В.Г. Никитаев1, А.Н. Проничев2, О.В. Нагорнов3, В.Ю. Сергеев4, А.И. Отченашенко5, А.А. Буслаев6

1–3,5,6 ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)
4 НИЦ «Клиника дерматологии» (Москва, Россия)

Постановка проблемы. Меланома – одна из самых смертельных форм кожных новообразований, при этом заболеваемость меланомой в последние годы растет. Лучшей мерой противодействия онкологическим заболеваниям является их своевременная диагностика. Для повышения качества и доступности диагностики были разработаны решения с применением искусственного интеллекта, однако они не вызывают доверия у врачей в связи с непрозрачностью применяемых алгоритмов. Системы распознавания типа кожных новообразований, основанные на дерматоскопическом методе модифицированного анализа узора, призваны повысить доверие врача к цифровым методам диагностики. Проблемой в реализации данного подхода стало отсутствие опубликованных цифровых моделей распознавания типа линий на узоре новообразования. В работе рассматривается частный случай цифровизации указанного метода, когда на изображениях новообразований присутствует один диагностический признак – линии.

Цель. Разработать модель распознавания типа линий на узоре злокачественных кожных новообразований в цифровых дерматоскопических системах с применением глубокого обучения. Модель призвана определять тип линий: ретикулярные, разветвленные, параллельные или изогнутые.

Результаты. Представлена цифровая модель распознавания типа линий на узоре злокачественных кожных новообразований. За основу модели взята сверточная нейронная сеть Inception v3. Для формирования обучающей и тестовой выборок было отобрано 100 изображений ретикулярных линий: 65 разветвленных, 10 параллельных и 17 изогнутых. Все изображения были предоставлены Научно-исследовательским центром «Клиника дерматологии». Для уменьшения дисбаланса классов были использованы методы аугментации данных. Отмечено, что итоговая точность распознавания типа линий на тестовых данных составила 72%, средняя чувствительность по классам – 0,72, средняя специфичность – 0,91.

Практическая значимость. Разработка может быть применена в системах распознавания типа новообразований кожи на основе алгоритма модифицированного анализа узора.

Никитаев В.Г., Проничев А.Н., Нагорнов О.В., Сергеев В.Ю., Отченашенко А.И., Буслаев А.А. Цифровая онкодерматология: модель распознавания типа линий на узоре новообразований кожи при отсутствии других признаков на основе нейронных сетей // Биомедицинская радиоэлектроника. 2025. T. 28. № 2. С. 26−32. DOI: https://doi.org/10.18127/j15604136-202502-04

1. Меланома в цифрах // ГБУЗ «Бурятский республиканский клинический онкологический диспансер» URL: https://brkod.ru/news/melanoma-v-tsifrakh (дата обращения: 11.01.2024).
2. Эркенова Ф.Д., Пузин С.Н. Статистика меланомы в России и странах Европы // Медико-социальная экспертиза и реабилитация. 2020. № 1. С. 44–52.
3. Rigel D.S., Garucci J.A. Malignant Melanoma: Prevention, Early Detection, and Treatment in the 21st Century. CA Cancer J Clin. 2000 V. 50. № 4. P. 215–236.
4. Tschandl P., Codella N., Akay B.N., Argenziano G., Braun R.P., Cabo H., Gutman D., Halpern A., Helba B., Hofmann-Wellenhof R., Lallas A., Lapins J., Longo C., Malvehy J., Marchetti M.A., Marghoob A., Menzies S., Oakley A., Paoli J., Puig S., Rinner C., Rosendahl C., Scope A., Sinz C., Soyer H.P., Thomas L., Zalaudek I., Kittler H. 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. V. 20. № 7. P. 938–947.
5. Soenksen L.R., Kassis T., Conover S.T., Marti-Fuster B., Birkenfeld J.S., Tucker-Schwartz J., Naseem A., Stavert R.R., Kim C.C., Senna M.M., Avilés-Izquierdo J., Collins J.J., Barzilay R., Gray M.L. Using deep learning for dermatologist-level detection of suspicious pigmented skin lesions from wide-field images. Sci Transl Med. 2021. V. 13. № 581. P. 1–12.
6. Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A., Kalloo A., Hassen A.B.H., Thomas L., Enk A., Uhlmann L.; Reader study level-I and level-II Groups; Alt C., Arenbergerova M., Bakos R., Baltzer A., Bertlich I., Blum A., Bokor-Billmann T., Bowling J., Braghiroli N., Braun R., Buder-Bakhaya K., Buhl T., Cabo H., Cabrijan L., Cevic N., Classen A., Deltgen D., Fink C., Georgieva I., Hakim-Meibodi L.E., Hanner S., Hartmann F., Hartmann J., Haus G., Hoxha E., Karls R., Koga H., Kreusch J., Lallas A., Majenka P., Marghoob A., Massone C., Mekokishvili L., Mestel D., Meyer V., Neuberger A., Nielsen K., Oliviero M., Pampena R., Paoli J., Pawlik E., Rao B., Rendon A., Russo T., Sadek A., Samhaber K., Schneiderbauer R., Schweizer A., Toberer F., Trennheuser L., Vlahova L., Wald A., Winkler J., Wölbing P., Zalaudek I. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018. V. 29. № 8. P. 1836–1842.
7. Жучков М. В., Булиньска А. К., Киттлер Г. Применение алгоритма «Хаос и Признаки» в оценке дерматоскопических изображений пигментных новообразований кожи // Дерматология. Приложение к журналу Consilium medicum. 2017. № 2. С. 5–13.
8. Никитаев В.Г., Проничев А.Н., Нагорнов О.В., Круглова Л.С., Сергеев В.Ю., Отченашенко А.И. Модель искусственного интеллекта для семантической сегментации новообразований на изображениях кожи // Медицинская техника. 2024. № 1 (343). С. 26–28.
9. Никитаев В.Г., Проничев А.Н., Нагорнов О.В., Сергеев В.Ю., Круглова Л.С., Отченашенко А.И., Деева О.К. Метод оценки симметрии узора глобул в системах искусственного интеллекта для диагностики новообразований кожи // Измерительная техника. 2024. № 73(9). С. 53–60.
10. Окунев С.В., Фаворская М.Н. Применение аугментации и генеративно-состязательной нейронной сети для увеличения наборов данных // Актуальные проблемы авиации и космонавтики. 2020. Т. 2. С. 162–164.
11. Shorten C., Khoshgoftaar T.M. A survey on Image Data Augmentation for Deep Learning. J. Big Data. 2019. V. 6. P. 1–48.
12. Козачок А.В., Спирин А.А., Козачок Е.С. Обзор методов раннего обнаружения меланомы с использованием методов компьютерного зрения // Труды ИСП РАН. 2022. Т. 34. № 4. С. 241–250.
13. Щетинин Е.Ю., Севастьянов Л.А. О методах переноса глубокого обучения в задачах классификации биомедицинских изображений // Информатика и ее применения. 2021. Т. 15. № 4. С. 59–64.
14. Нейронные сети предпочитают текстуры и как с этим бороться // Habr URL: https://habr.com/ru/companies/ods/articles/ 453788/ (дата обращения: 11.03.2023).
15. How to explain the ROC curve and ROC AUC score? // Evidently AI URL: https://www.evidentlyai.com/classification-metrics/ explain-roc-curve (дата обращения: 11.03.2023).