Сайт издательства «Медиа Сфера»
содержит материалы, предназначенные исключительно для работников здравоохранения. Закрывая это сообщение, Вы подтверждаете, что являетесь дипломированным медицинским работником или студентом медицинского образовательного учреждения.

Хрянин А.А.

ФГБОУ ВО «Новосибирский государственный медицинский университет» Минздрава России;
РОО «Ассоциация акушеров-гинекологов и дерматовенерологов»

Бочарова В.К.

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Минздрава России

Искусственный интеллект в дерматологии: возможности и перспективы

Авторы:

Хрянин А.А., Бочарова В.К.

Подробнее об авторах

Просмотров: 1585

Загрузок: 14


Как цитировать:

Хрянин А.А., Бочарова В.К. Искусственный интеллект в дерматологии: возможности и перспективы. Клиническая дерматология и венерология. 2024;23(3):246‑252.
Khryanin AA, Bocharova VK. Artificial intelligence in dermatology: opportunities and prospects. Russian Journal of Clinical Dermatology and Venereology. 2024;23(3):246‑252. (In Russ.)
https://doi.org/10.17116/klinderma202423031246

Рекомендуем статьи по данной теме:
При­ме­не­ние ме­то­дов ис­кусствен­но­го ин­тел­лек­та при гла­уко­ме. Часть 1. Ней­ро­се­ти и глу­бо­кое обу­че­ние в скри­нин­ге и ди­аг­нос­ти­ке гла­уко­мы. Вес­тник оф­таль­мо­ло­гии. 2024;(3):82-87
Ав­то­ном­ный ис­кусствен­ный ин­тел­лект для сор­ти­ров­ки ре­зуль­та­тов про­фи­лак­ти­чес­ких лу­че­вых ис­сле­до­ва­ний. Про­фи­лак­ти­чес­кая ме­ди­ци­на. 2024;(7):23-29
Диаг­нос­ти­ка доб­ро­ка­чес­твен­ных но­во­об­ра­зо­ва­ний гор­та­ни с при­ме­не­ни­ем ней­ро­се­ти. Вес­тник ото­ри­но­ла­рин­го­ло­гии. 2024;(3):24-28
Эф­фек­тив­ность и бе­зо­пас­ность боль­ших язы­ко­вых мо­де­лей на ос­но­ве ис­кусствен­но­го ин­тел­лек­та в ка­чес­тве инстру­мен­та под­дер­жки при­ня­тия ре­ше­ний в гер­ни­оло­гии: оцен­ка эк­спер­та­ми и об­щи­ми хи­рур­га­ми. Хи­рур­гия. Жур­нал им. Н.И. Пи­ро­го­ва. 2024;(8):6-14
Диф­фе­рен­ци­аль­ная ди­аг­нос­ти­ка кок­ци­диоидо­ми­ко­за, ма­ни­фес­ти­ро­ван­но­го пе­ри­фе­ри­чес­ким об­ра­зо­ва­ни­ем лег­ко­го. Хи­рур­гия. Жур­нал им. Н.И. Пи­ро­го­ва. 2024;(8):77-85
О но­вых воз­мож­нос­тях оп­ти­ми­за­ции пос­то­пе­ра­ци­он­но­го пе­ри­ода при тон­зил­лэк­то­мии. Вес­тник ото­ри­но­ла­рин­го­ло­гии. 2024;(4):14-19
Ком­прес­си­он­ная элас­тог­ра­фия как но­вый ме­тод ультраз­ву­ко­вой ви­зу­али­за­ции в диф­фе­рен­ци­аль­ной ди­аг­нос­ти­ке хро­ни­чес­ко­го тон­зил­ли­та. Вес­тник ото­ри­но­ла­рин­го­ло­гии. 2024;(4):20-25
Раз­ра­бот­ка и ис­сле­до­ва­ние бе­зо­пас­нос­ти сплин­та для сред­ней но­со­вой ра­ко­ви­ны, из­го­тов­лен­но­го с ис­поль­зо­ва­ни­ем 3D-пе­ча­ти. Вес­тник ото­ри­но­ла­рин­го­ло­гии. 2024;(4):30-36
Сим­птом цен­траль­ной ве­ны в диф­фе­рен­ци­аль­ной ди­аг­нос­ти­ке рас­се­ян­но­го скле­ро­за. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. Спец­вы­пус­ки. 2024;(7-2):58-65
Воз­мож­нос­ти при­ме­не­ния ис­кусствен­но­го ин­тел­лек­та в коль­пос­ко­пии в рам­ках скри­нин­го­вых прог­рамм. Он­ко­ло­гия. Жур­нал им. П.А. Гер­це­на. 2024;(4):66-71

Введение

Искусственный интеллект (ИИ) — это разработка компьютерных систем, способных выполнять задачи, обычно требующие человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод с языка на язык [1]. ИИ стал неотъемлемой частью нашей повседневной жизни, проникая во все сферы человеческой деятельности (например, в медицину, транспорт, сферу услуг) [2]. Эволюция ИИ включает в себя классический ИИ, за которым следует машинное обучение (МО) [3]. В МО алгоритмы обучаются выполнению задач путем изучения данных, а не точных инструкций программирования [4]. Сейчас сфера ИИ сталкивается с эволюцией так называемого глубокого обучения — подмножества МО, которое использует структуру искусственной нейронной сети, основанной на принципе работы биологической нейронной сети [5]. В этой форме МО есть возможность использовать неограниченное количество слоев, где каждый слой в нейронной сети может быть обучен распознавать различные особенности, характерные для набора информационных данных [6]. Сверточные нейронные сети1 (СНН) — это особая форма нейронных сетей, которые доминируют в области обработки изображений [7].

Сверточная нейронная сеть состоит из полностью связанных слоев. Основной целью сверточного слоя является обнаружение отличительных визуальных особенностей, что жизненно важно для успешной обработки изображений [8]. Для того чтобы СНН могли самостоятельно распознавать эти визуальные особенности, им изначально требуется большое количество данных, на которых они будут «обучаться» [9].

В настоящее время основные достижения были достигнуты главным образом в области радиологии и кардиологии, где медицинские устройства на основе ИИ позволяют медицинским работникам совершенствовать свою медицинскую практику [10]. В радиологии алгоритмы считывания изображений на основе МО используются на снимках головного мозга для выявления кровоизлияний и инсультов для улучшения обработки изображений, а также в неотложной помощи для оценки пневмоторакса и травм. Эти алгоритмы расширяют практику радиологов, обеспечивая более быструю диагностику. Кроме того, существуют доступные алгоритмы для маммографического анализа и выявления очагов поражений. Медицинские устройства на основе ИИ в кардиологии проводят анализ электрокардиограммы для выявления нарушений сердечного ритма [10]. В области эндокринологии, в частности сахарного диабета, существуют медицинские устройства для контроля уровня глюкозы в крови с использованием систем мониторинга с предиктивными оповещениями [11], а также для выявления диабетической ретинопатии в офтальмологии [12]. Следует также упомянуть о существовании в клинической практике алгоритмов для выявления нарушений сна [10]. Более того, существуют системы здравоохранения, которые используют простые модели МО, основанные на электронных медицинских картах, для разделения госпитализированных пациентов на нуждающихся в интенсивной терапии и не нуждающихся в ней [13].

Индийские коллеги недавно опубликовали статью, в которой анализируется опыт использования технологий на основе ИИ в контексте диагностики и лечения колоректального рака [14].

Кроме того, проводятся научные исследования, посвященные внедрению технологий на основе ИИ в изучение микробиома кожи. Так, в статье T. Sun и соавт. [15] обсуждается комбинированное применение секвенирования микробного генома и МО, а также применение ИИ в диагностике кожных заболеваний, связанных с осью «кишечник—кожа». Таким образом, улучшение диагностики с помощью ИИ может свести к минимуму диагностические ошибки врачей [16].

Однако в его нынешнем виде преимущества ИИ не учитывают некоторые реальные аспекты установления клинического диагноза. Эти факторы включают фундаментальные клинические навыки, необходимые для верификации клинического диагноза, такие как сбор анамнеза и физикальное обследование, а также личное сопереживание и общение с пациентом [17].

Искусственный интеллект в дерматологии

Дерматология является областью медицины, основанной на изображениях, и сохраняет доминирующее положение в эволюции ИИ. Основным аспектом дерматологии, где ИИ продемонстрировал многообещающие результаты, является распознавание злокачественных новообразований (ЗНО) кожи [18—22]. ЗНО кожи включают немеланомный рак (базально-клеточную карциному, плоскоклеточную карциному) и меланому. Немеланомный рак — наиболее распространенный вид ЗНО кожи во всем мире, в то время как меланома является пятой по значимости причиной смерти пациентов от ЗНО кожи [23]. Основой лечения всех подтипов меланомы остается раннее ее распознавание и хирургическое удаление [24]. При этом 5-летняя выживаемость при меланоме in situ составляет 99,5% и, к сожалению, снижается до 31,9% при более глубоких стадиях инвазии меланомы [23]. Следовательно, ранняя диагностика ЗНО кожи является краеугольным камнем для улучшения показателей как смертности, так и заболеваемости.

Дерматоскопия — это неинвазивный метод визуализации, который использует поляризованный и неполяризованный свет для повышения чувствительности и специфичности диагностики ЗНО кожи [25—27]. Соответственно, большая часть исследований ИИ сосредоточена на дермоскопических изображениях для раннего выявления ЗНО кожи [18—22]. Основанием для этого является тот факт, что диагностическая точность врачей даже при использовании дерматоскопии остается сравнительно низкой [28]. Кроме того, есть 2 основные проблемы, связанные с ранней диагностикой меланомы, которые необходимо преодолеть. Во-первых, в некоторых странах доступ населения к дерматологам затруднен (пациенты не могут попасть на прием к узкому специалисту, в том числе дерматологу, без направления от терапевта или семейного врача, что значительно замедляет скорость получения консультации и снижает мотивацию пациентов) и приводит к тому, что менее 25% взрослого населения когда-либо проходили полное обследование кожного покрова у опытного дерматолога, которое позволяет выявить недиагностированные ЗНО кожи [29, 30]. Во-вторых, только 25% случаев меланомы диагностируется медицинским работником [31]. Исходя из этого, ИИ мог бы оказать неоценимую помощь в ранней оценке и диагностике ЗНО кожи.

Почему искусственный интеллект может ошибаться

За последнее десятилетие произошел прорыв в новых научных исследованиях и разработках в области ИИ. Подобная эволюция ИИ привела к бурной дискуссии в научном сообществе относительно потенциальной роли, которую мог бы сыграть ИИ [32]. Существование общедоступной базы данных (International Skin Image Collaboration Archive — ISIC) проложило дорогу к важнейшим исследованиям и стало эталонным стандартом для исследований в этой области [33]. Однако в работе с изображениями из этой базы есть некоторые сложности.

Многие научные исследования свидетельствуют, что системы ИИ чувствительны к присутствию мешающих факторов, негативно влияющих на эффективность их анализа [34—38]. Эти факторы в основном связаны с переменными, касающимися качества изображения. Искажения при увеличении изображения, посторонний «шум», поворот изображения, манипуляции с яркостью/контрастом [34], наличие линейных полос, чернильные пометки, размытые фотографии и темные углы на фото через дерматоскоп [35] — все это переменные, которые зависят от качества изображения, предоставляемого врачом. В частности, установлено, что алгоритм ИИ с большей вероятностью интерпретирует изображения с «белыми линейными полосами» как злокачественные (shiny white lines — дерматоскопические признаки, которые появляются при использовании поляризованного света и незаметны при неполяризованном свете, являющиеся характерными для меланомы) [36]. Алгоритм непреднамеренно был обучен распознавать такие находки как ЗНО кожи, поскольку изображения, представляющие собой меланому, имели такие признаки чаще, чем доброкачественные поражения [36]. В другом научном исследовании авторы установили, что любые артефакты на коже значительно препятствовали правильной диагностике невусов, увеличивая показатели вероятности меланомы и, следовательно, частоту ложноположительных результатов [37]. Наконец, в другом научном исследовании авторы демонстрируют, что диагностическая точность алгоритмов ИИ в значительной степени зависит от того, находится ли изображение в фокусе и хорошо ли оно отцентрировано [38]. Но данные предубеждения в моделях ИИ имеются только в том случае, если особое внимание не уделяется обработке входных данных и использованию необходимых стандартов [36].

Кроме того, пузырьки воздуха, волоски, фоновые кожные заболевания, поврежденная солнцем кожа и особые анатомические участки [36] являются мешающими факторами, влияющими на работу нейронных сетей, которые не могут быть устранены человеком. S.M. Swetter и соавт. [22] установили, что образования, которые обычно не сопровождаются корками (сосудистые поражения, дерматофибромы и невусы) часто неправильно классифицируются при наличии корок. Авторы утверждают, что наличие волос повлияло на неправильную классификацию актинического кератоза (36% против 56% без волос) [22]. C. Navarrete-Dechent и соавт. [38] в своем исследовании установили, что анатомическое расположение поражения играет решающую роль в работе нейронных сетей. Авторы других научных исследований [21, 39—41] указывают, что для особых анатомических участков, таких как лицо, ладони и подошвы, которые имеют различные нормальные дермоскопические признаки, необходимы более обширные и разнообразные базы данных, а также дальнейшие исследования, чтобы расширить применение ИИ в редких анатомических участках (например, в области гениталий) и повысить успешную диагностику редких подтипов ЗНО кожи (например, рака слизистой оболочки или десмопластической меланомы) [20]. С другой стороны, банально выглядящие доброкачественные кожные образования, такие как ангиомы, дерматофибромы или невусы, встречаются редко либо же вообще отсутствуют в наборах для обучения нейронной сети, что приводит к низкой эффективности алгоритмов [21]. Включение типичных доброкачественных кожных поражений позволяет избежать предвзятости при верификации и, таким образом, устранить подобные ограничения [42].

Необходимы также дополнительные исследования клинических изображений крупным планом в сочетании с дерматоскопическими изображениями, определяемыми комбинированными СНН (кСНН — сверточные нейронные сети, анализирующие как макроскопическое изображение клинической картины новообразования, так и дерматоскопическое изображение), чтобы обеспечить более точное и реалистичное представление исследуемого кожного поражения. Эти изображения крупным планом могут предоставить дополнительные данные для будущего использования ИИ в доклинических оценках [16], поскольку МО может быть настолько успешным, насколько высоко качество используемых данных.

Клинические ограничения искусственного интеллекта

Многие научные исследования признают отсутствие у ИИ учета факторов, связанных с клинической картиной конкретного пациента, таких как возраст, пол, степень повреждения солнечными лучами, анатомическое расположение, а также личный и семейный анамнез [42—44].

В клинических условиях дерматологи проводят полной осмотр кожи тела, опираясь не только на дерматоскопическую картину каждого отдельного невуса или новообразования, но и учитывая «общую картину». Так, например, проводится выявление такого макроскопического признака, как «гадкий утенок» (невус, выделяющийся на фоне остальных у данного пациента) [45], или признака «красной шапочки» (невуса, выглядящего доброкачественным, но отличающегося от остальных у данного пациента) [46]. То есть врач благодаря комплексной оценке и клиническому мышлению может выявить преобладающие дерматоскопические признаки у невусов конкретного пациента и тем самым скорректировать свой прогноз и тактику относительно одного конкретного невуса. ИИ, в свою очередь, не обладает в данный момент способностью оценивать картину в целом, т.е. ИИ анализирует каждый невус отдельно от «общей картины», что может привести к гипердиагностике ЗНО [46, 47].

Безусловно, это повышает чувствительность и специфичность, но требует более целостного подхода [42]. Кроме того, в экспериментальном проекте установлено, что дерматоскопия in vivo по своей сути лучше, чем в искусственных условиях, основанных исключительно на цифровых изображениях [48].

Наконец, пока неизвестно, могут ли все эти усилия по раннему выявлению ЗНО кожи принести больше пользы, чем вреда. Дилемма определяется двумя основными проблемами, связанными с выявлением меланоцитарных опухолей на ранней стадии, которые имеют неопределенный злокачественный потенциал [49] и чрезмерным выявлением немеланомных ЗНО кожи у пожилых пациентов. Это может привести к негативному психологическому воздействию на пациентов с ранними стадиями меланомы [50] и избыточным хирургическим иссечениям в отношении немеланомных ЗНО кожи у пациентов с короткой продолжительностью жизни, что делает сомнительной пользу таких хирургических иссечений [51].

Стратегии преодоления ограничений

Для того чтобы ИИ стал инструментом, на который любой практикующий врач мог опираться, необходимо расширить учебные наборы нейронных сетей, на которых происходит «обучение» этих нейронных сетей. В таких наборах должно быть отражено разнообразие населения в целом (люди разных национальностей, разных цветов кожи, разных возрастов, с различными сопутствующими дерматозами и фоновыми состояниями кожи и т.д.). Сейчас большинство алгоритмов обучаются на пациентах либо европеоидной, либо азиатской национальности [9, 38, 40, 52], но ранний скрининг пациентов других национальностей (например, афроамериканской) мог бы быть более полезным, поскольку дал бы информацию о более запущенных формах заболевания и более низких показателях выживаемости из-за задержек в диагностике в этой популяции [53]. Алгоритмы, как правило, работают неэффективно, когда им предоставляются данные из разных групп населения, которые не включены в набор данных. Это подчеркивает необходимость обучения одному и тому же алгоритму на более широком спектре изображений разных этнических групп [52]. Клинические изображения крупным планом также могут быть использованы для более качественного обучения нейронных сетей [54]. Макроскопическое исследование поражения является первым подходом для клинициста, который принимает решение о том, приступать к дерматоскопии или нет. Комбинация клинического и дермоскопического анализа изображений, как уже упоминалось, называется комбинированной сверточной нейронной сетью (кСНН) и, вероятно, станет преобладающей точкой отсчета в будущих исследованиях.

Прецизионная медицина — это практика персонализированной медицины. Персонализация пациентов на основе генетических, биомаркерных, фенотипических и психосоциальных характеристик направлена на то, чтобы обеспечить рациональное лечение [55]. Поскольку МО обладает возможностью неограниченного хранения данных, то такая информация о пациентах может быть сохранена и проанализирована в алгоритмах ИИ для получения целостного прогнозирующего результата и достижения наилучших клинических результатов [55]. Этот подход направлен на раннее выявление меланомы у пациентов, в том числе с высоким риском развития ЗНО кожи, и сводит к минимуму гипердиагностику [56, 57].

Заключение

Искусственный интеллект становится самой обсуждаемой технологией в мире. МО играет огромную роль в дерматологии и выявлении ЗНО кожи. Возможности, которые открываются перед специалистами уже сегодня, безграничны, начиная от автоматизированной классификации ЗНО кожи с помощью СНН, автоматизированной фотосъемки кожи всего тела и последовательной цифровой дерматоскопии. Однако даже самые современные из этих систем по-прежнему демонстрируют внутренние искажения и нуждаются в больших и разнообразных базах данных для оптимизации своей производительности.

Базы данных изображений, включение метаданных и изображений крупным планом помогут устранить существующие ограничения для будущих научных исследований. Помимо этого, роль клинициста, особенно у онкологических пациентов, остается основополагающей.

Наконец, научное сообщество должно отдавать предпочтение исследованиям, способствующим сотрудничеству человека с ИИ, вместо того чтобы рассматривать их как оппонентов. Так, в нескольких научных исследованиях авторами доказано, что когда установление диагноза врачом поддерживается алгоритмом ИИ, то точность диагностики значительно повышается по сравнению с результатами работы отдельно как ИИ, так и только специалиста [18, 58, 59].

Авторы заявляют об отсутствии конфликта интересов.

1Сверточная нейронная сеть - тип искусственной нейронной сети, используемой в распознавании и обработке изображений, которая специально предназначена для обработки пиксельных данных.

Подтверждение e-mail

На test@yandex.ru отправлено письмо со ссылкой для подтверждения e-mail. Перейдите по ссылке из письма, чтобы завершить регистрацию на сайте.

Подтверждение e-mail

Мы используем файлы cооkies для улучшения работы сайта. Оставаясь на нашем сайте, вы соглашаетесь с условиями использования файлов cооkies. Чтобы ознакомиться с нашими Положениями о конфиденциальности и об использовании файлов cookie, нажмите здесь.