Ламоткин Андрей Игоревич
2-я Брестская ул., д. 5, Москва 123056
ул. Добролюбова, д. 11, Москва 127254
Andrey I. Lamotkin
5 2nd Brestskaya Str., Moscow 123056
11 Dobrolyubov Str., Moscow 127254
Корабельников Даниил Иванович, к.м.н., доцент
2-я Брестская ул., д. 5, Москва 123056
Daniil I. Korabelnikov, PhD, Assoc. Prof.
5 2nd Brestskaya Str., Moscow 123056
Background. When applying computer vision programs in artificial intelligence (AI) models to diagnose skin tumors, melanoma in particular, even minimal classification errors are critical. Vision transformers (ViT), a new model architecture, have shown promising results in computer vision; however, their efficiency in classifying skin lesions has received insufficient research attention. This study is one of the first to directly compare convolutional neural networks (CNNs) and ViT on clinically relevant metrics, which is especially important for the implementation of AI in dermatological and oncological practice.
Objective: To compare the performance of CNNs and ViT in the tasks of binary classification of skin lesions: “melanoma/not melanoma” and “benign/malignant”.
Material and methods. The study used CNN (MobileNetV2, Xception) and ViT architectures. Testing was carried out on independent datasets (3000 and 4800 images, respectively) with assessment by the metrics of accuracy, sensitivity, specificity. Augmentation, class balancing, hyperparameter optimization, and data cleaning from artifacts were used.
Results. ViT showed superiority over CNNs. Thus, in the “melanoma/non-melanoma” task, the accuracy was 92.93% versus 88% for Xception, and in the “benign/malignant” task – 91.35% versus 85%. Transformer model demonstrated better specificity (up to 95%).
Conclusion. ViT provides higher accuracy due to the analysis of global patterns, although requiring careful tuning and high-quality data. CNNs remain a stable solution with limited data. For clinical use, a combination of both architectures is recommended to improve the reliability of diagnostics.
Актуальность. При применении программ компьютерного зрения в моделях искусственного интеллекта (ИИ) для целей диагностики кожных опухолей, особенно меланомы, критически важны минимальные ошибки классификации. Новая архитектура моделей – визуальные трансформеры (англ. vision transformer, ViT) демонстрируют перспективные результаты, однако их эффективность для классификации кожных новообразований изучена недостаточно. Данное исследование является одним из первых, где проведено прямое сравнение сверточных нейронных сетей (англ. convolutional neural network, CNN) и ViT на клинически значимых метриках, что особенно важно для внедрения ИИ в дерматологическую и онкологическую практику.
Цель: сравнить эффективность CNN и ViT в задачах бинарной классификации опухолей кожи: «меланома / не меланома» и «доброкачественное/злокачественное».
Материал и методы. В исследовании сравнивалась эффективность программ компьютерного зрения (приложения для смартфона) с использованием архитектуры CNN (MobileNetV2, Xception) и трансформера ViT. Тестирование проводилось на независимых наборах данных (3000 и 4800 изображений соответственно) с оценкой по метрикам точности, чувствительности, специфичности. Применялись методы аугментации, балансировки классов, оптимизации гиперпараметров и очистки данных от артефактов.
Результаты. ViT показал превосходство над CNN: в задаче «меланома / не меланома» точность составила 92,93% против 88% у Xception, а в задаче «доброкачественное/злокачественное» – 91,35% против 85%. Модель трансформера продемонстрировала лучшую специфичность (до 95%).
Заключение. ViT обеспечивает более высокую точность за счет анализа глобальных паттернов, но требует тщательной настройки и качественных данных. CNN остаются стабильным решением при ограниченных данных. Для клинического применения рекомендовано комбинирование обеих архитектур, позволяющее повысить эффективность диагностики.
The authors declare that there are no conflicts of interest present.