К.М. Параскевопуло¹, А.Н. Наркевич², К.А. Виноградов³

1–3 ФГБОУ ВО Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого  Минздрава России (г. Красноярск, Россия)

Постановка проблемы. Система оценки характеристик ABCDE – метод выявления онкологических заболеваний, возникающих из пигментных образований кожи, который очень сильно зависит от опыта врача.

Методы математического моделирования и компьютерные технологии позволяют осуществлять разработку систем поддержки принятия решения врача, для помощи специалисту в определении – требуется ли обратившемуся человеку консультация врачей-онкологов и проведение биопсии для постановки гистологически подтвержденного диагноза и последующего лечения. Для их применения, в первую очередь, необходимо преобразовать информацию о внешних характеристиках исследуемых объектов в цифровой вид, так как компьютерная система может воспринимать только набор параметров объекта, а не его образ.

Цель работы – представление характеристик пигментных образований кожи, определенных по системе ABCDE, в цифровом виде и оценка возможности их применения для распознавания злокачественных новообразований кожи. 

Результаты. Для исследования использовались 6 594 дерматоскопических изображений кожи с гистологически подтвержденными заключениями из базы The International Skin Image Collaboration. Для каждого изображения были определены морфометрические и цветовые характеристики объектов, которые соответствуют параметрам описания пигментных образований системы ABCDE. Анализ возможности применения параметров объектов в автоматизированном распознавании злокачественных новообразований производился с использованием статистического критерия Манна-Уитни и ROC-анализа. При параметризации объектов и анализе полученных характеристик было установлено, что отдельное применение параметров для классификации объектов на доброкачественные и злокачественные новообразования позволяет получить результаты с точностью, не превышающей 63,1 %. Таким образом, необходимо дальнейшее изучение параметров с использованием многомерных математических методов.

Практическая значимость. Полученный перечень параметров пигментных образований кожи в цифровом виде, который соответствует характеристикам, оцениваемым у объектов при использовании диагностической системы ABCDE, может быть использован для разработки систем поддержки принятия врачебных решений, а также для более глубокого изучения проблем диагностики новообразований кожи с позиции компьютерного зрения.

Параскевопуло К.М., Наркевич А.Н., Виноградов К.А. Параметризация объектов для их распознавания на цифровых изображениях кожи // Технологии живых систем. 2021. Т. 18. № 1. С. 67–72. DOI: 10.18127/j20700997202101-07.

1. Воронина В.Р. Меланоцитарные невусы у детей: изменяющиеся образования у растущих пациентов // Практика педиатра. 2019. № 1. С. 36–41.
2. Зарипова Г.Р., Богданова Ю.А., Катаев В.А. Актуальные модели систем поддержки принятия решений в практике врачахирурга // Международный научно-исследовательский журнал. 2016. Т. 53. № 11. С. 137–142.
3. Кубанов А.А., Сысоева Т.А., Галлямова Ю.А., Бишарова А.С., Мерцалова И.Б. Алгоритм обследования пациентов с новообразованиями кожи // Лечащий врач. 2018. № 3. С. 83–88.
4. Романова О.А., Артемьева Н.Г., Солохина М.Г. Клинические признаки ABCDE в диагностике диспластического невуса с признаками прогрессирования и начальной меланомы // Лечащий врач. 2016. № 9. С. 92–97.
5. Синельников И.Е., Барышников К.А., Демидов Л.В. Клиническая диагностика меланомы кожи // Вестник РОНЦ Н. Н. Блохина РАМН. 2017. Т. 28. № 1. С. 68–73. 
6. Abadir A.P., Ali M.F., Karnes W., Samarasena J.B. Artificial intelligence in Gastrointestinal Endoscopy. Clinical Endoscopy. 2020. V. 53. № 2. P. 132–141.
7. Bandic J., Kovacevic S., Karabeg R., Lazarov A., Opric D. Teledermoscopy for Skin Cancer Prevention: a Comparative Study of Clinical and Teledermoscopic Diagnosis. Acta Informatica Medica. 2020. V. 28. № 1. P. 37–41. 
8. Dhahri H., Rahmany I., Mahmood A., Ai Maghayreh E., Elkilani W. Tabu Search and Machine-Learning Classification of Benign and Malignant Proliferative Breast Lesions. BioMed Research International. 2020. V. 2020. P. 1–10.
9. Friedman E.B., Scolyer R.A., Thompson J.F. Management of pigmented skin lesions during pregnancy. Australian Journal of General Practice. 2019. V. 48. № 9. P. 621–624. 
10. Huang S., Cai N., Pacheco P.P., Narrandes S., Wang Y., Xu W. Applications of Support Vector Machine (SVM) Learning in Cancer Genomics. Cancer Genomics Proteomics. 2018. V. 15. № 1. P. 41–51.
11. Iftikhar P., Kuijpers M. V., Khayyat A., Iftikhar A., DeGouvia De Sa M.  Artificial Intelligence: A New Paradigm in Obstetrics and Gynecology Research and Clinical Practice. Cureus. 2020. V. 12. № 2. P. 1–9.
12. Islam M.M., Poly T.N., Walther B.A., Yang H.C., Li Y.J. Artificial Intelligence in Ophtalmology: A Meta-Analysis of Deep Learning Models for Retinal Vessels Segmentation. Journal of Clinical Medicine. 2020. V. 9. № 4. P. 1–19.
13. Vishwanath M., Jafarlou S., Shin I., Lim M. M., Dutt N., Rahmani A. M., Cao H. Investigation of Machine Learning Approaches for Traumatic Brain Injury Classification via EEG Assessment in Mice. Sensors. 2020. V. 20. № 7. P. 1–10.