000 образцов) повысить точность работы моделей искусственного интеллекта на 8-10%, что в сочетании с предложенными алгоритмами обеспечивает достижение высоких показателей эффективности при дифференциации новообразований кожи (чувствительность: 97%, специфичность: 95%, общая точность: 96%), подтвержденных результатами технической апробации.

Методология и методы исследования. При решении поставленных задач использованы основные положения теории искусственного интеллекта, методы машинного и глубокого обучения, методы цифровой обработки и анализа изображений, методы распознавания образов и компьютерного зрения, методы статистического анализа экспериментальных данных. Проведение экспериментальных исследований осуществлялось на верифицированной базе данных медицинских изображений с использованием разработанной автором программы в составе программно-аппаратного комплекса.

Степень достоверности и апробация работы. Достоверность представленных в диссертационной работе результатов подтверждается:

1. фундаментальными теоретическими положениями в области машинного обучения, нейронных сетей и компьютерного зрения, а также принципами доказательной медицины;

2. проведенными автором численными и физическими экспериментами;

3. соответствием полученных результатов известным научным данным, теоретическим расчетам и результатам других авторов;

4. верификацией результатов диагностики с помощью гистологических исследований;

5. статистически значимой выборкой клинических случаев (более 5000 изображений);

6. положительными результатами технической апробации программно-аппаратного комплекса.

Основные результаты диссертационного исследования докладывались и обсуждались на следующих научных конференциях: Международная конференция по численному анализу и прикладной математике ICNAAM-2024 (г. Ираклион, Греция, 11-17 сентября 2024 г.), тема доклада: «Mathematical Modeling of Globular Symmetry as a Tool for Melanoma Diagnosis»; Международная конференция «Системы и технологии цифровой медицины STDH-2023» (г. Ташкент, Узбекистан, 4-7 октября 2023 г.), тема доклада: «Semantic segmentation of skin neoplasms: the way to an accurate diagnosis»; Международная конференция по численному анализу и прикладной математике ICNAAM-2023 (г. Ираклион, Греция, 11-17 сентября 2023 г.), тема доклада: «New approach to segmentation of compute tomography images in cancer diagnosis»; Всероссийская конференция «Современные проблемы физики и технологий» (г. Москва, 26-28 апреля 2022 г.), тема доклада: «Разработка системы классификации типов линий и определения их характеристик на изображениях новообразований кожи»; Международная конференция «Инженерно-физические технологии биомедицины» (г. Москва, 2324 ноября 2021 г.), тема доклада: «Model of quantitative characteristics of structural elements of "lines" in the tasks of automating the diagnosis of melanoma».

Реализация и внедрение результатов исследований. Разработан программно-аппаратный комплекс, который был успешно апробирован в ЦГМА Управления делами Президента РФ и НИЦ «Клиника дерматологии». Результаты исследования получены в тесном научном содружестве с ЦГМА Управления делами Президента РФ и НИЦ «Клиника дерматологии», что позволило обеспечить высокую применимость разработанных методов и технологий.

Результаты диссертации использованы в научно-исследовательской деятельности ЦГМА Управления делами Президента РФ, НИЦ «Клиника дерматологии», а также в учебном процессе кафедры компьютерных медицинских систем НИЯУ МИФИ.

Личный вклад автора. Все основные научные результаты получены автором лично. Автором самостоятельно предложены методы и алгоритмы анализа дерматоскопических изображений, разработана архитектура нейронной сети, произведена разработка и апробация программной части в составе программно -аппаратного комплекса.

Публикации. Основные результаты диссертации опубликованы в 7 научных работах, из которых: 5 работ в рецензируемых журналах и изданиях, входящих в Перечень ВАК РФ. Общий объем 6,2 п.л. Получен патент на изобретение и свидетельство о государственной регистрации программ для ЭВМ.

Структура и объем диссертационной работы. Работа состоит из введения, 4 глав, заключения, списка сокращений и условных обозначений, списка литературы из 135 наименований и приложений. Диссертация изложена на 127 страницах машинописного текста, содержит 11 рисунков, 9 таблиц.

ГЛАВА 1. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ДИАГНОСТИКЕ НОВООБРАЗОВАНИЙ КОЖИ: АНАЛИЗ МЕТОДОВ И СИСТЕМ ПОДДЕРЖКИ

ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ

1.1 Клинические аспекты злокачественных новообразований кожи

Заболеваемость раком кожи (включая меланому) занимает одно из лидирующих мест среди злокачественных опухолей, выявляемых как в России, так и во всем мире. По данным Всемирной организации здравоохранения (ВОЗ), на 2020 год зарегистрировано более 1,5 миллиона новых случаев рака кожи [1]. Согласно аналитическому отчету Международного агентства по исследованию рака (IARC) за 2020 год, глобальная заболеваемость меланомой достигла приблизительно 325 тысяч впервые диагностированных случаев. В тот же период зафиксирована летальность от данной онкопатологии на уровне 57 тысяч смертельных исходов в мировом масштабе. Более того, исследователи прогнозируют рост заболеваемости раком кожи более чем на 50% с 2020 по 2040 год [2].

Эпидемиологический мониторинг неопластических заболеваний кожи, проведенный в Российской Федерации в 2023 году, выявил следующие популяционные показатели: распространённость злокачественной меланомы достигает 9,07 случаев на 100 тысяч популяционной выборки, в то время как кумулятивный показатель встречаемости немеланомных злокачественных неоплазий кожных покровов фиксируется на уровне 62,79 пациентов на аналогичную статистическую единицу населения [3].

Среди известных злокачественных новообразований кожи особое место занимает меланома, которая при небольшой доле в структуре заболеваемости (около 4% от общего числа выявленных случаев рака кожи) является причиной 80% всех случаев смерти от рака кожи вследствие высокой способности к метастазированию [4]. Согласно эпидемиологическим данным, представленным в работах [5, 6], на территории Российской Федерации злокачественная меланома

демонстрирует вторую по интенсивности динамику роста случаев заболеваемости среди всех онкологических патологий.

Исследования показывают, что лечение злокачественных новообразований кожи наиболее эффективно на ранних стадиях развития заболевания. Долгосрочный прогноз при злокачественной меланоме демонстрирует строгую стадиоспецифическую зависимость. Анализ показателей пятилетней выживаемости выявляет следующую градацию: интраэпидермальная меланома (стадия in situ) характеризуется 100-процентной выживаемостью; стадия I обеспечивает вероятность пятилетней выживаемости превышающую 90%; при стадии II показатель снижается, но сохраняется выше уровня 70%; на стадии III наблюдается дальнейшее прогрессирующее уменьшение данного индикатора. Анализ факторов, приводящих к запоздалой диагностике и, как следствие, неблагоприятному клиническому прогнозу, выявляет два ключевых аспекта проблемы [10]: с одной стороны - отсроченное самообращение пациентов в специализированные онкологические учреждения при появлении первичных симптомов; с другой стороны - недостаточная онкологическая настороженность и некорректная интерпретация ранних клинических признаков малигнизации медицинскими специалистами неонкологического профиля.

В клинической онкодерматологии выделяют следующие основные типы новообразований кожи:

- злокачественная меланома (MM) - наиболее опасный тип рака кожи, развивающийся из клеток-меланоцитов [11]. Эпидемиологические исследования демонстрируют, что 70% случаев меланома возникает в результате неопластической трансформации предсуществующих доброкачественных меланоцитарных пролифераций - невусных элементов различной морфологии. Современная онкодерматологическая классификация [12] дифференцирует несколько основных клинико-морфологических вариантов меланомы: поверхностно-распространяющийся подтип с преимущественно горизонтальным ростом; меланома на фоне злокачественного лентиго, развивающаяся на терминально поврежденной солнцем коже; акрально-лентигинозная форма с

преимущественной локализацией на конечностях; нодулярный (узловой) вариант с агрессивным вертикальным ростом; особый подтип - амеланотическая меланома, проявляющаяся клинически как непигментированное образование папулезной, бляшковидной или верруциформной конфигурации, часто с центральной ульцерацией.

- базальноклеточная карцинома (ВСС) - одно из самых распространенных злокачественных новообразований кожи эпидермального происхождения. Её доля в структуре зарегистрированных случаев в РФ составляет 60-80% [13]. Гистогенез базальноклеточной карциномы ассоциирован с мутационной трансформацией эпидермальных кератиноцитов, локализованных в базальном слое эпидермиса.

- плоскоклеточный рак ^СС) - согласно современным эпидемиологическим данным [13], SCC занимает вторую позицию по частоте встречаемости среди немеланоцитарных кожных злокачественных новообразований после базальноклеточной карциномы (ВСС). В этиопатогенезе данной неоплазии центральную роль играет триада факторов риска: кумулятивный эффект инсоляционного воздействия, инволютивные возрастные трансформации эпидермиса и состояния, ассоциированные с супрессией иммунологической резистентности. Плоскоклеточная карцинома ^СС) демонстрирует выраженную тропность к эпидермальным участкам с хронической инсоляционной нагрузкой.

- доброкачественные новообразования кожи - включают пигментные невусы (РК, КБ), дерматофиброму (DF), папилломы различных видов (РР), себорейный кератоз ^К) и другие. Меланоцитарный невус представляет собой доброкачественную пролиферацию меланин-продуцирующих дендритических клеток нейроэктодермального происхождения. Эпидемиологические исследования свидетельствуют о его высокой распространенности - приблизительно 90% общей человеческой популяции имеют хотя бы один невусный элемент [14], что позволяет рассматривать данное образование как конституциональную особенность, а не патологическое состояние.

При диагностике новообразований кожи выделяют ряд клинических параметров, изменение которых может свидетельствовать о малигнизации. Наиболее значимыми являются:

1. цвет - в норме: светло-коричневый, коричневый, голубоватый; при патологии: темно-коричневый, черный, серый, розово-пурпурный;

2. равномерность пигментации - в норме: равномерная окраска; при патологии: неравномерное изменение окраски;

3. размеры - в норме диаметр менее 5 мм, площадь менее 20 мм2; при патологии: диаметр от 1 мм до 3 см, площадь до 7 см2;

4. граница - в норме: четкие ровные границы; при патологии: нечеткие границы;

5. форма - в норме: круглая, овальная; при патологии: произвольная;

6. структура - в норме: равномерная пигментная сеть, черные точки, однородная структура; при патологии: неравномерная пигментная сеть, бесструктурные зоны, атипичные гранулы и точки, неоднородная структура.

Инициальная фаза малигнизации меланоцитарного новообразования характеризуется специфической клинической эволюцией: предсуществующий невоидный элемент, спонтанно или вследствие микротравматизации (физического повреждения, термического воздействия), проявляет тенденцию к латеральной экспансии с сопутствующей трансформацией хроматических, морфологических и структурных характеристик. Наблюдаются изменения интенсивности и однородности пигментации, нарушение симметрии, модификация контура и иные визуально определяемые дерматоскопические трансформации.

Анализ современных исследований выявил существующее фундаментальное противоречие между потребностью в высокоточной (>95%) и ранней диагностике новообразований кожи и ограниченными возможностями традиционных методов диагностики, точность которых составляет 75-85% при первичном обследовании и существенно зависит от квалификации специалиста. Особенно сложная ситуация наблюдается при ранней диагностике меланомы, когда клинические проявления минимальны, а визуальная оценка затруднена даже для опытных дерматологов.

В последние годы в дерматоонкологии активно развивается направление, связанное с разработкой и внедрением цифровых биомаркеров - количественных показателей, измеряемых с помощью цифровых технологий, которые могут служить индикаторами заболеваний. В рамках диагностики новообразований кожи цифровые биомаркеры включают компьютерный анализ визуальных паттернов, текстурных и морфологических характеристик опухолевой ткани, получаемых с помощью цифровых дерматоскопических изображений [15, 16].

Применение методов компьютерного зрения и искусственного интеллекта (ИИ) позволяет выявить нередко недоступные человеческому глазу цифровые маркеры злокачественности новообразований. Например, нейросетевые алгоритмы способны обнаруживать ранние признаки атипии сосудистого рисунка, неравномерность распределения пигмента и другие микроскопические изменения, характерные для злокачественных процессов [17, 18].

Цифровые биомаркеры имеют ряд преимуществ по сравнению с традиционными методами визуальной оценки: они объективны, воспроизводимы, могут быть количественно измерены и непрерывно совершенствуются по мере накопления данных и развития алгоритмов машинного обучения [19]. Это открывает новые возможности для ранней, доклинической диагностики меланомы, когда визуальные признаки еще не выражены, но присутствуют определяемые цифровые маркеры злокачественности.

Список литературы диссертационного исследования кандидат наук Отченашенко Александр Иванович, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Otchenashenko A.I. et al. The method for evaluating the symmetry of the globule pattern in artificial intelligence systems for the diagnosis of skin neoplasms // Measurement Techniques. - 2025. - С. 1-9.

2. Отченашенко А.И. и др. Искусственный интеллект в онкоурологии: интегрированные технологии глубокого обучения в задачах сегментации трёхмерных изображений новообразований почек // Измерительная техника. -2025. - №. 11. - С. 45-52.

3. Злокачественные новообразования в России в 2023 году (заболеваемость и смертность) / под ред. А.Д. Каприна [и др.]. М.: МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 276 с.: ил.

4. Arnold M., Singh D., Laversanne M. et al. Global burden of cutaneous melanoma in 2020 and projections to 2040 // JAMA Dermatology. - 2022. - Vol. 158, № 5. - P. 495-503.

5. Шахзадова А., Старинский В., Лисичникова И. Состояние онкологической помощи населению России в 2022 году // Сибирский онкологический журнал. - 2023. - Т. 22, № 5. - С. 5-13.

6. Демидов Л.В., Соколов Д.В., Булычева И.В. Заболеваемость меланомой кожи в Российской Федерации и федеральных округах // Вестник РОНЦ им. Н.Н. Блохина РАМН. - 2007. - Т. 18, № 1. - С. 36-41.

7. Лемехов В.Г. Эпидемиология, факторы риска, скрининг меланомы кожи // Практическая онкология. - СПб.: Центр ТОММ, 2000. - № 4. - С. 3-11.

8. Eggermont A., Spatz A., Robert C. Cutaneous melanoma // The Lancet. -2014. - Vol. 383, № 9919. - P. 816-827.

9. Long G.V., Swetter S.M., Menzies A.M. et al. Cutaneous melanoma // The Lancet. - 2023. - Vol. 402, № 10400. - P. 485-502.

10. Чеботарев В., Закирова Ю. Некоторые аспекты эпидемиологии и диагностики злокачественных новообразований кожи // Креативная хирургия и онкология. - 2020. - № 1. - С. 65-73.

11. World Health Organization Classification of Tumours. Pathology and Genetics of Skin Tumours / LeBoit P.E., Burg G., Weedon D., Sarasain A. // IARC Press: Lyon, 2006. - 355 p.

12. Ascierto Paolo A., Lugowska I., Plummer R. Melanoma & Other Skin Cancers: Essentials for Clinicians // ESMO, 2021.

13. Nikolaou V., Stratigos A.J. Emerging trends in the epidemiology of melanoma // British Journal of Dermatology. - 2014. - Vol. 170, № 1. - P. 11-19.

14. Lowe G.C. et al. Increasing incidence of melanoma among middle-aged adults: an epidemiologic study in Olmsted County, Minnesota // Mayo Clinic Proceedings. - 2014. - Vol. 89, № 1. - P. 52-59.

15. Никитаев В.Г. и др. Модель искусственного интеллекта для семантической сегментации новообразований на изображениях кожи // Медицинская техника. - 2024. - Т. 1. - №. 343. - С. 26-28.

16. Nori S., Rius-Diaz F., Cuevas J. Sensitivity and specificity of reflectance-mode confocal microscopy for in vivo diagnosis of basal cell carcinoma: a multicenter study // J Am Acad Dermatol. - 2004. - Vol. 51, № 6. - P. 923-930.

17. Tsao H. et al. Early detection of melanoma: reviewing the ABCDEs // Journal of the American Academy of Dermatology. - 2015. - Vol. 72, № 4. - P. 717723.

18. Отченашенко А.И. и др. Характеристики структурных элементов "линий" в системе распознавания меланомы // Ядерная физика и инжиниринг. -2024. - Т. 14. - №. 2. - С. 185-188.

19. Huang Z., Lui H., Chen X. et al. Raman spectroscopy of in vivo cutaneous melanin // Journal of biomedical optics. - 2004. - Vol. 9, № 6. - P. 1198-1205.

20. Friedman R.J., Rigel D.S., Kopf A.W. Early detection of malignant melanoma: the role of physician examination and self-examination of the skin // CA: a cancer journal for clinicians. - 1985. - Vol. 35, № 3. - P. 130-151.

21. Rigel D.S., Russak J., Friedman R. The evolution of melanoma diagnosis: 25 years beyond the ABCDs // CA: a cancer journal for clinicians. - 2010. - Vol. 60, № 5. - P. 301-316.

22. Chen S.C., Bravata D.M., Weil E., Olkin I. A comparison of dermatologists' and primary care physicians' accuracy in diagnosing melanoma: a systematic review // Archives of dermatology. - 2001. - Vol. 137, № 12. - P. 1627-1634.

23. Vestergaard M., Macaskill P., Holt P., Menzies S. Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: a meta-analysis of studies performed in a clinical setting // British Journal of Dermatology. - 2008. - Vol. 159, № 3. - P. 669-676.

24. Киттлер Х. Дерматоскопия. Алгоритмический метод, основанный на анализе узора. - М.: Издательский дом Видар-М, 2018. - 248 с.

25. Кубанова А.А. и др. Конфокальная лазерная сканирующая микроскопия in vivo в диагностике меланоцитарных новообразований кожи // Вестник дерматологии и венерологии. - 2014. - № 3. - P. 85-94.

26. Rajadhyaksha M., Zavislan J.M. Confocal laser microscope images tissue in vivo // Laser Focus World. - 1997. - Vol. 33. - P. 119-127.

27. Carli P., de Giorgi V., Chiarugi A. et al. Addition of dermoscopy to conventional naked-eye examination in melanoma screening: a randomized study // Journal of the American Academy of Dermatology. - 2004. - Vol. 50, № 5. - P. 683-689.

28. Mogensen M., Thrane L., J0rgensen T.M. et al. OCT imaging of skin cancer and other dermatological diseases // Journal of biophotonics. - 2009. - Vol. 2, № 6-7. -P. 442-451.

29. Петрова Г.А. и др. Оптическая когерентная томография: зависимость параметров изображения от степени пигментации кожи // Медицинский альманах.

- 2010. - № 2 (11). - С. 310-313.

30. Olsen J. et al. Diagnostic accuracy of optical coherence tomography in actinic keratosis and basal cell carcinoma // Photodiagnosis and Photodynamic Therapy.

- 2016. - Vol. 16. - P. 44-49.

31. Walter F.M., Prevost A.T., Vasconcelos J. et al. Using the 7-point checklist as a diagnostic aid for pigmented skin lesions in general practice: a diagnostic validation study // British Journal of General Practice. - 2013. - Vol. 63, № 610. - P. e345-e353.

32. Ganster H. et al. Automated melanoma recognition // IEEE Transactions on Medical Imaging. - 2001. - Vol. 20, №3. - P. 233-239.

33. Rohrbach D.J. et al. Preoperative mapping of nonmelanoma skin cancer using spatial frequency domain and ultrasound imaging // Academic Radiology. - 2014.

- Vol. 21, № 2. - P. 263-270.

34. Haenssle H.A., Fink C., Schneiderbauer R. et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists // Annals of oncology. - 2018.

- Vol. 29, № 8. - P. 1836-1842.

35. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. - 2017. - Vol. 542, № 7639. - P. 115118.

36. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Advances in neural information processing systems. -2012. - Vol. 25. - P. 1097-1105.

37. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv preprint arXiv: 1409.1556. - 2014.

38. Brinker T.J., Hekler A., Enk A.H. et al. Deep neural networks are superior to dermatologists in melanoma image classification // European Journal of Cancer. -2019. - Vol. 119. - P. 11-17.

39. Mahbod A., Schaefer G., Ellinger I. et al. Fusing fine-tuned deep features for skin lesion classification // Computerized Medical Imaging and Graphics. - 2019. - Vol. 71. - P. 19-29.

40. Brinker T.J., Hekler A., Enk A.H. et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task // European Journal of Cancer. - 2019. - Vol. 113. - P. 47-54.

41. Tschandl P., Codella N., Akay B.N. et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study // The lancet oncology. - 2019. - Vol. 20, № 7. - P. 938-947.

42. Tan M., Le Q. EfficientNet: Rethinking model scaling for convolutional neural networks // International Conference on Machine Learning. - PMLR, 2019. - P. 6105-6114.

43. Maron R.C., Weichenthal M., Utikal J.S. et al. Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional neural networks // European Journal of Cancer. - 2019. - Vol. 119. - P. 57-65.

44. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. - Springer, Cham, 2015. - P. 234-241.

45. Varkentin A., Mazurenka M., Blumenrother E. et al. Trimodal system for in vivo skin cancer screening with combined optical coherence tomography-Raman and colocalized optoacoustic measurements // Journal of biophotonics. - 2018. - Vol. 11, № 6. - P. e201700288.

46. You C., Yi J.-Y., Hsu T.-W., Huang S.-L. Integration of cellular-resolution optical coherence tomography and Raman spectroscopy for discrimination of skin cancer cells with machine learning // Journal of Biomedical Optics. - 2023. - Vol. 28, № 9. - P. 096005-096005.

47. Mazurenka M., Behrendt L., Meinhardt-Wollweber M. et al. Development of a combined OCT-Raman probe for the prospective in vivo clinical melanoma skin cancer screening // Review of scientific instruments. - 2017. - Vol. 88, № 10. - P. 105103.

48. He K., Gkioxari G., Dollar P., Girshick R. Mask r-cnn // Proceedings of the IEEE international conference on computer vision. - 2017. - P. 2961-2969.

49. Hafemann L.G., Oliveira L.S., Cavalin P. Forest species recognition using deep convolutional neural networks // 2014 22nd International Conference on Pattern Recognition. - IEEE, 2014. - P. 1103-1107.

50. Goodfellow I., Pouget-Abadie J., Mirza M. et al. Generative adversarial nets // Advances in neural information processing systems. - 2014. - Vol. 27. - P. 2672-2680.

51. Yi X., Walia E., Babyn P. Generative adversarial network in medical imaging: A review // Medical image analysis. - 2019. - Vol. 58. - P. 101552.

52. Kingma D.P., Welling M. Auto-encoding variational bayes // arXiv preprint arXiv:1312.6114. - 2013.

53. Kingma D.P., Rezende D.J., Mohamed S., Welling M. Semi-supervised learning with deep generative models // Advances in neural information processing systems. - 2014. - Vol. 27. - P. 3581-3589.

54. Breiman L. Bagging predictors // Machine learning. - 1996. - Vol. 24. - P. 123-140.

55. Wolpert D.H. Stacked generalization // Neural networks. - 1992. - Vol. 5, № 2. - P. 241-259.

56. Phillips M., Marsden H., Jaffe W., et al. Assessment of accuracy of an artificial intelligence algorithm to detect melanoma in images of skin lesions // JAMA network open. - 2019. - Vol. 2, № 10. - P. e1913436-e1913436.

57. Hekler A., Utikal J.S., Enk A.H., et al. Superior skin cancer classification by the combination of human and artificial intelligence // European Journal of Cancer. -2019. - Vol. 120. - P. 114-121.

58. Отченашенко А.И. и др. Модель выделения структурных элементов-линий-на цифровых изображениях в онкодерматологии // Измерительная техника. - 2021. - №. 6. - С. 66-71.

59. Lee T., Ng V., Gallagher R. et al. Dullrazor: A software approach to hair removal from images // Computers in biology and medicine. - 1997. - Vol. 27, № 6. - P. 533-543.

60. Abbas Q., Garcia I.F., Emre Celebi M. et al. A perceptually oriented method for contrast enhancement and segmentation of dermoscopy images // Skin Research and Technology. - 2013. - Vol. 19, № 1. - P. e490-e497.

61. Mirzaalian H., Lee T.K., Hamarneh G. Hair detection, segmentation, and modeling in digital skin images: A review // IEEE journal of biomedical and health informatics. - 2015. - Vol. 20, № 1. - P. 153-162.

62. Talavera-Martínez L., Bibiloni P., González-Hidalgo M. Hair detection and segmentation in dermoscopic images: A hybrid approach using CNN and entropy-based methods // Entropy. - 2021. - Vol. 23, № 8. - P. 1001.

63. Otsu N. A threshold selection method from gray-level histograms // Automatica. - 1975. - Vol. 11, № 285-296. - P. 23-27.

64. Gonzalez R.C., Woods R.E. Digital Image Processing. - Pearson Prentice Hall, 2004. - 344 p.

65. Canny J. A computational approach to edge detection // IEEE Transactions on pattern analysis and machine intelligence. - 1986. - № 6. - P. 679-698.

66. Sobel I., Feldman G. A 3x3 isotropic gradient operator for image processing // Pattern Classification and Scene Analysis. - 1973. - P. 271-272.

67. Adams R., Bischof L. Seeded region growing // IEEE Transactions on pattern analysis and machine intelligence. - 1994. - Vol. 16, № 6. - P. 641-647.

68. Fan J., Yau D.K., Elmagarmid A.K., Aref W.G. Automatic image segmentation by integrating color-edge extraction and seeded region growing // IEEE transactions on image processing. - 2001. - Vol. 10, № 10. - P. 1454-1466.

69. Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models // International journal of computer vision. - 1988. - Vol. 1, № 4. - P. 321-331.

70. Chan T.F., Vese L.A. Active contours without edges // IEEE Transactions on image processing. - 2001. - Vol. 10, № 2. - P. 266-277.

71. Perez F., Vasconcelos C., Avila S., Valle E. Data augmentation for skin lesion analysis // In OR 2.0 Context-Aware Operating Theaters, Computer Assisted Robotic Endoscopy, Clinical Image-Based Procedures, and Skin Image Analysis. -Springer, Cham, 2018. - P. 303-311.

72. Shorten C., Khoshgoftaar T.M. A survey on image data augmentation for deep learning // Journal of big data. - 2019. - Vol. 6, № 1. - P. 1-48.

73. Bissoto A., Perez F., Valle E., Avila S. Skin lesion synthesis with generative adversarial networks // In OR 2.0 Context-Aware Operating Theaters, Computer Assisted Robotic Endoscopy, Clinical Image-Based Procedures, and Skin Image Analysis. -Springer, Cham, 2018. - P. 294-302.

74. Baur C., Albarqouni S., Navab N. MelanoGANs: high resolution skin lesion synthesis with GANs // arXiv preprint arXiv:1804.04338. - 2018.

75. Li Z., Liu F., Yang W. et al. A survey of convolutional neural networks: analysis, applications, and prospects // IEEE transactions on neural networks and learning systems. - 2021. - Vol. 33, № 12. - P. 6999-7019.

76. Liu L., Ouyang W., Wang X. et al. Deep learning for generic object detection: A survey // International journal of computer vision. - 2020. - Vol. 128, № 2. - P. 261-318.

77. Khan A., Sohail A., Zahoora U., Qureshi A.S. A survey of the recent architectures of deep convolutional neural networks // Artificial intelligence review. -2020. - Vol. 53, № 8. - P. 5455-5516.

78. Weiss K., Khoshgoftaar T.M., Wang D. A survey of transfer learning // Journal of Big data. - 2016. - Vol. 3. - P. 1-40.

79. Yosinski J., Clune J., Bengio Y., Lipson H. How transferable are features in deep neural networks? // Advances in neural information processing systems. - 2014. -Vol. 27. - P. 3320-3328.

80. Tschandl P., Argenziano G., Razmara M., Yap J. Diagnostic accuracy of content-based dermatoscopic image retrieval with deep classification features // British Journal of Dermatology. - 2019. - Vol. 181, № 1. - P. 155-165.

81. Lucieri A., Bajwa M.N., Braun S.A. et al. On interpretability of deep learning based skin lesion classifiers using concept activation vectors // International Joint Conference on Neural Networks (IJCNN). - IEEE, 2020. - P. 1-10.

82. Jaworek-Korjakowska J. Novel method for border irregularity assessment in dermoscopic color images // Computational and mathematical methods in medicine. -2015. - Vol. 2015. - P. 1-11.

83. Kim B., Wattenberg M., Gilmer J. et al. Interpretability beyond feature attribution: Quantitative testing with concept activation vectors (TCAV) // International conference on machine learning. - PMLR, 2018. - P. 2668-2677.

84. Lucieri A., Bajwa M.N., Braun S.A. et al. ExAID: A multimodal explanation framework for computer-aided diagnosis of skin lesions // Computer Methods and Programs in Biomedicine. - 2022. - Vol. 213. - P. 106513.

85. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation) // Official Journal of the European Union. - 2016.

- L 119/1.

86. European Parliament. European Parliament resolution of 12 February 2019 on a comprehensive European industrial policy on artificial intelligence and robotics (2018/2088(INI)) // Official Journal of the European Union. - 2019. - C 449/37.

87. European Parliament. European Parliament resolution of 16 February 2017 with recommendations to the Commission on Civil Law Rules on Robotics (2015/2103(INL)) // Official Journal of the European Union. - 2018. - C 252/239.

88. Tonekaboni S., Joshi S., McCradden M.D., Goldenberg A. What clinicians want: contextualizing explainable machine learning for clinical end use // Machine Learning for Healthcare Conference. - PMLR, 2019. - P. 359-380.

89. Badgeley M.A., Zech J.R., Oakden-Rayner L. et al. Deep learning predicts hip fracture using confounding patient and healthcare variables // NPJ digital medicine. -2019. - Vol. 2, № 1. - P. 1-10.

90. Winkler J.K., Fink C., Toberer F. et al. Association between surgical skin markings in dermoscopic images and diagnostic performance of a deep learning convolutional neural network for melanoma recognition // JAMA dermatology. - 2019.

- Vol. 155, № 10. - P. 1135-1141.

91. Selvaraju R.R., Cogswell M., Das A. et al. Grad-cam: Visual explanations from deep networks via gradient-based localization // Proceedings of the IEEE international conference on computer vision. - 2017. - P. 618-626.

92. Bach S., Binder A., Montavon G. et al. On pixel-wise explanations for nonlinear classifier decisions by layer-wise relevance propagation // PloS one. - 2015. - Vol. 10, № 7. - P. e0130140.

93. Montavon G., Lapuschkin S., Binder A. et al. Explaining nonlinear classification decisions with deep Taylor decomposition // Pattern recognition. - 2017. -Vol. 65. - P. 211-222.

94. Ribeiro M.T., Singh S., Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier // Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. - 2016. - P. 1135-1144.

95. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions // Advances in neural information processing systems. - 2017. - Vol. 30. - P. 4765-4774.

96. Goyal Y., Wu Z., Ernst J. et al. Counterfactual visual explanations // International Conference on Machine Learning. - PMLR, 2019. - P. 2376-2384.

97. Chen Z., Bei Y., Rudin C. Concept whitening for interpretable image recognition // Nature Machine Intelligence. - 2020. - Vol. 2, № 12. - P. 772-782.

98. Ming Y., Xu P., Qu H., Ren L. Interpretable and steerable sequence learning via prototypes // Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. - 2019. - P. 903-913.

99. Bahdanau D., Cho K., Bengio Y. Neural machine translation by jointly learning to align and translate // arXiv preprint arXiv: 1409.0473. - 2014.

100. Kaur H., Nori H., Jenkins S. et al. Interpreting interpretability: understanding data scientists' use of interpretability tools for machine learning // Proceedings of the 2020 CHI conference on human factors in computing systems. - 2020. - P. 1-14.

101. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. - 2019. -Vol. 1, № 5. - P. 206-215.

102. Koteluk O., Wartecki A., Mazurek S. et al. Systematic review of explainable artificial intelligence in skin cancer recognition // Computers in Biology and Medicine. -2022. - Vol. 152. - P. 106336.

103. Chen Z., Chen L., Mercado L. et al. MelaNet for predicting melanoma among skin cancer pathology images // Genome Medicine. - 2021. - Vol. 13, № 1. - P. 1-13.

104. Tschandl P., Sinz C., Kittler H. Domain-specific classification-pretrained fully convolutional network encoders for skin lesion segmentation // Computers in biology and medicine. - 2019. - Vol. 104. - P. 111-116.

105. Zhou B., Khosla A., Lapedriza A. et al. Learning deep features for discriminative localization // Proceedings of the IEEE conference on computer vision and pattern recognition. - 2016. - P. 2921-2929.

106. Liu Y., Jain A., Eng C. et al. A deep learning system for differential diagnosis of skin diseases // Nature medicine. - 2020. - Vol. 26, № 6. - P. 900-908.

107. Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need // Advances in neural information processing systems. - 2017. - Vol. 30. - P. 5998-6008.

108. Varkentin A. et al. Comparative study of presurgical skin infiltration depth measurements of melanocytic lesions with OCT and high frequency ultrasound //Journal of biophotonics. - 2017. - Т. 10. - №. 6-7. - С. 854-861.

109. Radford A., Kim J.W., Hallacy C. et al. Learning transferable visual models from natural language supervision // International conference on machine learning. -PMLR, 2021. - P. 8748-8763.

110. Chanda S., Codella N.C., Parthasarathy M. et al. Improving the human-AI partnership with fine-grained structured explanations // arXiv preprint arXiv:2108.00916. - 2021.

111. Tschandl P., Kittler H., Argenziano G. Accuracy of dermatologists, artificial intelligence and human-AI hybrid in diagnosis of melanoma // The Lancet Digital Health. - 2022. - Vol. 4, № 7. - P. e535-e544.

112. Chanda C. et al. Medicinal plants-from traditional use to toxicity assessment: a review. - 2015.

113. Poursabzi-Sangdeh F., Goldstein D.G., Hofman J.M. et al. Manipulating and measuring model interpretability // Proceedings of the 2021 CHI conference on human factors in computing systems. - 2021. - P. 1-52.

114. Lyell D., Coiera E. Automation bias and its mitigation // Studies in health technology and informatics. - 2016. - Vol. 228. - P. 65-71.

115. Jacovi A., Bastings J., Gehrmann S. et al. User-centered explainable AI: Towards understanding why the deep learning security classifier made its decision // IEEE Transactions on Artificial Intelligence. - 2022. - Vol. 3, № 6. - P. 1067-1087.

116. Benjamens S., Dhunnoo P., Mesko B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database // NPJ digital medicine. - 2020. - Vol. 3, № 1. - P. 1-8.

117. Collins G.S., Moons K.G. Reporting of artificial intelligence prediction models // The Lancet. - 2019. - Vol. 393, № 10181. - P. 1577-1579.

118. Willemink M.J., Koszek W.A., Hardell C. et al. Preparing medical imaging data for machine learning // Radiology. - 2020. - Vol. 295, № 1. - P. 4-15.

119. Zech J.R., Badgeley M.A., Liu M. et al. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: a cross-sectional study // PLoS medicine. - 2018. - Vol. 15, № 11. - P. e1002683.

120. Kelly C.J., Karthikesalingam A., Suleyman M. et al. Key challenges for delivering clinical impact with artificial intelligence // BMC medicine. - 2019. - Vol. 17, № 1. - P. 1-9.

121. Davenport T., Kalakota R. The potential for artificial intelligence in healthcare // Future healthcare journal. - 2019. - Vol. 6, № 2. - P. 94.

122. Esteva A., Chou K., Yeung S. et al. Deep learning-enabled medical computer vision // NPJ digital medicine. - 2021. - Vol. 4, № 1. - P. 1-9.

123. Ting D.S., Cheung C.Y.L., Lim G. et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes // Jama. - 2017. - Vol. 318, № 22. -P. 2211-2223.

124. Yeung S., Downing N.L., Fei-Fei L., Milstein A. Bedside computer vision— moving artificial intelligence from driver assistance to patient safety // New England Journal of Medicine. - 2018. - Vol. 378, № 14. - P. 1271-1273.

125. Regulation (EU) 2017/745 of the European Parliament and of the Council of 5 April 2017 on medical devices // Official Journal of the European Union. - 2017. - L 117/1.

126. U.S. Food and Drug Administration. Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) // Discussion Paper and Request for Feedback. - 2019.

127. He J., Baxter S.L., Xu J. et al. The practical implementation of artificial intelligence technologies in medicine // Nature medicine. - 2019. - Vol. 25, № 1. - P. 3036.

128. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nature medicine. - 2019. - Vol. 25, № 1. - P. 44-56.

129. Rieke N., Hancox J., Li W. et al. The future of digital health with federated learning // NPJ digital medicine. - 2020. - Vol. 3, № 1. - P. 1-7.

130. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. - 2017. - Vol. 542, № 7639. - P. 115118.

131. Freeman K., Dinnes J., Chuchu N. et al. Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic accuracy studies // BMJ. - 2020. - Vol. 368. - P. m127.

132. Tschandl P., Rinner C., Apalla Z. et al. Human-computer collaboration for skin cancer recognition // Nature Medicine. - 2020. - Vol. 26, № 8. - P. 1229-1234.

133. Jain S., Pise N. Computer aided melanoma skin cancer detection using image processing // Procedia Computer Science. - 2015. - Vol. 48. - P. 735-740.

134. Marchetti M.A., Liopyris K., Dusza S.W. et al. Computer algorithms show potential for improving dermatologists' accuracy to diagnose cutaneous melanoma: Results of the International Skin Imaging Collaboration 2017 // Journal of the American Academy of Dermatology. - 2020. - Vol. 82, № 3. - P. 622-627.

135. Friedman R.J., Rigel D.S., Kopf A.W. Early detection of malignant melanoma: the role of physician examination and self-examination of the skin // CA: a cancer journal for clinicians. - 1985. - Vol. 35, № 3. - P. 130-151.

124

ПРИЛОЖЕНИЯ Приложение А. Акты внедрения результатов исследования

Общество с ограниченной о т в е тс т в е н н о с т ь ю

£ «Научно-исследовательский центр

«Клиника Дерматологии»

П./.ГГ.П ХП1-.Ч11Г11П(П11ЛЛ1ЛЛ1 1-1ГШ1 £ 1 Г\Т1Л £ПСА7

ИННЖПП 7713721079/771301001 ОГРН 5107746056700 17434, Г.Москва, вн.тер. г. Муниципальный Округ Тимирязевский, ш Дмитровское, дом 27. этаж 20, плииимир 1 А-9А.КГ)МЛ.2.3.4.5

помещение 1А-2А,КОМ.1,2,3,4,5 утвЕрждАЮ

Генеральный директор ООО < Научно-

АКТ ВНЕДРЕНИЯ результатов диссертационного исследования Отченашенко Александра Ивановича на тему «Высокотехнологичные системы диагностики заболеваний в онкодерматологии с применением методов и средств искусственного интеллекта»

Комиссия в составе генерального директора НИЦ «Клиника дерматологии» Леонова Валерия Павловича, к.м.н., руководителя практической подготовки по специальности «кожные и венерические болезни» к.м.н. Сергеева Василия Юрьенича и ^м^^ врача дерматовенеролога Бурцевой Галины Николаевны составила настоящий акт внедрения результатов диссертационного исследования Отченашенко Александра Ивановича в научно-исследовательскую деятельность НИЦ «Клиника дерматологии».

В научно-исследовательскую деятельность внедрен программно-аппаратный комплекс классификации дсрматоскопи ческих снимков новообразован™ кожи „а основе разработанной автопом в процессе диссертационного исследования нейронной сети.

Результаты внедрения- разработанный комплекс используется в клинике с января 2025 года

формиро^^упп риска по злокачественным новообразованиям среди населения.

Врач дерматовенеролог, к.м.н. Бурцева Г.Н.

Руководитель практической подготовки, к.м.н. Сергеев В.Ю

Рисунок А.1 - Акт внедрения в научно-исследовательскую деятельность

Рисунок А.2 - Акт внедрения в учебный процесс

Приложение Б. Свидетельство о государственной регистрации программ для ЭВМ

Рисунок Б.1 - Свидетельство о государственной регистрации программы

для ЭВМ № 2024685913

Приложение В. Патент на изобретение

Рисунок В.1 - Патент на изобретение № 2780367