Набор дерматоскопических изображений для ранней диагностики злокачественных новообразований кожи

Цель исследований – формирование набора данных дерматоскопических изображений, содержащих высококачественную разметку клинически значимых признаков кожных новообразований фототипов кожи населения России, предназначенного для ранней диагностики и выявления злокачественных кожных новообразований. Формирование и внедрение наборов дерматоскопических изображений в автоматизированные системы и подходы раннего обнаружения злокачественных новообразований кожи при проведении медицинских обследований пациентов являются актуальными направлениями исследований.

Методы. Предложен подход к формированию набора дерматоскопических изображений с высокой высококачественной разметкой клинически значимых признаков. Основу сформированного набора данных составляют дерматоскопические изображения кожных новообразований с подтвержденными диагнозами, в том числе с применением клинических методов исследования, согласно существующей нозологии пациентов дерматовенерологического профиля населения Российской Федерации врачами дерматологами и онкологами. Отличительной особенностью разработанного набора данных помимо принадлежности к фототипу кожи населения России относится высококачественная разметка клинически значимых признаков, позволяющая применять разработанный набор в методах и алгоритмах машинного обучения и распознавания образов.

Результаты. Сформированный набор дерматоскопических изображений содержит 657 дерматоскопических изображений, сопровождаемых расширенными метаданными и предварительными клиническими заключениями, меланоцитарных (меланома и невус) и не меланоцитарных (плоскоклеточный рак, дерматофиброма, сосудистые поражения, кератоз и др.) новообразований. В основу данного набора заложено распределение как по возрастному критерию, так и по принадлежности и системности течения болезни у пациентов.

Заключение. Практическая направленность сформированного набора дерматоскопических изображений с высококачественной разметкой клинически значимых признаков позволяет применять сформированные изображения как в системах поддержки принятия решений врачей при осуществлении медицинской практики, так и в системах, основанных на применении методов и алгоритмов машинного обучения для ранней диагности злокачественных новообразований кожи.

1. Меланома кожи (C43): анализ тенденций заболеваемости и смертности в свете пандемии COVID-19, молекулярная эпидемиология / Ю. О. Бахарева, В.О. Тараканова, М. Ю. Рубаняк, Е. М. Каменских // Вопросы онкологии. 2023. Т. 69, № 4. С. 631–638. https://doi.org/10.37469/0507-3758-2023-69-4-631-638

2. Директор Государственного научного центра дерматовенерологии и косметологии Минздрава России, академик РАН Алексей Кубанов о вредном воздействии солнечных лучей и защите от них // Министерство здравоохранения Российской Федерации URL: https://minzdrav.gov.ru/news/2022/07/04/18987-direktor-gosudarstvennogo-nauchnogotsentra-dermatovenerologii-i-kosmeto-logii-minzdrava-rossii-akademik-ran-aleksey-kubanov-ovrednom-vozdeystvii-solne-chnyh-luchey-i-zaschite-ot-nih (дата обращения: 11.06.2025).

3. Современное состояние заболеваемости и диагностики меланомы и других злокачественных новообразований кожи в Российской Федерации и Уральском федеральном округе / Н. П. Малишевская, А. В. Соколова, В. В. Петкау, Л. В. Демидов, В. А. Игликов // Эффективная фармакотерапия. 2024. № 20(5). С. 18–23. https://doi.org/10.33978/2307-3586-2024-20-5-18-23

4. Федеральный проект «Борьба с онкологическими заболеваниями» // Министерство здравоохранения Российской Федерации. URL: https://minzdrav.gov.ru/poleznyeresursy/natsproektzdravoohranenie/onko (дата обращения: 11.06.2025).

5. Бакулев А. Л., Конопацкова О. М., Станчина Ю. В. Дерматоскопия в диагностике пигментных невусов кожи // Вестник дерматологии и венерологии. 2019. № 95(4). С. 48– 56. https://doi.org/10.25208/0042-4609-2019-95-4-48-56

6. Хисматуллина З. Р., Чеботарев В. В., Бабенко Е. А. Современные аспекты и перспективы применения дерматоскопии в дерматоонкологии // Креативная хирургия и онкология. 2020. Т. 10, № 3. С. 241–248. https://doi.org/10.24060/2076-3093-2020-10-3-241-248

7. Ранняя диагностика злокачественных новообразований кожи с помощью технологий искусственного интеллекта / С. О. Самохин, А. В. Патрушев, Ю. И. Акаева, С. А. Парфенов, Г. Г. Кутелев // Вестник дерматологии и венерологии. 2024. Т. 100, № 1. С. 38–46. https://doi.org/10.25208/vdv16746

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

9. 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

10. Козачок А. В., Спирин А. А., Козачок Е. С. Обзор методов раннего обнаружения меланомы // Труды институт системного программирования РАН. 2022. Т. 34, № 4. С. 241–250. https://doi.org/10.15514/ISPRAS-2022-34(4)-17

11. The International Skin Imaging Collaboration // ISIC Archive. URL: https://www.isic-archive.com (дата обращения: 11.06.2025).

12. Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI) 2016, hosted by the international skin imaging collaboration (ISIC) / D. Gutman, N. C. Codella, E. Celebi, B. Helba, M. Marchetti, N. Mishra, A. Halpern // Computer Vision and Pattern Recognition. 2016. URL: https://arxiv.org/abs/1605.01397 (дата обращения: 11.06.2025). https://doi.org/10.48550/arXiv.1605.01397

13. Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI) 2017, hosted by the international skin imaging collaboration (ISIC) / N. C. Codella, D. Gutman, M. E. Celebi, B. Helba, M. A. Marchetti, S. W. Dusza, A. Kalloo, K. Liopyris, N. Mishra, H. Kittler // 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018). P. 168–172. URL: https://arxiv.org/abs/1710.05006 (дата обращения: 11.06.2025). https://doi.org/10.1109/ISBI.2018.8363547

14. Skin lesion analysis toward melanoma detection 2018: A challenge hosted by the international skin imaging collaboration (ISIC) / N. Codella, V. Rotemberg, P. Tschandl, M. E. Celebi, S. Dusza, D. Gutman, B. Helba, A. Kalloo, K. Liopyris, M. Marchetti // Computer Vision and Pattern Recognition. 2019. URL: https://arxiv.org/abs/1902.03368 (дата обращения: 11.06.2025). https://doi.org/10.48550arXiv.1902.03368

15. Tschandl P., Rosendahl C., Kittler H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions // Scientific Data. 2018. Vol. 5. P. 1–9. https://doi.org/10.1038/sdata.2018.161

16. Mendonça T., Ferreira P. M., Marques J. S. PH² – A Dermoscopic Image Database for Research and Benchmarking // Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Osaka, Japan: IEEE, 2013. P. 5437–5440. https://doi.org/10.1109/EMBC.2013.6610779

17. 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. P. 1–36. https://doi.org/10.1016/j.compbiomed.2023. 106624

18. Dermofit Image Library // The University of Edinburgh. URL: https://licensing.edinburgh-innovations.ed.ac.uk/product/dermofit-image-library (дата обращения: 11.06.2025).

19. DERM12345: A Large, Multisource Dermatoscopic Skin Lesion Dataset with 40 Subclasses / A. Yilmaz, S. P. Yasar, G. Gencoglan, B. Temelkuran // Scientific Data. 2024. N 11. https://doi.org/10.1038/s41597-024-04104-3