Искусственный интеллект в дерматовенерологии: сравнительный анализ применяемых программ компьютерного зрения на основе моделей машинного обучения

ВВЕДЕНИЕ / INTRODUCTION

В эпоху цифровизации здравоохранение претерпевает значительные изменения, и дерматовенерология не является исключением. Как клиническая специальность она ориентирована на визуальную диагностику и идеально подходит для интеграции цифровых технологий.

Применение искусственного интеллекта (ИИ) в дерматовенерологии имеет глубокие корни, уходящие в начало 2000-х гг. За это время достигнуто множество значимых результатов в области интеграции ИИ в клиническую диагностику и его применения в персонализированном лечении. ИИ оказал революционное влияние на диагностику, лечение и управление кожными заболеваниями [1][2].

В начале 2000-х гг. исследователи приступили к изучению возможности использования алгоритмов машинного обучения в области дерматовенерологии. С развитием смартфонов и ИИ мобильные приложения стали мощным инструментом для пациентов и врачей, позволяя выполнять предварительную оценку патологий кожи, мониторить изменения в динамике и проводить консультации удаленно. В последующие десятилетия были разработаны сверточные (искусственные) нейронные сети (англ. convolutional neural network, CNN) для различных медицинских задач. Однако их применение в дерматовенерологии все еще нуждается в совершенствовании. Одним из ключевых направлений использования CNN является распознавание доброкачественных и злокачественных образований кожи in vivo [3]. Для анализа медицинский изображений применяется компьютерное зрение (англ. computer vision). Ключевой задачей в области компьютерного зрения считается классификация изображений, что имеет высокую значимость для клинической практики [4].

Внедрение технологий ИИ в дерматовенерологию открывает возможности для ускорения и повышения точности диагностики, персонализации лечебных процессов и улучшения результатов для пациентов. Однако, несмотря на потенциал, существуют вызовы, такие как отсутствие прозрачности в алгоритмах и предвзятости данных при обучении моделей [5][6].

Цель – сравнительный анализ современных программ для ЭВМ (программ для смартфонов – мобильных приложений), использующих ИИ для диагностики и динамического мониторинга патологий кожи, с оценкой их архитектуры, эффективности и применимости в клинической практике.

МАТЕРИАЛ И МЕТОДЫ / MATERIAL AND METHODS

Для проведения оригинального сравнительного анализа современных мобильных приложений, использующих ИИ в дерматовенерологии, выполнена систематическая и независимая оценка релевантных научных публикаций. Исследование было направлено на выявление и сравнение ключевых параметров мобильных приложений на основе ИИ, включая их архитектуру, эффективность (точность, чувствительность, специфичность) и применимость в клинической практике.

Поиск публикаций / Search for publications

Целевой поиск проводился в базах данных PubMed/MEDLINE и Google Scholar, а также в электронных библиотеках eLibrary и КиберЛенинка за период с 2016 по 2025 гг., чтобы охватить наиболее актуальные и технологически передовые разработки. Поиск был ориентирован на публикации, связанные с ИИ, CNN, мобильными приложениями и дерматовенерологией. Поисковые запросы были адаптированы под синтаксис каждой базы данных.

Для Google Scholar использовался запрос: (“convolutional neural network” OR CNN) dermatology “skin lesion” classification (“mobile application” OR mHealth), направленный на выявление публикаций, описывающих конкретную архитектуру ИИ/CNN и ее применение для классификации кожных поражений через мобильные платформы.

Для PubMed/MEDLINE применялся детализированный запрос с использованием булевой логики в полях «Заголовок/Аннотация»: (“artificial intelligence” OR “AI” OR “deep learning” OR “convolutional neural network” OR “CNN”) AND (“dermatology” OR “skin”) AND (“mobile application” OR “app” OR “mHealth”) AND (“diagnosis” OR “detection” OR “classification” OR “accuracy” OR “sensitivity” OR “specificity”).

Для библиотек eLibrary и КиберЛенинка использовались запросы «искусственный интеллект», «нейронные сети», «приложение для смартфона», «болезни кожи», «опухоли кожи», «диагностика», связанные с ключевыми аспектами применения ИИ и нейросетей в мобильных приложениях для диагностики кожных поражений, что соответствует современным тенденциям в телемедицине и дерматовенерологии. Эти запросы были выбраны для максимального охвата всех аспектов темы, включая терминологию ИИ, области применения, типы платформ и ключевые метрики эффективности.

Всего было найдено 1319 публикаций.

Критерии включения и невключения / Inclusion and exclusion criteria

Для отбора наиболее релевантных исследований из первоначального пула (1319 публикаций) проведен многоэтапный скрининг. Определены критерии включения и исключения для получения публикаций с надежными и сопоставимыми данными.

Критерии включения:

– описание конкретного мобильного приложения, использующего ИИ для анализа фотоизображений кожи;

– представление количественных метрик эффективности приложения (например, точность, чувствительность, специфичность), полученных в результате валидационных исследований;

– оригинальные исследования и клинические испытания;

– доступность полного текста статьи на английском или русском языке.

Критерии невключения:

– технические отчеты, описания прототипов или маркетинговые материалы без данных независимой клинической валидации;

– исследования без четких метрик производительности алгоритма (приложения без указанной эффективности);

– публикации, посвященные исключительно телемедицинским дерматовенерологическим платформам без автоматизированного анализа на основе ИИ или алгоритмам, не интегрированным в мобильные приложения;

– публикации, не прошедшие независимое слепое рецензирование;

– дубликаты исследований.

Отбор публикаций / Selection of publications

Отбор исследований для анализа осуществлялся по методике, представленной на рисунке 1.

Сначала из 1319 публикаций удалено 456 дубликатов, после чего осталось 863 уникальные записи. Далее исключено 738 нерелевантных публикаций (например, тех, которые не касались мобильных приложений с ИИ или не имели отношения к дерматовенерологии) и 38 неполнотекстовых статей, в результате чего для анализа осталось 87 статей, имеющих потенциальную релевантность и доступных в полном тексте.

После полнотекстового анализа и повторного применения критериев включения и невключения для детального изучения и сравнения окончательно отобрано 9 ключевых публикаций, каждая из которых содержала исчерпывающие и сопоставимые данные об эффективности, архитектуре и применении конкретного мобильного приложения.

Методика сравнительного анализа / Methodology for comparative analysis

Для оценки эффективности выявленных мобильных приложений сравнивали ключевые параметры, а именно точность, чувствительность, специфичность, архитектуру и клиническую применимость. Анализ включал оценку метрик эффективности, представленных в отобранных исследованиях, выявление сильных и слабых сторон каждого приложения, а также оценку его потенциала для использования в клинической практике, особенно в первичной медико-санитарной помощи и телемедицине.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ / RESULTS AND DISCUSSION

Характеристики приложений и используемых в них моделей машинного обучения из отобранных публикаций систематизированы в таблицах 1–3 для последующего сравнительного анализа применяемых в клинической дерматовенерологии мобильных приложений на основе ИИ [7–15].

Сравнительный анализ эффективности приложений / Comparative analysis of AI-progams еfficiency

Сравнительный анализ показал, что приложения демонстрируют значительные различия в эффективности, обусловленные их архитектурой, целевым назначением и качеством обучающих данных.

Например, Google DermAssist и Derma Onko Check выделяются высокими точностью (97% и 96% соответственно) и чувствительностью (97% и 98%), что делает их лидерами в раннем выявлении меланомы. Skinive также демонстрирует высокие чувствительность (97,9% в 2021 г.) и специфичность (97,1%) с динамичным улучшением показателей между 2020 и 2021 гг., что указывает на активное дообучение моделей. Однако такие приложения, как Aysa (чувствительность 71% для топ-1) и SkinScan (чувствительность 80,76%), показывают более низкие результаты, что может быть связано с ограничениями в обработке редких патологий или требованиями к специализированному оборудованию, например высококачественным цифровым дерматоскопам.

Как показано на рисунке 2, приложения с архитектурой на основе CNN, такие как Google DermAssist, SkinVision, Tibot и Skinive, демонстрируют высокую чувствительность (87–97,9%), что критически важно для минимизации ложноотрицательных результатов – например, при скрининге меланомы. Однако специфичность варьируется: приложение SkinVision имеет сравнительно низкий показатель (78%), что может приводить к увеличению количества дополнительных консультаций врачей-специалистов, тогда как специфичность в приложениях SkinIO и Tibot достигает 98%, минимизируя ложноположительные результаты.

Приложения Melanoma Check и Derma Onko Check, разработанные в России, показывают сбалансированные результаты (точность 89,5–96,0%, чувствительность 92,5–98,0%, специфичность 88,2–96,0%).

Области применения, архитектура, общие вызовы / Application areas, architecture, common challenges

Современные технологии ИИ открывают новые возможности для диагностики и динамического мониторинга патологий кожи, особенно в условиях ограниченного доступа к специализированной медицинской помощи.

Области применения программ для ЭВМ на основе ИИ в дерматовенерологии охватывают скрининг рака кожи, динамический мониторинг хронических заболеваний кожи (экзема, псориаз) и самодиагностику, но все программы требуют валидации в реальных условиях для предотвращения вреда.

Большинство программ для ЭВМ (мобильных приложений) работает на основе алгоритмов машинного обучения, таких как CNN, которые анализируют изображения кожи для классификации поражений как доброкачественные или злокачественные. Показатели эффективности некоторых программ ИИ сопоставимы с диагностической точностью опытных врачей-дерматовенерологов, что подчеркивает их потенциал как инструментов второго мнения, особенно в отдаленных районах и регионах с дефицитом врачей-специалистов [16][17].

Архитектура мобильных приложений обычно основана на платформах операционных систем карманных персональных компьютеров (iOS/Android), есть некоторые приложения с использованием облачных серверов для обработки и анализа. Часто используются гибридные модели: ИИ + человеческий контроль (например, телемедицинские консультации врачей-специалистов). Странами разработки преимущественно являются США, Россия, Нидерланды и Индия.

Общие вызовы: этические вопросы (конфиденциальность данных), регуляторные барьеры и необходимость достижения баланса между доступностью и точностью, чтобы избежать перегрузки систем здравоохранения [18].

Ограничения и перспективы / Limitations and prospects

Недостатки большинства программ для ЭВМ включают низкую точность при некоторых типах кожи (диспаритеты по тонам кожи), зависимость от качества фотоизображений, что особенно актуально для приложений Google DermAssist и SkinVision, а также значимый риск ложноположительных результатов, ведущих к дополнительным консультациям врачей-специалистов, и отсутствие интеграции с клиническими данными (биопсия, анамнез).

Некоторые приложения, такие как SkinScan, требуют специализированного оборудования (высококачественного цифрового дерматоскопа), что снижает их доступность для оказания первичной медико-санитарной помощи. Приложения Aysa и Tibot ограничены в диагностике редких патологий, таких как фотодерматозы или сложные опухоли, что требует дальнейшего дообучения моделей.

Важно отметить, что ни одно из приложений не заменяет морфологическое (гистологическое) исследование биопсийного материала и их заключения должны быть интерпретированы врачами-специалистами.

Перспективы развития включают интеграцию приложений с телемедицинскими системами, улучшение алгоритмов для работы с редкими заболеваниями и темными тонами кожи, а также стандартизацию подходов к тестированию моделей ИИ для повышения воспроизводимости результатов. Приложения с чувствительностью и специфичностью выше 95% (например, Derma Onko Check, Skinive) могут стать основой для создания универсальных инструментов скрининга, особенно при оказании первичной медико-санитарной помощи.

ЗАКЛЮЧЕНИЕ / CONCLUSION

В данной работе впервые проведен систематический сравнительный анализ 9 программ для ЭВМ (мобильных приложений), разработанных для скрининга и динамического мониторинга поражений кожи, включая доброкачественные и злокачественные опухоли, меланому и другие патологии. Новизна такого анализа заключается в комплексном подходе к оценке эффективности приложений, основанном на ключевых метриках (точности, чувствительности и специфичности) с акцентом на их применимость в различных клинических и популяционных сценариях.

Мобильные приложения, использующие ИИ, демонстрируют значительный потенциал для трансформации клинической дерматовенерологии, обеспечивая высокую точность и чувствительность (до 97,9%) диагностики кожных патологий, повышая доступность медицинской помощи в отдаленных районах и регионах с дефицитом врачей-специалистов, снижая нагрузку на систему здравоохранения и способствуя раннему выявлению рака кожи.

Сравнительный анализ мобильных приложений Google DermAssist, SkinIO, Melanoma Check, Derma Onko Check, SkinVision, Tibot, SkinScan, Aysa, Skinive выявил лидеров (Google DermAssist и Derma Onko Check) с доказанной эффективностью, сопоставимой с опытными врачами-дерматовенерологами. Однако ограничения, такие как зависимость от качества изображений, низкая точность при редких патологиях и темных тонах кожи, а также этические и регуляторные вызовы (конфиденциальность данных, предвзятость алгоритмов), требуют дальнейших исследований и доработки как с технической, так и с правовой стороны.

Развитие данного направления связано с интеграцией ИИ с телемедициной, использованием мультимодальных систем и трансформеров для повышения точности диагностики и персонализации лечения, а также со стандартизацией тестирования для обеспечения воспроизводимости результатов. Эти усовершенствования могут значительно улучшить клинические исходы, оптимизировать маршрутизацию пациентов и снизить нагрузку на системы здравоохранения в обозримом будущем.