ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ДИАГНОСТИКЕ МЕЛАНОМЫ И ДРУГИХ НОВООБРАЗОВАНИЙ КОЖИ
##semicolon##
искусственный интеллект, меланома, новообразования кожи, глубокое обучение, компьютерное зрение, дерматоскопия, телемедицина.##article.abstract##
В данной статье рассматриваются современные достижения в области применения искусственного интеллекта (ИИ) для диагностики меланомы и других новообразований кожи. Проанализированы основные типы алгоритмов машинного обучения, используемые в дерматоонкологии, их диагностическая точность в сравнении с клиническими специалистами, а также перспективы интеграции этих технологий в клиническую практику. Рассмотрены ключевые проблемы внедрения ИИ-систем, включая вопросы интерпретируемости алгоритмов, регуляторные аспекты и этические соображения. Отдельное внимание уделено роли искусственного интеллекта в телемедицинской дерматологии и возможностям его применения в условиях ограниченного доступа к специализированной медицинской помощи.
##submission.citations##
1.
2020.
2.
World Health Organization. Skin cancers. WHO Global Cancer Observatory.
American Cancer Society. Cancer Facts & Figures 2023. Atlanta: American
Cancer Society; 2023.
3.
Dinnes J, Deeks JJ, Chuchu N, et al. Dermoscopy, with and without visual
inspection, for diagnosing melanoma in adults. Cochrane Database Syst Rev.
2018;12:CD011902.
4.
Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial
intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-510.
5.
Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin
cancer with deep neural networks. Nature. 2017;542(7639):115-118.
6.
Haenssle HA, Fink C, Schneiderbauer R, et al. Man against machine: diagnostic
performance of a deep learning convolutional neural network for dermoscopic
melanoma recognition in comparison to 58 dermatologists. Ann Oncol.
2018;29(8):1836-1842.
7.
Nachbar F, Stolz W, Merkle T, et al. The ABCD rule of dermatoscopy. High
prospective value in the diagnosis of doubtful melanocytic skin lesions. J Am Acad
Dermatol. 1994;30(4):551-559.
8.
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436
444.
9.
Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep
convolutional neural networks. Commun ACM. 2017;60(6):84-90. 10.
Han SS, Park I, Chang SE, et al. Augmented Intelligence Dermatology: Deep
Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and
Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol.
2020;140(9):1753-1761.
11.
Phillips M, Marsden H, Jaffe W, et al. Assessment of Accuracy of an Artificial
Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw
Open. 2019;2(10):e1913436.
12.
Brinker TJ, Hekler A, Enk AH, et al. Deep learning outperformed 136 of 157
dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur
J Cancer. 2019;113:47-54.
13.
Kose K, Alessi-Fox C, Gill M, et al. A machine learning method for identifying
morphological patterns in reflectance confocal microscopy mosaics of melanocytic
skin lesions in-vivo. Sci Rep. 2020;10(1):7155.
14.
Yap J, Yolland W, Tschandl P. Multimodal skin lesion classification using deep
learning. Exp Dermatol. 2018;27(11):1261-1267.
15.
Tschandl P, Rosendahl C, Akay BN, et al. Expert-Level Diagnosis of
Nonpigmented Skin Cancer by Combined Convolutional Neural Networks. JAMA
Dermatol. 2019;155(1):58-65.
16.
Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance
against health-care professionals in detecting diseases from medical imaging: a
systematic review and meta-analysis. Lancet Digit Health. 2019;1(6):e271-e297.
17.
Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin
cancer recognition. Nat Med. 2020;26(8):1229-1234.
18.
Young K, Booth G, Simpson B, Dutton R, Shrapnel S. Deep neural network or
dermatologist? In: Interpretable Machine Learning for Health; 2019.
19.
Combalia M, Codella NCF, Rotemberg V, et al. BCN20000: Dermoscopic
Lesions in the Wild. 2019. arXiv:1908.02288.20.
Gessert N, Nielsen M, Shaikh M, Werner R, Schlaefer A. Skin lesion
classification using ensembles of multi-resolution EfficientNets with meta data.
MethodsX. 2020;7:100864.
