Меланома является одним из наиболее агрессивных заболеваний кожи, раннее выявление которого имеет решающее значение для исхода. Диагностика затруднена, поскольку злокачественные образования часто напоминают доброкачественные невусы или поверхностные изменения. В течение многих лет алгоритмы автоматического обнаружения меланомы полагались исключительно на дерматоскопическое изображение поражения кожи, что ограничивало точность, поскольку не учитывались такие клинические данные, как возраст, пол, анатомическое расположение поражения и предыдущие изменения. Современные диагностические модели распознавания меланомы, сочетающие дерматоскопическую визуализацию и клинические особенности, значительно повышают точность диагностики.
Почему раннее выявление меланомы остается трудным?
Дерматоскопические снимки позволяют более детально рассмотреть структуру поверхности и окраску кожного образования, однако во многих случаях изменения, характерные для меланомы, трудно различить при осмотре. Некоторые модели ИИ работают исключительно с этими изображениями, не включая дополнительные данные. Это ограничивает точность, особенно при атипичных поражениях или когда различия между доброкачественным и злокачественным процессом минимальны.
Помимо морфологических особенностей поражения, существует ряд факторов, влияющих на вероятность развития меланомы. Среди них:
- Локализация поражения;
- Возраст;
- Размер предприятия;
- Особенности кожи и наличие предшествующих пигментных образований.
Когда эти факторы не учитываются одновременно, становится сложнее определить, является ли поражение доброкачественным или меланомой, даже для дерматологов с большим опытом работы.
Как модели, использующие более одного источника информации, меняют диагностику?
В исследовании, опубликованном в Информационный синтезописана глубокая нейронная сеть, обученная на множестве SIIM-ISIC. Модель оценивает как изображение меланомы, так и связанные с ней особенности обнаружения, помогая обнаружить меланомы, которые трудно распознать. Этот подход обеспечивает более полную и надежную диагностическую оценку, когда внешний вид поражения сам по себе не дает достаточной информации.
После обучения на более чем 33 000 изображениях модель достигла точности 94,5% и коэффициента F1 0,94. Это превосходит результаты таких популярных моделей, как РесНет-50 и Эффективная сетькоторые используют только визуальную информацию. Мультимодальная модель позволяет обнаружить зависимости, которые не видны непосредственно на изображении, но важны для постановки точного диагноза.
Каковы перспективы реализации данного подхода на практике?
Представленная модель разработана не только для теоретических целей. Его можно использовать для диагностики и мониторинга состояний кожи, в том числе:
- Телемедицинские системы, поддерживающие дистанционные консультации;
- Приложения самоконтроля, которые запрашивают обследование при обнаружении аномальных изменений кожи;
- Включение в оснащение дерматологических кабинетов.
Объединение изображения и метаданных позволяет алгоритму предоставлять более точную оценку и снижает риск неточных оценок. Использование таких систем может улучшить доступ к дерматологической диагностике, особенно в районах с ограниченной специализированной помощью.
Такие подходы следуют тенденции в медицинской информатике к персонализированной диагностике, где оценка основывается на совокупности факторов, а не на одной характеристике. Исследования, опубликованные в журнале Природная медицина и в базах NCBIпоказывают, что включение клинических данных в визуализацию повышает точность дерматологических оценок. Мультимодальные модели также могут быть объединены с алгоритмами, которые анализируют текстовую информацию из медицинских документов и объединяют ее с изображениями.
Будущее развитие автоматизированных диагностических систем может включать использование более крупных обучающих наборов изображений и клинических данных, добавление гистологических изображений для подтвержденных диагнозов и применение трехмерных моделей для более точной оценки структуры кожи. Несмотря на бурное развитие технологий, конечной целью остается алгоритм, который будет поддерживать специалиста в принятии решений в клинической практике, а не заменять его.
Ссылки:
1. Эстева А, Купрел Б, Новоа Р и др. Классификация рака кожи на уровне дерматолога с помощью глубоких нейронных сетей. Природа. 2017;542:115–118. дои: 10.1038/nature21056.
2. Бринкер Т.Дж., Хеклер А., Энк А.Х. и др. Глубокое обучение превзошло 136 дерматологов в прямой дерматоскопической классификации изображений меланомы. Eur J Рак. 2019;113:47–54. doi:10.1016/j.ejca.2019.04.001.
3. Чандл П., Коделла Н., Акай Б.Н. и др. Сравнение точности человеческих читателей и алгоритмов машинного обучения для классификации пигментных поражений кожи: открытое международное диагностическое исследование через Интернет. Ланцет Онкол. 2019;20(7):938–947. doi:10.1016/S1470-2045(19)30333-X.