Интеллектуальная система поддержки принятия решений врача в диагностике новообразований кожи на основе анализа дерматоскопических изображений

Цель исследований – разработка интеллектуальной системы поддержки принятия решений врача, основанная на автоматизированном анализе дерматоскопических изображений с использованием алгоритмов машинного обучения, предназначенном для ранней диагностики и выявления злокачественных кожных новообразований. Разработка интеллектуальной системы поддержки принятия решения врача как для профильных специалистов, так и для врачей общей практики и среднего медицинского персонала, осуществляющих первичную обследование пациентов с новообразованиями кожи, является актуальным направлением исследований.

Методы. Предложена архитектура интеллектуальной системы поддержки принятия решений врача, основанной на анализе дерматоскопических изображений. Система реализована в виде клиент-серверного веб-приложения. В качестве клиента выступает веб-приложение, реализующее функционал личного кабинета врача. При этом сервером является облачная инфраструктура, осуществляющая сбор, хранение и анализ дерматоскопических изображений, а также формирование отчета о нозологической группе кожного образования. В процессе анализа дерматоскопических изображений применяются методы машинного обучения, основанные на использовании нейронных сетевых с архитектурой «виртуальный трансформер» и сформированного набора дерматоскопических изображений.

Результаты. Практически реализована и апробирована в клинических условиях разработанная интеллектуальная система поддержки принятия решений врача, характеризующаяся значениями точности, превышающими 93% для показателя Accuracy и 89% – F-мера на этапе обучения, более 89% (показателя Accuracy) – в процессе проведения медицинских осмотров. Полученные значения экспериментальных оценок позволили сформировать рекомендации по интеграции разработанной интеллектуальной системы поддержки принятия решений врача в рабочие процессы медицинских учреждений.

Заключение. Разработанная система обеспечивает автоматизированный анализ изображений, структурирование метаданных, визуализацию предсказаний моделей и возможность экспертной разметки, может быть применена не только профильными врачами при проведении медицинских осмотров и исследований, но и врачами общей практики и средним медицинским персоналом при проведении скрининговых обследований, выездных профилактических приемов и диспансеризации.

1. Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: a meta-analysis of studies performed in a clinical setting / M. E. Vestergaard, P. Macaskill, P. E. Holt, S. W. Menzies // British Journal of Dermatology. 2008. Vol. 159, N 3. P. 669–676. https://doi.org/10.1111/j.1365-2133.2008.08713.x

2. Artificial Intelligence in Dermatology: A Systematic Review of Its Applications in Melanoma and Keratinocyte Carcinoma Diagnosis / N. Jairath, V. Pahalyants, R. Shah, J. Weed, J. A. Carucci, M. C. Criscito // Dermatologic Surgery. 2024. Vol. 50, N 9. P. 791– 798. https://doi.org/10.1097/DSS.0000000000004223

3. Deep neural networks are superior to dermatologists in melanoma image classification / T. J. Brinker, A. Hekler, A. H. Enk, C. Berking, S. Haferkamp, A. Hauschild, M. Weichenthal // European Journal of Cancer. 2019. Vol. 119. P. 11–17. https://doi.org/10.1016/j.ejca.2019.05.023

4. Adamson A. S., Smith A. Machine Learning and Health Care Disparities in Dermatology // JAMA Dermatology. 2018. Vol. 154, N 11. C. 23–48. https://doi.org/10.1001/jamadermatol.2018.2348

5. A systematic review and meta-analysis of artificial intelligence versus clinicians for skin cancer diagnosis / M. P. Salinas, J. Sepulveda, L. Hidalgo, D. Peirano, M. Morel, P. Uribe // NPJ Digital Medecine. 2024. Vol. 7, N 125. P. 1–23. https://doi.org/10.1038/s41746-024-01103-x

6. Платформа для сбора дерматоскопических изображений новообразований пациентов / А. В. Козачок, А. А. Спирин, К. В. Елецкий, Е.С. Козачок // Труды Института системного программирования РАН. 2024. Т. 36, №. 3. С. 259–272. https://doi.org/10.15514/ISPRAS-2024-36(3)-18

7. UI/UX Design Of Mobile-Based Pharmacy Application Using Design Thinking Method / S. Suryani, N. Nurdiansah, F. Faizal, N. Nirwana, A. Metekohy // Journal of Computer Networks, Architecture and High Performance Computing. 2023. Vol. 5, N 2. P. 714– 723. https://doi.org/10.47709/cnahpc.v5i2.2811

8. Familoni B. T., Babatunde S. O. User experience (UX) design in medical products: theoretical foundations and development best practices // Engineering Science & Technology Journal. 2024. Vol. 5, N 3. P. 1125–1148. https://doi.org/10.51594/estj.v5i3.975

9. Features recognition from piping and instrumentation diagrams in image format using a deep learning network / E. S. Yu, J. M. Cha, T. Lee, J. Kim, D. Mun // Energies. 2019. Vol. 12, N 23. P. 1–19. https://doi.org/10.3390/en12234425

10. Skin Cancer Detection with Metadata Using Deep Learning Strategies / N. Devarakonda, M. Murthy, R. Reddy, P. S. Harsha // Advances in Communication and Applications (ERCICA 2023). Singapore: Springer, 2024. P. 217–233. https://doi.org/10.1007/978-981-99-7633-1_16

11. Применение моделей машинного обучения для многоклассовой классификации дерматоскопических снимков новообразований кожи / А. В. Козачок, А. А. Спирин, О. И. Самоваров, Е. С. Козачок // Труды Институт системного программирования РАН. 2024. Т. 36, № 5. С. 241–252. https://doi.org/10.15514/ISPRAS-2024-36(5)-17

12. Хабарова Р. И., Кулева С. А. Искусственный интеллект в диагностике доброкачественных новообразований кожи у пациентов детского возраста. Интеграция нейронной сети в мобильное приложение // Вопросы онкологии. 2022. Т. 68, № 6. С. 820–826. https://doi.org/10.37469/0507-3758-2022-68-6-820-826

13. A survey, review, and future trends of skin lesion segmentation and classification / H. Kamrul, A. Asif, H. Y. Choon, Y. Guang // Computers in Biology and Medicine. 2023. Vol. 155. С. 1–36. https://doi.org/10.1016/j.compbiomed.2023.106624

14. Automatic melanoma detection using discrete cosine transform features and metadata on dermoscopic images / S. Yousefi, S. Najjar-Ghabel, R. Danehchin, S. S. Band, C. C. Hsu, A. Mosavi // Journal of King Saud University-Computer and Information Sciences. 2024. Vol. 36, N 2. P. 101944. https://doi.org/10.1016/j.jksuci.2024.101944