Введение

Поскольку не все новообразования кожи могут быть правильно интерпретированы по клиническому виду, необходимы дополнительные критерии для их оценки (рис. 1 на цв. вклейке).

Рис. 1. Клиническая картина различных меланоцитарных образований (О.В. Минкина).

Fig. 1. The clinical picture of various melanocytic formations (O.V. Minkina).

Арсенал подходов и инструментов для диагностики дерматологической онкопатологии заметно возрос за последние десятилетия, в том числе была предпринята попытка использования обонятельных способностей собак в распознавании онкологической патологии кожи, основанная на предположении, что при инвазивной меланоме происходит выделение специфических летучих органических соединений, которые могут улавливаться обонятельными рецепторами собак и быть использованы как специфические диагностические биомаркеры [1]. В настоящее время, наверное, самым распространенным методом дифференциации меланоцитарных и немеланоцитарных образований, а также методом диагностики онкологической патологии кожи in vivo является дерматоскопическое (или эпилюминесцентное) исследование, точность которого зависит от опыта работы-клинициста с дерматоскопическим оборудованием, от тренированности врача в отношении интерпретации вариабельных дерматоскопических образов, а также от интуиции специалиста. Результаты сравнительного анализа при оценке «подозрительных» и поэтому требующих резекции новообразований без использования и с использованием дерматоскопа опубликованы в 2010 г. Согласно полученным данным, оценка исследуемого объекта невооруженным глазом продемонстрировала соотношение доброкачественных и злокачественных опухолей (Benign to malignant ratio — BMR) 18,4:1. Это значит, что примерно 18 из 19 биопсий выглядят как подозрительные в отношении меланомы, иссекаются, но оказываются доброкачественными меланоцитарными поражениями. В то время как для дерматолога, сертифицированного по дерматоскопии, по результатам этого же исследования BMR в конечном итоге уменьшилось до показателя 7,9:1,8 [2]. По другим данным, только специалист экспертного уровня демонстрирует 90%-ю чувствительность и 59%-ю специфичность при дерматоскопической диагностике новообразований кожного покрова [3].

По результатам онлайн-исследования, проведенного Панъевропейской рабочей группой по дерматоскопии в 32 странах Европы, результаты которого опубликованы в 2016 г., 89% респондентов-дерматологов сообщили о приверженности дерматоскопии; 62% пользователей указали на применение дерматоскопа не только для осмотра новообразований, но и для оценки других дерматологических нозологий [4]. В 2001 г. по результатам метааналитического исследования по оценке эффективности дерматоскопии в сравнении с простым клиническим осмотром новообразований точность идентификации меланомы дерматологами увеличилась с ОШ=16 при осмотре невооруженным глазом до ОШ=76 при использовании дерматоскопа [5]. Согласно информации, предоставленной Международным обществом дерматоскопии (International Dermatoscopy Society — IDS) на 2017 г., наибольшее число приверженцев использования дерматоскопии зарегистрировано в Испании, а РФ занимала лишь 17-е место.

На сегодняшний день имеется объективное мнение, что с помощью программного обеспечения (обработка и архивирование изображений, извлечение из изображения специфических признаков на базе существующих алгоритмов, адаптация имиджевой базы к современным классификациям) можно ускорить и качественно улучшить диагностический процесс и помочь специалистам в принятии правильного тактического решения. Возможность компьютеризировать диагностический процесс в прикладной дерматологии появилась благодаря существованию и совершенствованию стандартизированных подходов (алгоритмов) в оценке новообразований кожи. Исторически алгоритм анализа паттернов (pattern analysis) был одним из первых in vivo диагностических инструментов, предложенным для дерматоскопии H. Pehamberger и соавт. в 1987 г. [6], его основной принцип заключается в том, что пигментированные образования кожи сочетают в себе определенные глобальные закономерности и комбинацию локальных признаков. При исследовании более 3000 пигментных поражений кожи авторы определили особенные критерии, не визуализируемые невооруженным глазом, но легко обнаруживаемые при проведении эпилюминесцентной микроскопии и представляющие собой относительно надежные маркеры доброкачественности и злокачественности новообразований кожи. В пятерку наиболее важных из оцениваемых признаков, или, как принято называть их в специальной литературе, паттернов, согласно данному алгоритму, входят: ретикулярный признак (доминирование пигментной сети в структуре образования) (рис. 2 на цв. вклейке); глобулярный паттерн (наполненность образования окрашенными округлыми или овальными структурами) (рис. 3 на цв. вклейке); признак гомогенности (наличие в образовании однородного бесструктурного окрашивания) (рис. 4 на цв. вклейке); паттерн «взорвавшейся звезды» (наличие периферически расположенных ярких точек и глобул) (рис. 5 на цв. вклейке); недифференцированный признак (отсутствие возможности категоризировать образование по одному из вышеуказанных признаков).

Рис. 2. Ретикулярный паттерн (дерматоскоп Heine DELTA 20 Plus, О.В. Минкина).

Fig. 2. Reticular pattern (Heine DELTA 20 Plus dermatology-scope, O.V. Minkina).

Рис. 3. Глобулярный паттерн (дерматоскоп Heine DELTA 20 Plus, О.В. Минкина).

Fig. 3. Globular pattern (Heine DELTA 20 Plus dermatology-scope, O.V. Minkina).

Рис. 4. Гомогенный паттерн (дерматоскоп Heine DELTA 20 Plus, О.В. Минкина).

Fig. 4. Homogeneous pattern (Heine DELTA 20 Plus dermatology-scope, O.V. Minkina).

Рис. 5. Паттерн «взорвавшейся звезды» (дерматоскоп Heine DELTA 20 Plus, О.В. Минкина).

Fig. 5. Pattern of «exploded star» (Heine DELTA 20 Plus dermatology-scope, O.V. Minkina).

Одним из самых распространенных методов как дерматоскопической, так и неинструментальной макроскопической оценки новообразований кожи долгое время являлось использование 4-параметрового полуколичественного мнемонического алгоритма ABCD (А — асимметрия (asymmetry), B — четкость границ (border), C — особенности цвета (color), D — диаметр образования менее или более 6 мм (diameter)), предложенного R. Friedman в 1985 г. и усовершенствованного до алгоритма ABCDE (с оценкой Е — эволюции (evolution) новообразования) в 2004 г. [7, 8]. Для вычисления ABCD-рисков учитываются характеристики каждого из оцениваемых критериев, а затем балл, присвоенный каждому из критериев (рис. 6), умножается на заданный «фактор веса» для получения суммарной дерматоскопической оценки (Total dermoscopy score — TDS).

Рис. 6. Оценка ABCD-рисков (примечание в тексте).

Fig. 6. Assessment of ABCD risks (note in the text).

Расчет TDS стандартно производится по формуле:

TDS=1,3(A score)+0,1(B score)+ 0.5(C score)+0,5(D score).

Значения TDS<4,75 указывают на доброкачественность меланоцитарного образования, значения в интервале между 4,8 и 5,45 отмечают новообразование как сомнительное, а значения от 5,45 и выше говорят о высоком подозрении на меланому.

Позднее для оптимизации алгоритма внедрили еще одно дополнение к правилу ABCDE, а именно диагностическую концепцию «знака гадкого утенка» (Ugly duckling sign — UD), преобразовавшую мнемоническое понятие ABCDE в ABCDEF [9]. Авторы концепции придерживались идеи гомологичности пигментированных образований кожи у одного человека (signature lesions), подчеркивая индивидуальный отличительный вид меланомы («гадкий утенок»), позволяющий отличить ее у одного и того же обследуемого от других невусов. Объединение преимуществ двух диагностических техник (ABCDE и UD) и присоединение к аббревиатуре буквы F, означающей «забавный вид» (funny looking), позволили создать более убедительный, практикоприменимый и незатратный унифицированный оценочный инструмент, который демонстрировал высокую чувствительность даже в руках непрофильных специалистов [10].

В 1996 г. был разработан 11-точечный диагностический метод S. Menzies и соавт. [11], в соответствии с которым исследуемое новообразование может быть предварительно классифицировано как подозрительное на меланому, если оно демонстрирует отсутствие симметрии рисунка или однородности цвета, а также содержит по меньшей мере один из дополнительных признаков: бело-голубую вуаль, множественные коричневые точки, псевдоподии, радиальные разводы, рубцовоподобную депигментацию, периферические точки/глобулы, полихромность, множественные серо-голубые точки, расширяющуюся сеть. В оригинальном исполнении для диагностики инвазивной меланомы метод продемонстрировал чувствительность 92%, специфичность 71%; позднее было показано, что метод улучшает чувствительность диагностики, в том числе и меланомы малого размера [12].

В 1998 г. был разработан и опубликован 7-балльный дерматоскопический алгоритм G. Argenziano, предусматривающий обнаружение в исследуемом изображении двух групп диагностических критериев, названных «большими» и «малыми». При выявлении одного из «больших» критериев (атипичная пигментная сеть, бело-голубая вуаль, атипичный сосудистый паттерн) новообразованию присваивается 2 балла за каждый из критериев, при выявлении «малого» критерия (нерегулярные полосы, нерегулярная пигментация, нерегулярные точки/глобулы, зоны регресса) — по 1 баллу за каждый из критериев. Таким образом, при суммарном анализе дерматоскопического изображения новообразование может получить от 0 до 10 баллов. При наличии 3 баллов и более с высокой долей вероятности оцениваемое новообразование кожи является меланомой или иным злокачественным образованием и подлежит эксцизионной биопсии. Чувствительность, специфичность и диагностическая точность данного алгоритма как инструмента дерматоскопической диагностики меланомы кожи в исследовании, опубликованном в 2014 г., составили 87,5%, 65,9% и 70,4% соответственно [13].

В 2002 г. в качестве еще одного инструмента визуальной оценки новообразования кожи был предложен CASH-метод (C — особенность цвета (color), А — архитектура образования (architecture), S — симметричность (symmetry) и H — гомогенность (homogeneity)) [14], отличающийся от существовавших ранее алгоритмов особым отношением к оценке архитектурного порядка (единообразие структур и их распределение) в исследуемом образовании. В 2007 г. были опубликованы результаты оценки чувствительности, специфичности и диагностической точности CASH-алгоритма, в частности был рассчитан суммарный CASH-балл (Total CASH Score — TCS) на основании изучения дерматоскопических изображений 325 меланоцитарных образований, среди которых 131 образец представлял собой злокачественную меланому [15].

С целью суммирования баллов для каждого из признаков в данном исследовании было предложено следующее распределение: С (1 балл для каждого из 6 указанных цветов); А (0 — отсутствие или незначительное нарушение архитектоники, 1 — умеренные изменения и 2 — выраженные нарушения); S (0 — двухосевая симметрия; 1 — односторонняя симметрия и 2 — двухосевая асимметрия); H (по 1 баллу для любой из 7 указанных дерматоскопических структур, придающих образованию гомо- или гетерогенность). Как следует из результатов исследования (рис. 7), для дифференциальной диагностики меланомы максимальная чувствительность метода (98%) в сочетании с высокой специфичностью (68%) наблюдалась при суммарной оценке новообразования от 8 баллов и более; прогностическая ценность положительного результата составила 67%, прогностическая ценность отрицательного результата — 97%. При этом, подчеркивая неоценимость такого критерия, как архитектурная дезорганизация, авторы приводят данные о наличии умеренных или выраженных нарушений архитектурной упорядоченности почти во всех образцах меланом (рис. 8).

Рис. 7. Сравнительный анализ чувствительности и специфичности CASH и других дерматоскопических алгоритмов (примечание в тексте).

Fig. 7. Comparative analysis of the sensitivity and specificity of CASH and other dermatology-scope algorithms (note in the text).

Рис. 8. Наличие «архитектурного беспорядка» в зависимости от типа новообразования.

Количество и тип новообразований как без нарушения строения, так и с незначительным нарушением строения (слева); с нарушением строения средней и сильной степени выраженности (справа) (примечание в тексте).

Fig. 8. Presence of «architectural disorder» depending on the type of neoplasm.

The number and type of neoplasms both with and without a slight structural disorder (left); with structural impairment of moderate and strong severity (right) (note in the text).

Одним из самых простых способов анализировать дерматоскопические особенности образований кожи многими специалистами признан алгоритм «хаос и признаки» (Chaos and Clues), предложенный к использованию C. Rosendahl и соавт. в 2012 г. [16]. Алгоритм основан на базовых знаниях о перепрограммировании малигнизированных клеток и нарушении нелинейной динамики (детерминированном хаосе) процессов на всех уровнях онкогенеза и определяет решение специалиста о необходимости эксцизии образования без проведения сложных математических вычислений, что требуется при выполнении других алгоритмов. Ключевым моментом при использовании алгоритма «хаос и признаки» является не оценка меланоцитарности исследуемого объекта, а сортировочное суммарное представление о его «подозрительности» (рис. 9).

Рис. 9. Алгоритм «хаос и признаки» (примечание в тексте).

Fig. 9. Chaos and Clues algorithm (note in the text).

Дерматоскопически «хаос» определяется как асимметрия цвета или структуры (согласно принципам модифицированного анализа узора), независимо от контуров образования. На практике это значит, что моноузорное или монохромное образование является безусловно симметричным и ахаотичным, а значит, с высокой долей вероятности может быть расценено как доброкачественное и не имеет обязательной рекомендации к удалению. В случае верификации дерматоскопического «хаоса» оценивается присутствие 8 основных признаков злокачественности, а наличие хотя бы одного из маркеров диктует необходимость эксцизии как минимум подозрительного образования [17].

В 2012 г. был предложен к использованию еще один диагностический алгоритм — BLINCK, который позволяет, по мнению авторов, одинаково оценивать как пигментные, так и беспигментные новообразования и включает в себя оценку по 6 ключевым пунктам: В (benign, доброкачественность) — при клинической оценке доброкачественности новообразования и схожести его с другими на исследуемом участке кожного покрова не требуется проведения дальнейшего обследования, в обратном случае требуется продолжить алгоритм; L (lonely, солитарность) — если исследуемое образование является единственным в своем роде при обследовании пациента, диагностический алгоритм должен быть продолжен; I (irregular, неравномерность) — является ли исследуемое новообразование неравномерно окрашенным или содержит нерегулярный сосудистый рисунок; N (nervous, тревожность) — повышенная обеспокоенность пациента, что конкретное образование может иметь онкологический потенциал (за исключением ипохондриально настроенных пациентов); С (change, изменение) — наличие ощущения у пациента или у его партнера о происходящих в новообразовании изменениях; K (known clues, характерные «подсказки») — имеет ли исследуемое образование вполне определенные дерматоскопические стигмы малигнизации. При положительной оценке каждого из показателей (нет — 0, да — 1) и суммарной диагностической оценке более 2 баллов образование подлежит эксцизии. В исследовании, опубликованном в 2012 г., показатель NNE (количество меланоцитарных поражений, которые необходимо удалить, чтобы выявить одну меланому) с использованием алгоритма BLINCK составил 6. Для сравнения: NNE при применении 3-точечного алгоритма составил 11, при использовании метода Menzies — 13, при только клинической оценке — 22 [18].

В 2016 г. T. Rogers и соавт. [19] предложили к использованию упрощенный пошаговый алгоритм TADA (Triage Amalgamated Dermoscopic Algorithm), объединенный дерматоскопически сортирующий алгоритм, подходящий для оценки непрофильным специалистом как меланоцитарных, так и непигментированных образований кожи. Использование TADA подразумевает предварительное определение исследуемого объекта как дерматоскопически однозначного в отношении одного из 3 наиболее часто встречающихся доброкачественных новообразований (ангиомы, дерматофибромы, себорейного кератоза), и при соответствии образование исключается из дальнейшего дерматоскопического анализа. В обратном случае производится оценка архитектурного беспорядка в пределах новообразования — это надежный критерий, демонстрирующий хорошую воспроизводимость и ассоциирующийся с предсказуемой злокачественностью. Наличие архитектурного беспорядка основано на общем впечатлении от поражения, которое включает симметрию в отношении структур и цветов. Прицельный поиск дальнейших дерматоскопических критериев, таких как радиально расположенные псевдоподии у образования с бесструктурной центральной зоной, сине-серые оттенки в образовании, опалесцирующие белесоватые структуры, негативная пигментная сеть, язвенные или эрозивные участки, полиморфизм сосудистого компонента, является итоговым для принятия решения о необходимости удаления образования. По мнению авторов, алгоритм TADA требует минимального необходимого знания дерматоскопии и призван облегчить сортировку подозрительных новообразований по трехвекторному направлению: последующий мониторинг, направление на эксцизию или определенное освобождение образования от дальнейшего наблюдения (рис. 10).

Рис. 10. Алгоритм TADA (примечание в тексте).

Fig. 10. TADA algorithm (note in the text).

В исследовании, результаты которого были опубликованы в 2017 г. [19], оценивалась диагностическая точность алгоритма TADA для пигментированной и непигментированной онкопатологии кожи, а также проводился сравнительный анализ TADA с другими, часто использующимися, дерматоскопическими алгоритмами. После прохождения базового дерматоскопического тренинга участники исследования, среди которых только 53,3% составляли врачи-дерматологи, оценивали 50 дерматоскопических изображений, из них 80% были представлены меланоцитарными и 20% — немеланоцитарными новообразованиями кожи. Около ¹/₂ (43,3%) участников впервые использовали дерматоскопическое оборудование и не проходили ранее специализированного обучения, что определенно подчеркивает применимость алгоритма даже в руках некомпетентного исследователя. Чувствительность и специфичность TADA для всех видов рака кожи составила 94,6% и 72,5% соответственно.

Дерматоскопический 7-балльный алгоритм G. Argenziano в 2013 г. лег в основу разработки нового алгоритма DynaMel (dynamic changes in melanoma, динамические изменения в меланоме), основанного на оценке in vivo определенных микроскопических параметров изображения в динамике [20]. Авторы исследования предполагают, что меланома на ранних стадиях своего развития или, наоборот, очень «продвинутые» формы заболевания могут или еще, или уже не иметь четких дерматоскопических особенностей. В этом свете интеграция в алгоритм дополнительной информации, полученной при долгосрочном динамическом наблюдении изменений в новообразовании, могла бы повысить чувствительность метода в выявлении разных вариантов течения онкопроцесса. С этой целью предлагается использовать такие стратегии последовательного дерматоскопического наблюдения, как краткосрочное наблюдение с 3-месячным интервалом, нацеленное на пациентов с ограниченным количеством «подозрительных» невусов, и долгосрочное наблюдение с 6—12-месячными интервалами, направленное на наблюдение за пациентами высокого риска с большим числом атипичных невусов. По результатам исследования половина (32 из 61) образцов меланомы набрали менее 3 суммарных баллов и были бы пропущены без учета информации о динамических изменениях с соответствующей потерей пациентов из зоны наблюдения. Авторами разработана новая система подсчета баллов, которая объединяет динамические критерии и условия положительного анализа по 7-балльному алгоритму. Также определены 2 основных динамических критерия, оцениваемые 2 баллами каждый (асимметричное мультифокальное увеличение и изменение архитектуры образования), и 3 второстепенных динамических критерия, оцениваемые 1 баллом каждый (фокальное усиление пигментации, фокальное уменьшение пигментации и совокупное снижение пигментации в образовании). При каждом последующем осмотре в рамках установленного периода наблюдения производится перерасчет баллов с учетом 7-балльного алгоритма, значение которого далее суммируется с оценкой динамических критериев. В случае получения 3 баллов и более образование классифицируется как высокоподозрительное на меланому и подлежит иссечению (рис. 11). В рамках исследования интеграция алгоритма DynaMel продемонстрировало значительное увеличение чувствительности выявления меланомы (77,1%) в сравнении с проведением только 7-балльного алгоритма без учета баллов динамического изменения (47,5%).

Рис. 11. Алгоритм DynaMel (примечание в тексте).

Fig. 11. DynaMel algorithm (note in the text).

С целью изучения диагностической точности дерматоскопических критериев в диагностике акральных меланоцитарных образований (рис. 12 на цв. вклейке), прежде всего акральной меланомы, A. Lallas и соавт. [21] опубликовали результаты исследования, включающего оценку 603 новообразований кожи (472 невуса и 131 акральная меланома) и предложили использование алгоритма BRAAFF, а именно проведение подсчета баллов, касающихся 6 переменных (нерегулярные вкрапления, рисунок гребешков, асимметрия структур, асимметрия цветности, особеность рисунка бороздок, фибриллярный рисунок) (рис. 13). У представителей европеоидной расы на долю акральной формы меланомы приходится не более 10% случаев, однако у представителей других расовых групп акральная меланома встречается гораздо чаще: у афроамериканцев — более чем в 70% случаев, в азиатской группе — примерно в 50% случаев [22, 23]. Одно из первых сообщений о преобладании акральной формы меланомы в афроамериканской расовой группе, по-видимому, было опубликовано в 1976 г. R. Reed [24]. Через 30 лет, при исследовании более 1000 гистологически подтвержденных случаев акральной меланомы за период с 1986 по 2005 г., были опубликованы данные, демонстрирующие более низкий уровень выживаемости при акральной меланоме среди таких этнических групп, как афроамериканская и азиатская [25]. Результаты исследования 2016 г. J. Lv и соавт. [26] показали, что именно акральная меланома является биологически наиболее агрессивным подтипом заболевания в азиатской этнической популяции и имеет наихудший прогноз по сравнению с другими расами, а также с меланомами других анатомических локализаций.

Рис. 12. Акральный меланоцитарный невус (дерматоскоп Heine DELTA 20 Plus, О.В. Минкина).

Fig. 12. Acral melanocytic nevus (dermatology-scope Heine DELTA 20 Plus, O.V. Minkina).

Рис. 13. Контрольный список BRAAFF для диагностики акральной меланомы (примечание в тексте).

Fig. 13. BRAAFF checklist for the diagnosis of acral melanoma (note in the text).

Система подсчета баллов алгоритма BRAAFF включает 4 положительных предиктора с различным весовым индексом (нерегулярные пятна, признак параллельности гребешков, асимметрия структур, асимметрия цвета) и 2 отрицательных предиктора с одинаковым весовым индексом (наличие параллельного рисунка борозды и фибриллярного рисунка). Любое образование, набравшее 1 общий балл и выше, должно быть дополнительно исследовано для исключения акральной меланомы.

Установление адекватного порога принятия решения при оценке статуса новообразования по-прежнему является трудной задачей. Компьютеризированный анализ дерматоскопических изображений может оказаться чрезвычайно полезным инструментом для объективизации измерения набора признаков в исследуемом объекте как в работе экспертных команд, так и для массовых скрининговых программ. Компьютерный анализ имиджей в диагностике повреждений кожи является относительно новой областью исследований. Первая связанная с этим вопросом работа в медицинской литературе, по-видимому, относится к 1987 г. [27], однако интерес к исследованию можно считать незначительным, так как в тот период времени компьютерная визуализация и машинное обучение были зарождающимися областями научного интереса. Один из значительных вкладов в идею обработки дерматоскопических изображений был предложен в 2001 г. [28], авторы использовали классический подход к созданию дерматоскопического классификатора. На первом, аналитическом, этапе производилась автоматическая сегментация изображений только на основании их цветовой гаммы, и затем, на втором этапе, изображения классифицировались на основании извлечения из каждого более сотни различных признаков, что продемонстрировало чувствительность и специфичность диагностики 77% и 84% соответственно. В 2009 г. опубликованы результаты еще одного исследования — с базой данных 513 изображений меланоцитарных образований, среди которых 80 представляют собой имиджи злокачественной меланомы, а в группе 433 доброкачественных образований более 100 представлены диспластическими меланоцитарными невусами. Именно эта патология кожи визуально очень напоминает злокачественную меланому и нередко вызывает сомнения даже у специалистов экспертного уровня. В результате автоматической сегментации изображений на основании извлечения 57 специфических признаков был получен ложноположительный показатель 8,75% при общей чувствительности метода 95% [29]. В связи с этим компьютерная диагностика и разработка более сложных алгоритмов (колориметрический и геометрический анализ, статистическое дифференцирование на основе баз данных знаний о диагностированных случаях и т.д.) с каждым годом приобретают все большую популярность. Дерматоскопические изображения также являются материалом для обучения искусственных нейронных сетей и автоматической диагностики пигментированных поражений кожи. В 1994 г. M. Binder и соавт. [30] успешно использовали дерматоскопические изображения для обучения искусственной нейронной сети (нейросетевой диагностический алгоритм) дифференциации меланомы кожи от меланоцитарных невусов. Несмотря на то что результаты были многообещающими, исследование, как и большинство более ранних исследований, страдало от небольшого размера выборки и отсутствия дерматоскопических изображений, отличных от меланомы или невуса. На данный момент создание большой и доступной базы данных дерматоскопических изображений, которую можно было бы использовать в качестве идеальной поисковой системы, представляется фундаментальной задачей. В 2013 г. T.F. Mendonça и соавт. опубликовали массив из 200 дерматоскопических изображений (160 меланоцитарных невусов и 40 меланом) как общедоступную базу данных PH2 (https://www.fc.up.pt/addi), включающую в себя всеобъемлющие метаданные для изображений и до настоящего времени использующуюся в качестве инструмента в компьютерной диагностике меланомы. На сегодняшний день наиболее крупным стандартизированным источником исследования дерматоскопических изображений, преимущественно изображений меланоцитарных поражений кожи, является архив ISIC (https://isic-archive.com), представляющий собой хорошо структурированную, доступную совокупность нескольких баз данных и по состоянию на 2018 г. включающий в себя 13 786 дерматоскопических изображений, из которых 12 893 имиджа представляют собой меланоцитарные невусы или меланому. Однако построение технически продвинутого компьютерного классификатора и для других дерматоскопических изображений образований кожи наравне с меланоцитарными является более сложной задачей, чем даже максимально продуманная бинарная классификация, дифференцирующая меланомы и меланоцитарные невусы. С этой целью в 2018 г. была создана библиотека данных HAM10000 (Human Against Machine with 10000 training images), состоящая из 10 015 дерматоскопических имиджей образований кожи различных групп населения, набранных за 20-летний период работы дерматологических департаментов Австрии и Австралии (рис. 14) [31]. Австрийский набор визуальных данных (ViDIR image set) представляет собой визуальное собрание новообразований кожи пациентов с большим количеством невусов, а также личной или семейной историей меланомы. Австралийский набор изображений (Rosendahl image set) презентирует различные новообразования пациентов с хроническим УФ-повреждением кожного покрова, характерным для географического региона высокой заболеваемости раком кожи. В итоге система HAM10000 представляет собой массив репрезентативных образцов новообразований кожи, разделенных на 7 основных категорий, каждая из которых имеет разный уровень критичности: AKIEC (actinic keratoses/intraepithelial carcinoma; актинический кератоз / болезнь Боуена), BCC (basal cell carcinoma; базально-клеточная карцинома), BKL (benign keratosis; доброкачественные кератозы), NV (melanocytic nevi; меланоцитарные невусы), MEL (melanoma; меланома), DF (dermatofibroma; дерматофиброма), VASC (vascular skin lesions; сосудистые образования кожи).

Рис. 14. Распределение имиджей образований кожи согласно базе данных HAM10000 (примечание в тексте).

Fig. 14. Distribution of skin formation images according to the HAM10000 database (note in the text).

Идея использования больших массивов данных для совершенствования компьютерного зрения и машинного обучения (визуализация и анализ) в последние годы привлекает к себе повышенный интерес в связи с тем, что машина может значительно уменьшить нагрузку на врачей, сократить диагностические ошибки, а также использоваться как независимое «второе мнение». На сегодняшний день уже можно говорить об опыте машинного обучения для искусственного интеллекта в биомедицинских приложениях в диапазоне от анализа демографических данных, прогнозирования рисков развития заболеваний до помощи в принятии клинических решений. В 2017 г. было опубликовано исследование, в котором сравнивали точность компьютерного алгоритма и 21 сертифицированного дерматолога при решении 3 диагностических задач, а именно: в диагностике плоскоклеточной карциномы и меланомы по фотообразцу и в диагностике меланомы по дерматоскопическому образцу [32]. Все специалисты должны были выбрать между активной или пассивной тактикой ведения пациента при изучении предоставленных изображений новообразований кожи. Каждая красная метка на графиках представляет диагностическую чувствительность и специфичность одного дерматолога в рамках поставленной задачи (рис. 15). Сравнительный графический анализ исследования продемонстрировал превосходство диагностической точности нейросетевого алгоритма над показателями производительности большинства дерматологов проекта, чьи индивидуальные результаты (красные метки) находятся ниже синей кривой автоматизированной системы, а зеленые метки демонстрируют среднее значение чувствительности и специфичности диагностики для 21 специалиста.

Рис. 15. Сравнительный анализ диагностической точности врачей-дерматологов и компьютерного алгоритма (примечание в тексте).

Fig. 15. Comparative analysis of diagnostic accuracy of dermatologists and computer algorithm (note in the text).

Результаты дальнейших исследований также не позволяют усомниться, что алгоритмы искусственного интеллекта могут успешно применяться в выявлении меланомы в клинической практике [33, 34].

По результатам исследования, опубликованного в 2011 г. [35], готовность молодого населения РФ к систематическому профилактическому обследованию состояния здоровья оценивалась как недостаточная, даже в группах с отягощенным онкологическим анамнезом и распространенностью факторов риска развития онкологического заболевания с угрозой высокой летальности. Лишь 36,3% из 408 респондентов, средний возраст которых составил 27,9 года, проходили диспансеризацию за предшествующие исследованию 3 года, при этом 57,1% респондентов считали, что подвержены риску развития онкологического заболевания. Социализация в условиях широкого распространения цифровых технологий в обычной жизни, при получении образования и в профессиональной деятельности диктует необходимость адаптации способов выявления онкологических заболеваний на курабельных стадиях. В период цифровизации общества, глобальной интеграции и междисциплинарной коммуникации развитие, внедрение и объединение новых технологий и традиционных профессиональных методик для визуализации и максимально точной оценки образований кожи является приоритетной задачей. Изменение технологий создает новый формат профессионального общения, популяризирует возможности виртуального здравоохранения и формирует новые требования к базовым компетенциям специалистов, что в итоге минимизирует диагностические ошибки и повышает качество оказания медицинской помощи.

Участие авторов: концепция и дизайн исследования — О.В. Минкина, Л.В. Оганесян; написание текста — О.В. Минкина; редактирование — О.В. Минкина, А.С. Дворников, П.А. Скрипкина, В.С. Палагина, К.С. Иванова.

Авторы заявляют об отсутствии конфликта интересов.