Искусственный интеллект в дерматологии: возможности и перспективы

Закрыть метаданные

Рекомендуем статьи по данной теме:

Методы оценки фиброза ткани поджелудочной железы. Доказательная гастроэнтерология. 2024;(1):48-57

Первый опыт использования технологии искусственного интеллекта в системе CAD EYE при колоноскопии у детей. (Серия клинических случаев). Доказательная гастроэнтерология. 2024;(1):94-100

Гендерные различия скрининга психического расстройства и расстройства поведения как важного этапа профилактики сердечно-сосудистых заболеваний у лиц молодого возраста. Профилактическая медицина. 2024;(3):66-71

Разработка и тестирование новых методических подходов прогнозирования сердечно-сосудистых событий у здоровых людей с использованием технологии машинного обучения на базе международного исследования «Интерэпид». Профилактическая медицина. 2024;(3):72-79

Колоректальный рак: заболеваемость, факторы риска и скрининг. Профилактическая медицина. 2024;(3):93-97

Возможности профилактики кардиометаболических заболеваний у женщин с неблагоприятными исходами беременности в анамнезе. Профилактическая медицина. 2024;(3):98-103

Сравнение диагностических характеристик иммунохроматографических тестов для выявления антигенов SARS-CoV-2 с данными независимых исследований. Лабораторная служба. 2024;(1):13-19

Искусственные интеллектуальные системы в развитии вспомогательных репродуктивных технологий. Российский вестник акушера-гинеколога. 2024;(2):19-29

Патогенетические, клинико-диагностические и лечебные аспекты предменструального синдрома. Российский вестник акушера-гинеколога. 2024;(2):37-42

Искусственный интеллект в патологической анатомии. Архив патологии. 2024;(2):65-71

Искусственный интеллект (ИИ) в последние годы становится самой обсуждаемой технологией в мире. ИИ на основе нейросетевых моделей демонстрирует значительные успехи в теледерматологии. Проблема крайне важна и актуальна, потому что телемедицина и ИИ, применяемые в дерматологии, дают возможность улучшить как качество медицинской помощи населению, так и рабочий процесс медицинских работников. Авторы представляют современный обзор возможностей, перспектив и проблем, связанных с интеграцией ИИ в клиническую практику врача-дерматолога. Например, как известно, немеланомные злокачественные новообразования (ЗНО) кожи являются наиболее распространенными видами рака в мире, а меланома — наиболее злокачественная форма рака кожи. Дерматоскопия повысила точность диагностики ЗНО кожи врачами, но, к сожалению, она остается сравнительно низкой. ИИ мог бы оказать неоценимую помощь в ранней оценке и диагностике ЗНО кожи. Исследования установили, что алгоритмы сверточных нейронных сетей могут классифицировать кожные поражения по дермоскопическим изображениям с очень высокой или, по крайней мере, эквивалентной производительностью по сравнению с клиницистами. При этом качественные данные и обратная связь от специалиста приводят к существенному скачку в качестве модели ИИ. Однако, несмотря на преимущества и скорость развития технологий на основе ИИ, возникают проблемы, связанные с необходимостью: а) улучшения кибербезопасности; б) уделять больше внимания медико-правовым и этическим вопросам; в) стандартизации международных и национальных нормативных актов.

ЦЕЛЬ

Обзорной статьи — представить анализ современных достижений и ограничений ИИ в дерматологии, уделив особое внимание актуальности применения в клинической практике.

Ключевые слова:

искусственный интеллект

машинное обучение

теледерматология

дерматоскопия

злокачественные новообразования кожи

меланома

диагностика

профилактика

Авторы:

Хрянин А.А.

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

ORCID: 0000-0001-9248-8303

Бочарова В.К.

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

ORCID: 0000-0003-4671-7288

Дата поступления:

06.08.2023

Дата принятия в печать:

13.03.2024

Список литературы:

Artificial Intelligence. Oxford Dictionary.
Vermesan O, Eisenhauer M, Sundmaeker H, et al. Internet of things cognitive transformation technology research trends and applications. Cognitive Hyperconnected Digital Transformation, June 2017;20-25. https://doi.org/10.1201/9781003337584-3
Bini SA. Artificial intelligence, machine learning, deep learning, and cognitive computing: what do these terms mean and how will they impact health care? J Arthroplast. 2018;33(8):2358-2361. https://doi.org/10.1016/j.arth.2018.02.067
Erickson BJ, Korfiatis P, Akkus Z, Kline TL. Machine learning for medical imaging. Radiographics. 2017;37(2):505-515. https://doi.org/10.1148/rg.2017160130
Hogarty DT, Mackey DA, Hewitt AW. Current state and future prospects of artificial intelligence in ophthalmology: a review. Clin Exp Ophthalmol. 2019; 47(1):128-139. https://doi.org/10.1111/ceo.13381
Hogarty DT, Su JC, Phan K, et al. Artificial intelligence in dermatology — where we are and the way to the future: a review. Am J Clin Dermatol. 2020; 21(1):41-47. https://doi.org/10.1007/s40257-019-00462-6
Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Communications of the ACM. June 2017; 60(6):84-90. https://doi.org/10.1145/3065386
Lee JG, Jun S, Cho YW, et al. Deep learning in medical imaging: General overview. Korean J Radiol. 2017;18(4):570-584. https://doi.org/10.3348/kjr.2017.18.4.570
Tschandl P. Artificial intelligence for melanoma diagnosis. Ital J Dermatol Venereol. 2021;156(3):289-299. https://doi.org/10.23736/S2784-8671.20.06753-X
Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med. 2020;3:118. https://doi.org/10.1038/s41746-020-00324-0
Abraham SB, Arunachalam S, Zhong A, et al. Improved real-world glycemic control with continuous glucose monitoring system predictive alerts. J Diabetes Sci Technol. 2019;15(1):91-97. https://doi.org/10.1177/1932296819859334
van der Heijden AA, Abramoff MD, Verbraak F, et al. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmol. 2018;96(1):63-68. https://doi.org/10.1111/aos.13613
Escobar GJ, Turk BJ, Ragins A, et al. Piloting electronic medical record-based early detection of inpatient deterioration in community hospitals. J Hosp Med. 2016;11:S18-S24. https://doi.org/10.1002/jhm.2652
Singh G. Artificial intelligence in colorectal cancer: a review. Siberian Journal of Oncology. 2023;22(3):99-107. https://doi.org/10.21294/1814-4861-2023-22-3-99-107
Sun T, Niu X, He Q, et al. Artificial Intelligence in microbiomes analysis: A review of applications in dermatology. Front Microbiol. 2023 Feb 1;14: 1112010. https://doi.org/10.3389/fmicb.2023.1112010
Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-1358. https://doi.org/10.1056/nejmra1814259
Kulkarni PA, Singh H. Artificial Intelligence in Clinical Diagnosis: Opportunities, Challenges, and Hype. JAMA. Published online. 2023;330(4): 317-318. https://doi.org/10.1001/jama.2023.11440
Tschandl P, Rinner C, Apalla Z, et al. Human—computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-1234. https://doi.org/10.1038/s41591-020-0942-0
Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118. https://doi.org/10.1038/nature21056
Haggenmüller S, Maron RC, Hekler A, et al. Skin cancer classification via convolutional neural networks: systematic review of studies involving human experts. Eur J Cancer. 2021;156:202-216. https://doi.org/10.1016/j.ejca.2021.06.049
Tschandl P, Rosendahl C, Akay BN, et al. Expert-level diagnosis of nonpigmented skin cancer by combined convolutional neural networks. JAMA Dermatol. 2019;155(1):58-65. https://doi.org/10.1001/jamadermatol.2018.4378
Combalia M, Codella N, Rotemberg V, et al. Validation of artificial intelligence prediction models for skin cancer diagnosis using dermoscopy images: the 2019 International Skin Imaging Collaboration Grand Challenge. Lancet Digit Health. 2022;4(5):e330-e339. https://doi.org/10.1016/S2589-7500(22)00021-8
National Cancer Institute Melanoma of the Skin-Cancer Stat Facts. Published May 2022. Accessed 18 May 2022.
Swetter SM, Tsao H, Bichakjian CK, et al. Guidelines of care for the management of primary cutaneous melanoma. J Am Acad Dermatol. 2019;80(1): 208-250. https://doi.org/10.1016/j.jaad.2018.08.055
Pan Y, Gareau DS, Scope A, et al. Polarized and nonpolarized dermoscopy: the explanation for the observed differences. Arch Dermatol. 2008;144(6): 828-829. https://doi.org/10.1001/archderm.144.6.828
Pehamberger H, Steiner A, Wolff K. In vivo epiluminescence microscopy of pigmented skin lesions. I. Pattern analysis of pigmented skin lesions. J Am Acad Dermatol. 1987;17(4):571-583. https://doi.org/10.1016/S0190-9622(87)70239-4
Kittler H, Pehamberger H, Wolff K, Binder M. Diagnostic accuracy of dermoscopy. Lancet Oncol. 2002;3(3):159-165. https://doi.org/10.1016/S1470-2045(02)00679-4
Argenziano G, Cerroni L, Zalaudek I, et al. Accuracy in melanoma detection: a 10-year multicenter survey. J Am Acad Dermatol. 2012;67(1):54-59. https://doi.org/10.1016/j.jaad.2011.07.019
Jiang A, Jefferson IS, Robinson SK, et al. Skin cancer discovery during total body skin examinations. Int J Womens Dermatol. 2021;7(4):411-414. https://doi.org/10.1016/j.ijwd.2021.05.005
Argenziano G, Zalaudek I, Hofmann-Wellenhof R, et al. Total body skin examination for skin cancer screening in patients with focused symptoms. J Am Acad Dermatol. 2012;66(2):212-219. https://doi.org/10.1016/j.jaad.2010.12.039
Avilés-Izquierdo JA, Molina-López I, Rodríguez-Lomba E, et al. Who detects melanoma? Impact of detection patterns on characteristics and prognosis of patients with melanoma. J Am Acad Dermatol. 2016;75(5):967-974. https://doi.org/10.1016/j.jaad.2016.07.009
Scheetz J, Rothschild P, McGuinness M, et al. A survey of clinicians on the use of artificial intelligence in ophthalmology, dermatology, radiology and radiation oncology. Sci Rep. 2021;51:93. https://doi.org/10.1038/s41598-021-84698-5
International Skin Imaging Collaboration (ISIC) Archive.
Navarrete-Dechent C, Dusza SW, Liopyris K, et al. Automated dermatological diagnosis: hype or reality? J Investig Dermatol. 2018;138(10):2277-2279. https://doi.org/10.1016/j.jid.2018.04.040
Okur E, Turkan M. A survey on automated melanoma detection. Eng Appl Artif Intell. 2018;73:50-67. https://doi.org/10.1016/j.engappai.2018.04.028
Narla A, Kuprel B, Sarin K, et al. Automated classification of skin lesions: from pixels to practice. J Investig Dermatol. 2018;138(10):2108-2110. https://doi.org/10.1016/j.jid.2018.06.175
Winkler JK, 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 Dermatol. 2019;155(10):1135-1141. https://doi.org/10.1001/jamadermatol.2019.1735
Navarrete-Dechent C, Liopyris K, Marchetti MA. Multiclass artificial intelligence in dermatology: progress but still room for improvement. J Investig Dermatol. 2021;141(5):1325-1328. https://doi.org/10.1016/j.jid.2020.06.040
Haenssle HA, Winkler JK, Fink C, et al. Skin lesions of face and scalp—classification by a market-approved convolutional neural network in comparison with 64 dermatologists. Eur J Cancer. 2021;144:192-199. https://doi.org/10.1016/j.ejca.2020.11.034
Yu C, Yang S, Kim W, et al. Acral melanoma detection using a convolutional neural network for dermoscopy images. PLoS One. 2018;13(4):e0196621. https://doi.org/10.1371/journal.pone.0193321
Abbas Q, Ramzan F, Ghani MU. Acral melanoma detection using dermoscopic images and convolutional neural networks. Vis Comput Ind Biomed Art. 2021;25: without pages. https://doi.org/10.1186/s42492-021-00091-z
Tschandl P, Codella N, Akay BN, 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. Lancet Oncol. 2019;20(7):938-947. https://doi.org/10.1016/S1470-2045(19)30333-X
Adamson AS, Smith A. Machine learning and health care disparities in dermatology. JAMA Dermatol. 2018;154(11):1247-1248. https://doi.org/10.1001/jamadermatol.2018.2348
Chartrand G, Cheng PM, Vorontsov E, et al. Deep learning: a primer for radiologists. Radiographics. 2017;37(7):2113-2131. https://doi.org/10.1148/rg.2017170077
Gaudy-Marqueste C, Wazaefi Y, Bruneu Y, et al. Ugly duckling sign as a major factor of efficiency in melanoma detection. JAMA Dermatol. 2017;153(4): 279-284. https://doi.org/10.1001/jamadermatol.2016.5500
Mascaro JM. The dermatologist’s position concerning nevi: a vision ranging from «the ugly duckling» to «“little red riding hood» Arch Dermatol. 1998;134(11):1484-1485.
Zalaudek I, Docimo G, Argenziano G. Using dermoscopic criteria and patient-related factors for the management of pigmented melanocytic nevi. Arch Dermatol. 2009;145(7):816-826. https://doi.org/10.1001/archdermatol.2009.115
Carli P, De Giorgi V, Argenziano G, et al. Pre-operative diagnosis of pigmented skin lesions: in vivo dermoscopy performs better than dermoscopy on photographic images. J Eur Acad Dermatol Venereol. 2002;16(4):339-346. https://doi.org/10.1046/j.1468-3083.2002.00470.x
Kutzner H, Jutzi TB, Krahl D, et al. Overdiagnosis of melanoma—causes, consequences and solutions. JDDG J German Soc Dermatol. 2020;18(11): 1236-1243. https://doi.org/10.1111/ddg.14233
Bell KJL, Mehta Y, Turner RM, et al. Fear of new or recurrent melanoma after treatment for localised melanoma. Psychooncology. 2017;26(11): 1784-1791. https://doi.org/10.1002/pon.4366
Linos E, Parvataneni R, Stuart SE, et al. Treatment of nonfatal conditions at the end of life: nonmelanoma skin cancer. JAMA Intern Med. 2013;173(11): 1006-1012. https://doi.org/10.1001/jamainternmed.2013.639
Han SS, Kim MS, Lim W, et al. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm. J Investig Dermatol. 2018;138(7):1529-1538. https://doi.org/10.1016/j.jid.2018.01.028
Ward-Peterson M, Acuña JM, Alkhalifah MK, et al. Association Between Race/Ethnicity and Survival of Melanoma Patients in the United States Over 3 Decades: A Secondary Analysis of SEER Data. Medicine (Baltimore). 2016;95(17):e3315. https://doi.org/10.1097/MD.0000000000003315
Yap J, Yolland W, Tschandl P. Multimodal skin lesion classification using deep learning. Exp Dermatol. 2018;27(11):1261-1267. https://doi.org/10.1111/exd.13777
Jameson JL, Longo DL. Precision medicine--personalized, problematic, and promising. N Engl J Med. 2015;372(23):2229-2234. https://doi.org/10.1056/NEJMsb1503104
Lee KJ, Betz-Stablein B, Stark MS, et al. The Future of Precision Prevention for Advanced Melanoma. Front Med (Lausanne). 2022 Jan 17;8:818096. https://doi.org/10.3389/fmed.2021.818096
Smithers BM, Dunn J, Soyer HP. Whither melanoma in Australia? Med J Aust. 2017;207(8):330-331. https://doi.org/10.5694/mja17.00740
Marchetti MA, Codella NCF, Dusza SW, et al. Results of the 2016 international skin imaging collaboration international symposium on biomedical imaging challenge: comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol. 2018;78:270-277.e1. https://doi.org/10.1016/j.jaad.2017.08.016
Han SS, Park I, Eun Chang S, et al. Augmented intelligence dermatology: deep neural networks empower medical professionals in diagnosing skin cancer and predicting treatment options for 134 skin disorders. J Investig Dermatol. 2020;140(9):1753-1761. https://doi.org/10.1016/j.jid.2020.01.019

Закрыть метаданные