CC BY
0
МЕДИЦИНСКАЯ ИНФОРМАТИКА: ТЕОРИЯ И ПРАКТИКА
Современные методы выявления злокачественных новообразований кожи, включая использование мобильных приложений и искусственного интеллекта: обзор литературы
В статье проведен анализ эффективности существующих методов выявления злокачественных новообразований кожи (ЗНК), включая использование мобильных приложений и искусственного интеллекта (ИИ). Представлен обзор таких визуальных методов, как ABCDE, признак «гадкого утенка» (Ugly duckling sign), система Glasgow, использование дерматоскопии, ультразвуковая диагностика, отражательная конфокальная микроскопия, общий снимок тела (total-body photography, TBP).
Также в обзоре проведена оценка эффективности методов на основе ИИ для автоматического анализа изображений. Использование методов ИИ в телемедицине и в виде мобильных приложений открывает новые перспективы для раннего выявления ЗНК. В статье представлены примеры мобильных приложений с различными алгоритмами работы как для самодиагностики (Skin Self-Exam, SSE), так и для использования специалистами.
Цель - в достоверных научных базах провести поиск статей по эффективности современных методов выявления ЗНК, включая использование мобильных приложений и ИИ.
Материал и методы. Для поиска источников литературы были использованы базы данных PubMed (Medline), CyberLeninka, РИНЦ среди англо- и русскоязычных публикаций. В исследовании применялась тематическая и смысловая методология получения информации. В поисковой строке вводились запросы
Сиводедова Н.АЛ 2, Карякин Н.Н.1, Шливко И.Л.1
1
Федеральное государственное бюджетное учреждение высшего образования «Приволжский исследовательский медицинский университет» Министерства здравоохранения Российской Федерации, 603005, г. Нижний Новгород, Российская Федерация
2
Государственное автономное учреждение здравоохранения Нижегородской области «Научно-исследовательский институт клинической онкологии «Нижегородский областной клинический онкологический диспансер», 603163, г. Нижний Новгород, Российская Федерация
Резюме
по следующим ключевым словам: кожа, злокачественные новообразования кожи, меланома, базальноклеточный рак кожи, мобильные приложения, телемедицинские технологии.
На первом этапе были найдены 1304 статьи о современных методах диагностики, из полученных статей были выделены следующие категории: визуальные методы, инструментальные и методы с применением информационных технологий. На втором этапе вводили запросы по этим группам, получено 646 статей, исключены дубликаты и описание клинических кейсов. В обзоре представлено 42 статьи по методам диагностики ЗНК.
Результаты и обсуждение. После поиска в достоверных научных базах статей по эффективности современных методов выявления ЗНК, включая использование мобильных приложений и ИИ, сравнивали чувствительность методов. Несмотря на преимущество в относительной простоте использования, визуальные методы показывают невысокую чувствительность и специфичность. Из достижений последних лет можно отметить использование инструментов на основе ИИ. Исследования, построенные на анализе изображений ЗНК, показывают высокую чувствительность и специфичность. Полученные результаты могут внушать определенный оптимизм, но пока такие технологии в клинической практике используют относительно редко.
Использование мобильных приложений с применением нейронных сетей и приложений для самодиагностики пока находятся в стадии поиска наиболее эффективных подходов. Несмотря на то что в некоторых странах надзорные органы одобрили использование подобных решений в клинической практике, отмечается небольшое количество качественных исследований эффективности данных технологий. В определенных случаях использование приложений может приводить к росту расходов на здравоохранение.
Заключение. Поскольку в последние годы отмечается рост заболеваемости ЗНК и нагрузка на систему здравоохранения повышается, возникает необходимость в поиске и внедрении новых подходов. Наряду с уже традиционными методами широкой перспективой обладает поиск решений в области применения телемедицинских технологий, в частности в виде мобильных приложений с различными алгоритмами. Таким образом, поиск и исследование эффективных методов для выявления ЗНК становится одной из наиболее перспективных задач для исследователей на стыке различных научных дисциплин и областей знаний.
Ключевые слова:
кожа; злокачественные новообразования кожи; меланома; базальноклеточный рак кожи; мобильные приложения; телемедицинские технологии
Финансирование. Исследование не имело спонсорской поддержки. Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Вклад авторов. Проведение исследования, подготовка и редактирование текста, утверждение окончательного варианта статьи - Сиводедова Н.А.; разработка концепции, редактирование, утверждение окончательного варианта статьи - Карякин Н.Н., Шливко И.Л.
Для цитирования: Сиводедова Н.А., Карякин Н.Н., Шливко И.Л. Современные методы выявления злокачественных новообразований кожи, включая использование мобильных приложений и искусственного интеллекта: обзор литературы // ОРГЗДРАВ: новости, мнения, обучение. Вестник ВШОУЗ. 2024. Т. 10, № 2. С. 78-93. DOI: https://doi.org/10.33029/2411-8621-2024-10-2-78-93 Статья поступила в редакцию 17.01.2024. Принята в печать 20.05.2024.
Modern methods for detecting malignant skin tumors, including the use of mobile applications and artificial intelligence: literature review
Sivodedova N.A2, 1 Privolzhsky Research Medical University, Ministry Karyakin N.N.1, of Health of the Russian Federation, 603005, Nizhny Shlivko I.L.1 Novgorod, Russian Federation
2 Research Institute of Clinical Oncology, Nizhny Novgorod Regional Clinical Oncology Dispensary, 603163, Nizhny Novgorod, Russian Federation
Abstract
The article analyzes the effectiveness of existing methods for detecting cancer, including the use of mobile applications and artificial intelligence (hereinafter referred to as AI) for identifying malignant skin tumors in countries around the world. An overview of such visual methods as ABCDE, the Ugly duckling sign, the Glasgow system, the use of dermatoscopy, ultrasound diagnostics, reflectance confocal microscopy, and total-body photography is presented. The review also presents and evaluates the effectiveness of Al-based methods for automatic image analysis. The use of AI methods in telemedicine and on mobile platforms in the form of mobile applications opens up new prospects in the early detection of cancer. The article presents examples of mobile applications with various operating algorithms, both for self-diagnosis (Skin Self-Exam, SSE) and for use by specialists.
The purpose of this review is to search in reliable scientific databases for articles on the effectiveness of modern methods for detecting cancer, including the use of mobile applications and artificial intelligence.
Research methods. To search for literature sources, the databases PubMed (Medline), CyberLeninka, and RSCI among English-language and Russian-language publications were used. The study used thematic and semantic methodology for obtaining information. Keyword queries were entered into the search bar: skin, skin malignancies, melanoma, basal cell skin cancer, mobile applications, tele-medicine technologies. At the first stage, 1304 articles on the topic of modern diagnostic methods were found, from the received articles the following categories were identified: visual methods, instrumental and methods using information technology, at the second stage queries were entered into these groups, 646 articles were received, duplicates were excluded, description of clinical cases. The review presents 42 articles on methods for diagnosing cancer.
Results and discussion. After searching reliable scientific databases for articles on the effectiveness of modern methods for detecting cancer, including the use of mobile applications and artificial intelligence, the sensitivity of the methods was compared. Despite the advantage of relative ease of use, visual methods show low sensitivity and specificity. Among the achievements of recent years, one can note the use of AI-based tools. Studies based on the analysis of NK images show high sensitivity and specificity. The results obtained may inspire some optimism, but so far the use of such technologies in clinical practice is relatively rare.
The use of mobile applications, both using neural networks and applications for self-diagnosis, is still at the stage of searching for the most effective approaches, despite the fact that in some countries regulatory authorities have approved the use of such solutions in clinical practice, there is a small number of high-quality studies on the effectiveness of these technologies. In certain cases, the use of apps can lead to increased healthcare costs.
Conclusion. Since in recent years there has been an increase in the incidence of cervical cancer, the burden on the healthcare system is increasing, and there is a need to search for and implement new approaches. Along with traditional methods, the search for solutions in the field of using telemedicine technologies, in particular in the form of mobile applications with various algorithms, has wide prospects. Thus, the search and research of effective methods for detecting malignant tumors is becoming one of the most promising tasks for researchers at the intersection of various scientific disciplines and fields of knowledge.
Keywords:
skin; malignant neoplasms of the skin; melanoma; basal cell skin cancer; mobile applications; telemedicine technologies
Funding. The study had no sponsor support.
Conflict of interest. The authors declare no conflict of Interest.
Contribution. Conducting research, preparing and editing the text, approving the final version of the article -Sivodedova N.A.; concept development, editing, approval of the final version of the article - Karyakin N.N., Shlivko I.L.
For citation: Sivodedova N.A., Karyakin N.N., Shlivko I.L. Modern methods for detecting malignant skin tumors, including the use of mobile applications and artificial intelligence (not a systematic literature review). ORGZDRAV: novosti, mneniya, obuchenie. Vestnik VSHOUZ [HEALTHCARE MANAGEMENT: News, Views, Education. Bulletin of VSHOUZ]. 2024; 10 (2): 78-93. DOI: https://doi.org/10.33029/2411-8621-2024-10-2-78-93 (in Russian) Received 17.01.2024. Accepted 20.05.2024.
Злокачественные новообразования кожи (ЗНК) занимают одно из ведущих мест в структуре онкологических заболеваний мужского и женского населения в Российской Федерации [1]. В общей структуре заболеваемости злокачественными новообразованиями в России в 2021 г. у мужского населения ЗНК занимали 9,8%, с учетом меланомы кожи (МК) -11,5%, у женского населения - 13,4%, с учетом МК - 15,5% [2].
Учитывая прогноз развития эпидемиологической ситуации, МК остается актуальной и глобальной проблемой, имеет жизненно важное значение для концентрации и укрепления глобальных усилий по профилактике онкозаболеваний. По оценкам, к 2040 г. глобальное бремя МК увеличится до 510 тыс. новых случаев и 96 тыс. смертей [3].
Для достижения целевых показателей федерального проекта «Борьба с онкологическими заболеваниями» национального проекта «Здравоохранение» актуальным остается увеличение охвата населения обследованиями, направленными на раннее выявление ЗНК, а также внедрение технологий, позволяющих сократить сроки от подозрения на ЗНК до постановки окончательного диагноза.
Цель данного обзора - провести поиск в достоверных научных базах статей по эффективности современных методов выявления ЗНК, включая использование мобильных приложений и ИИ.
Материал и методы
Для поиска источников литературы были использованы базы данных PubMed (Medline),
CyberLeninka, РИНЦ среди англо- и русскоязычных публикаций. В исследовании применялась тематическая и смысловая методология получения информации. В поисковой строке вводили запросы по следующим ключевым словам: кожа, злокачественные новообразования кожи, мела-нома, базальноклеточный рак кожи, мобильные приложения, телемедицинские технологии. На первом этапе были найдены 1304 статьи на тему современных методов диагностики, из полученных статей были выделены следующие категории: визуальные методы, инструментальные и методы с применением информационных технологий.
На втором этапе вводили запросы по этим группам, получено 646 статей, исключали дубликаты и описание клинических кейсов. В итоге были отобраны статьи, в которых оценивалась чувствительность и специфичность. Были отобраны статьи, опубликованные за последние 5 лет. Были отобраны статьи, опубликованные за последние 5 лет (в случае, если в этот промежуток времени статьи по заданным тематикам не публиковались, в анализ включали статьи, опубликованные более 5 лет назад). В обзоре представлено 42 статьи по методам диагностики ЗНК.
Визуальные методы
Существуют различные диагностические алгоритмы визуальной диагностики: правило ABCDE, признак «гадкого утенка» (Ugly duckling sign), система Glasgow.
Правило АВСDE разработано R. Friedman (1985 г.): А - асимметрия родинки (одна половинка родинки не соответствует другой); В -неровность края (границы родинок неровные); С - различные цвета и оттенки; D - диаметр >6 мм; E - возвышение над уровнем кожи и/или любое изменение образования, произошедшее за последнее время (как минимум на протяжении 2 мес) [4]. Чувствительность метода - 83%, специфичность - 45% [5].
В 1994 г. клиническое правило ABCDE модифицировали. Критерий D в настоящем правиле соответствует определенным структурам пигментного новообразования, которые выявляются при проведении стандартной дерматоско-
пии. Данный алгоритм был разработан на основе статистического анализа 31 дермоскопического критерия, отобранного при исследовании 157 доброкачественных новообразований кожи (НК) и ЗНК. Каждый признак (асимметрия, границы новообразования, цвет, дермоскопические структуры) имеет определенное количество баллов, которое умножается на соответствующий коэффициент. При суммировании относительных единиц каждого признака определяется общее количество баллов (TDS - Total Dermoscopy Score). Если сумма относительных единиц превышает 5,45, точность диагностики меланомы составляет 92,2% [6]. Чувствительность и специфичность правила ABCDE при диагностике мелких меланом составили 47,3 и 56% [7].
В исследовании Л.В. Демидова и соавт. [8] оценивали достоверность разработанных дифференциально-диагностических признаков доброкачественных и злокачественных пигментных НК у 36 больных с 45 НК. Во всех случаях выполнено иссечение опухоли с лечебно-диагностической или косметической целью. Данные дерматоскопии сопоставлены с результатами гистологического исследования. В дальнейшем у 6 пациентов проводили динамическое наблюдение с предварительным картированием всех кожных покровов. МК оказались 9 из 45 пигментных образований, диспластическим невусом - 4, невусом - 25, доброкачественными НК - 7. При сопоставлении результатов анализа по правилу ABCD (ABCDE) и данных гистологического исследования установлено, что признаки МК выявлены в 90-100% случаев МК. Эти же признаки в 50-100% случаев выявлены при диспластических невусах и более чем в 50% случаев при невусах. Это свидетельствует о высокой частоте ложноположитель-ных результатов при использовании правила ABCD (ABCDE).
Признак «гадкого утенка» (Ugly Duckling Sign) - невус, который явно отличается от других у данного человека, также может улучшить обнаружение МК. В исследовании С. Gaudy-Marqueste и соавт. [9] анализировали влияние признака «гадкого утенка» на диагностику МК
из 2089 клинических изображений невусов у 80 пациентов и 766 дерматоскопических изображений. Среднее количество признака «гадкого утенка» на одного пациента составило 0,8 среди клинических изображений невусов и 1,26 среди дерматоскопических. Чувствительность метода - 85%, специфичность -83% [10].
7-точечная система Glasgow, разработанная исследователями из Университета Glasgow (Шотландия) в 1989 г., включает изучение 7 признаков новообразования, причем 3 из них основные: 1) изменение размеров, объема; 2) изменение формы, очертаний; 3) изменение цвета, а также дополнительные: 4) воспаление;
5) образование корки или кровоточивости;
6) изменение ощущений, чувствительности;
7) диаметр >7 мм. По данным исследований, чувствительность метода составляет ~79,0% [8, 11].
Применение визуальных диагностических систем обладает достаточно высокой чувствительностью и ожидаемо низкой специфичностью при диагностике МК [6].
Подсчитано, что чувствительность клинической диагностики при визуальном осмотре опытным дерматологом составляет ~70% [12, 13].
Дерматоскопия
Это метод эпилюминесцентной микроскопии кожи при помощи оптического прибора - дер-матоскопа позволяет получить изображение поверхностных и внутренних структур кожи. Роль дерматоскопии в клинической диагностике меланоцитарных и немеланоцитарных поражений хорошо известна и заключается в возможности дифференцировать доброкачественные НК и ЗНК [14].
По данным литературы, использование дер-матоскопии повышает эффективность диагностики первичной МК от 5 до 30% по сравнению с визуальным клиническим осмотром [15]. Однако при использовании неподготовленными специалистами точность может быть не выше, чем при визуальном осмотре [16].
В работе Monika Stowinska и соавт. было включено 166 контрольных поражений, вклю-
чая 85 крупных (>5 мм) МК и 81 клинически сомнительно меланоцитарных невусов размером <5 мм. Из 103 МК только 44 были МК in situ. 5 дерматоскопических предикторов МК были идентифицированы для оценки плоских меланоцитарных поражений размером <5 мм: атипичная пигментная сеть, бело-голубая вуаль, псевдоподии, наличие более одного цвета. Чувствительность метода варьирует от 78 до 90% при специфичности от 45 до 90% соответственно для неэкспертов и экспертов [13, 17, 18].
Ультразвуковая диагностика
В отечественной и зарубежной литературе имеются данные о применении ультразвуковых исследований (УЗИ) в неинвазивной диагностике МК. Работы по изучению сонографической визуализации доброкачественных пигментных образований и МК немногочисленны, а результаты исследований противоречивы [19]. УЗИ позволяют оценить размеры, форму, структуру, васкуляризацию, отсутствие или наличие инвазивного роста, оценить глубину инвазии меланоцинарных образований кожи и состояние прилежащих кожных покровов. Выявлены определенные сонографические отличия между доброкачественными и диспластическими (пограничными) невусами по результатам допплерографии. Наибольшая ценность соно-графии установлена при узловых формах МК, параметры внутриопухолевой гемодинамики можно использовать для планирования тактики и объема операции, прогнозирования потенциала метастазирования.
Чувствительность УЗИ при дифференциальной диагностике меланоцитарных образований кожи варьирует от 83 до 100%, специфичность - от 33 до 93% [20, 21].
Отражательная конфокальная микроскопия
В последнее десятилетие было показано, что отражательная конфокальная микроскопия (ОКМ) в клинической практике в сочетании с дерматоскопией еще больше улучшает раннюю диагностику ЗНК [22]. ОКМ позволяет неинвазивно визуализировать эпидермис
и сосочковую дерму. Поскольку меланин является сильным источником контраста для изображений, этот метод используется для изучения морфологии тканей нормальной кожи и мела-ноцитарных поражений на микроскопическом уровне [23].
Авторы показали, что не выявлено значительного улучшения чувствительности при сравнении комбинации дерматоскопии и ОКМ и только ОКМ (94,56 против 97,82%; р=0,043) [24]. Однако различия между показателями специфичности были статистически значимыми (p<0,000001), что отдавало предпочтение только ОКМ. Оценка злокачественного лентиго имеет чувствительность 85-93% и специфичность 76-82% при диагностике злокачественного лентиго и дифференциации от доброкачественного меланоза [25]. В ряде исследований сообщалось, что метод позволяет достичь чувствительности 70-92% и специфичности 84-88% для меланоцитарных поражений; чувствительности 92-100% и специфичности 8597% для немеланоцитарных поражений кожи. Было установлено, что визуализация значима для выявления беспигментных форм МК, достигая чувствительности до 85% и специфичности до 84% [26].
Общий снимок тела (total-body photography, TBP)
Этот метод позволяет получать изображения всего тела и наблюдать пациентов с большим количеством меланоцитарных поражений, оценивать изменения на коже в динамике, повышая точность ранней диагностики для людей с высоким риском МК [27-29].
Развитием двухмерных (2D) устройств TBP стала технология 3D-TBP. С 2017 г. 3D-TBP предлагает дополнительные преимущества: экономия времени, поскольку все изображения захватываются одновременно в течение нескольких секунд [30]. Для автоматизации метода проводятся исследования по применению сверточных нейронных сетей [31, 32].
У пациентов с высоким риском развития МК число биопсий после использования ТВР уменьшилось в 3,8 раза [33].
2 опроса американских дерматологов продемонстрировали разные причины использования и противоречивые мнения об эффективности ТВР. Всего было получено 107 ответов. Почти 65% респондентов (69 из 107) сообщили об использовании ТВР [34]. В другом исследовании 59 (71,1%) сообщили об использовании ТВР, что на 11,9% больше за последнее десятилетие. Причины использования ТВР включали снижение беспокойства пациентов (81,4%), помощь в выявлении ранней МК (78,0%) и сокращение количества биопсий (66,1%) [35, 36]. Чувствительность и специфичность составляли 90,0 и 64,6% соответственно [37].
Методы,основанные на применении искусственного интеллекта
За последние годы произошел ряд значимых прорывов в области нейронных сетей. Полученные за последние десятилетия открытия в области нейробиологии [38], особенно работа по изучению зрительной коры кошек Д. Хьюбела и Т.Н. Визеля, за которую они получили Нобелевскую премию по физиологии и медицине 1981 г. [39], и дальнейшее развитие методов градиентного спуска [40] с ростом вычислительных возможностей компьютеров, а также использование современных графических процессоров (GPU) привело к значительному росту использования таких типов нейронных сетей, как «сети глубокого обучения» (DNN) [41] и «сверточные сети» (CNN) [42]. Применение этих методов позволило расширить возможности по компьютерному анализу изображений. Сверточные слои на основе определенной операции извлекают первичные признаки из изображения и передают их на слои линейного классификатора, используя методы «обучения с учителем» и «обратное распространение ошибки» [43] с «градиентным спуском». Коррекция весовых коэффициентов сверточных слоев и линейного классификатора на обучающих данных приводит к снижению ошибок сети, повышая возможности распознавания и классификации объектов по изображению. Вышеописанные подходы в данной области показывают хорошие результаты при анализе и классификации изображений невусов. В работе [44]
предложенная расширенная архитектура свер-точной сети CNN + IHHO показала следующие результаты: чувствительность - 96,1%, специфичность - 98,6%, точность - 97,3%. В других исследованиях различные варианты архитектур сверточных нейронных сетей показывают точность до 90-95% [45-49].
В исследовании [50] сравнили диагностическую эффективность ИИ с оценкой 58 дерматологов. Использовался тестовый набор из 100 изображений. На I уровне исследования дерматологам было представлено исключительно дерматоскопическое изображение, врачей попросили указать диагноз (меланома, доброкачественный невус) и их решение (удаление, наблюдение, удаление не требуется). После 4 нед те же участники указали свой диагноз и решение о лечении на II уровне, которое включало дерматоскопические изображения, дополненные дополнительной клинической информацией и изображениями крупным планом тех же 100 случаев. Основными показателями результатов были чувствительность, специфичность и площадь под кривой (AUC) для диагностической классификации поражений с помощью ИИ по сравнению с оценками дерматологов.
На I уровне дерматологи достигли средней чувствительности и специфичности для классификации поражений 86,6±9,3 и 71,3+11,2% соответственно. Больше клинической информации (уровень II) повысило чувствительность до 88,9+9,6% (p=0,19) и специфичность до 75,7%+11,7% (p<0,05). Кривая ROC у CNN показала более высокую специфичность 82,5% по сравнению с дерматологами на I (71,3%, p<0,01) и II уровне (75,7%, p<0,01) при их чувствительности 86,6 и 88,9% соответственно. CNN ROC AUC была больше средней площади ROC-кривой дерматологов (0,86 против 0,79, p<0,01). Независимо от опыта врачей большинство дерматологов уступило ИИ.
В исследовании авторов М.А. МагсИеШ и со-авт. сравнивали эффективность компьютерных алгоритмов в диагностике МК со средней эффективностью 8 опытных дерматологов, использующих 100 дерматоскопических изображений пигментных поражений. В результате было обнаружено, что отдельные компьютерные алгоритмы имеют диагностическую точность, сравнимую с оценкой дерматологом: при чувствительности 82% средняя специфичность была аналогична лучшему компьютерному алгоритму [51].
Нейросеть показала высокую эффективность (чувствительность >93,3%, специфичность >65%) при злокачественных лентиго и узловых МК [52]
Использование мобильных приложений и телемедицинских технологий
Кроме непосредственного применения, вышеизложенные подходы и методы реализуются в телемедицинских технологиях в виде приложений для смартфонов, которые используются пациентами и медицинскими работниками: они могут направить пациента за медицинской помощью, а врачам помогают решить, следует ли направить пациента к онкологу.
Телемедицинские технологии - это информационные технологии, обеспечивающие дистанционное взаимодействие медицинских работников между собой, с пациентами и (или) их законными представителями, идентификацию и аутентификацию указанных лиц, документирование совершаемых ими действий при проведении консилиумов, консультаций, дистанционного медицинского наблюдения за состоянием здоровья пациента, согласно Федеральному закону Российской Федерации от 29.07.2017 № 242-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам применения информационных технологий в сфере охраны здоровья»1.
1 Федеральный закон Российской Федерации от 29.07.2017 № 242-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам применения информационных технологий в сфере охраны здоровья».
Мобильная теледерматоскопия получила положительную оценку в отношении как непосредственного взаимодействия с пациентами, так и взаимодействия между врачами [53].
В исследовании «Предпочтения потребителей в отношении скрининга рака кожи с помощью мобильной теледерматоскопии» было проведено интервью, посвященное поведению людей при скрининге. Тематический анализ был проведен двумя независимыми исследователями. Всего опрошено 28 участников. 86% участников ранее проходили обследование кожи, 18% посещали одного и того же врача для каждого осмотра кожи. В результате 27 участников (96,4%, n=27/28) предпочли бы использование мобильной теледермоскопии для мониторинга повреждений кожи между плановыми визитами к врачу и 1 участник (3,6%, n=1/28) ответил, что он не уверен [53].
В проведенном обзоре мобильных приложений для выявления ЗНК отмечается, что с 2014 г. наблюдается устойчивый рост числа приложений, доступных для первичной и вторичной профилактики ЗНК. Однако количество приложений с доказательной эффективностью увеличилось незначительно, что может приводить к опасениям пользователей относительно эффективности этих приложений. Для обеспечения безопасности пользователей мобильные приложения должны быть более надежными и общедоступными.
Поиск приложений для профилактики ЗНК проводился в двух крупных магазинах приложений для смартфонов (Android и iOS) в июне 2019 г. Были описаны количество, функциональность, рейтинги, цена приложений и проведено сравнение с аналогичными обзорами рынка приложений с 2014 по 2017 г. Поиск в июне 2019 г. выявил 66 приложений. Из 39 приложений, обнаруженных в 2014 г., 30 были недоступны в 2019 г., что составляет 77%; из 43 приложений, доступных в 2017 г., следовательно, количество доступных приложений за указанный период снизилось и составило 46,5%. В 2019 г. увеличилось количество приложений, которых можно было загрузить бесплатно, 63,6% (n=42/66) по сравнению
с 53,5% (п=23/43) в 2017 г. Наиболее распространенной функциональностью приложения, предлагаемой в 2019 г., был мониторинг/ отслеживание поражений - 48,5% (п=32/66). С 2014 г. наблюдается неуклонный рост числа приложений, доступных для широкой публики для поддержки профилактики или раннего выявления ЗНК. По-прежнему наблюдается высокая текучесть приложений, многим приложениям по-прежнему не хватает информации доказательств их безопасности и ценности [54]. Примеры мобильных приложений доступных в 2023 г. представлены в табл. 1.
В Германии была проведена оценка мобильного приложения 5к1пУ1Б1сп (№ 8) для диагностики МК. Чувствительность диагностики составляла 73,0%, специфичность - 83,0% по сравнению с чувствительностью 88,0% и специфичностью 97,0% клинического диагноза дерматологами. Минусом в работе приложения является ограниченно бесплатное использование [55].
В России разработан программный комплекс «ПроРодинки» (№ 10) для использования пациентами и специалистами. Приложение доступно на смартфонах и предназначено для анализа НК по фотографии, а также набора риск-факторов, предоставленных пользователем. Фотографии, сделанные пользователями, проходят контроль с помощью алгоритмов компьютерного зрения [56]. Алгоритм определяет наличие и размеры новообразования на полученном снимке. Анализ полученных снимков выполняется с применением ансамбля нейронных сетей, обученного на верифицированном банке изображений риск-факторов и на динамике новообразований.
В исследовании, опубликованном в 2023 г., было обработано с помощью ИИ и проверено экспертами-дерматологами более 400 тыс. изображений, присланных пользователями в сочетании с факторами риска и демографическими данными. Алгоритмами приложения выявлено 9321 ЗНК, в том числе 5230 МК [57].
Результаты использования телемедицинских технологий в виде интернет-платформы для дистанционных консультаций сельского населения были опубликованы в работе Р. БаЦ М^ауе
Таблица 1. 10 мобильных приложений для смартфонов, доступных в магазинах App Store и Play Market
№ Название мобильного приложения Mobile app name Страна происхождения Country of origin Описание приложения Application Description
Пользователь делает фотографию образования кожи, заполняет анкету. В течение 24 ч дерматолог рассматривает случай и отправляет 1 iDoc24 Швеция рекомендацию. Консультация дерматолога платная. Также содержит информацию о кожных заболеваниях. Доступно на Apple
2 iSkin США Пользователь заполняет информацию о родинке, и приложение вычисляет риск развития МК. При высоком риске призывает пользователя обратиться за медицинской помощью. Приложение использует компьютеризированный алгоритм, основанный на ABCDE-ме-тоде. Приложение платное и доступно на Apple
Приложение содержит ежедневные новости и информацию о ЗНК, Dermatology 3 Италия а также помогает пользователям найти дерматовенеролога. Прило-Planet жение бесплатное и доступно на Apple
Пользователь делает фотографическое изображение родинки и от-4 Dermlink.md США правляет его дерматовенерологу в США; пользователь получает диагноз в течение 24 ч. Приложение бесплатное и доступно на Apple
Пользователь сохраняет фотографии образований и отслеживает Австра- изменения. В приложение содержится информация об уровне 5 YourSkinDiary лия ультрафиолетового индекса. Приложение бесплатное и доступно на Apple
6 SpotMole Испания Обнаруживает признаки МК с помощью методов обработки изображений и распознавания. Приложение бесплатное и доступно на Android
Пользователь может отслеживать свои родинки с помощью инстру-7 SkinXM США ментов анализа изображений для сравнения изображений на наличие изменений. Приложение платное и доступно на Apple
8 SkinVision Нидерланды Пользователь загружает фотографию образования и получает информацию о том, как улучшить здоровье кожи и предотвратить МК. Приложение ограниченно бесплатное, имеются платные функции, доступно на Apple
Сравнивает загруженные фотография с сохраненными изображе-
ниями для оценки риска меланомы с использованием алгоритма,
9 Skin Doctor США
основанного на методе ABCDE. Приложение бесплатное и доступно на Android
10 ПроРодинки Россия Russia По фотографии родинки и присланным данным формирует рекомендацию о необходимости обращения к врачу, маршрутизирует пациента в медицинские организации, предоставляя адрес и контакт для записи на прием. Приложение бесплатно, доступно на Apple и Android
Таблица 2. Чувствительность методов, используемых для диагностики злокачественных новообразований кожи
I Метод I Чувствительность, % 1 Специфичность, % 1
Правило ABCDE 47-83 [6-8] 45-56 [6-8]
Признак «гадкого утенка» (Ugly duckling sign) 85 [10-11] 83 [10-11]
Дерматоскопия 78-90 [13, 17, 18] 45-90 [13, 17, 18]
Ультразвуковая диагностика 83-100 [21-22] 33-93 [21-22]
Отражательная конфокальная микроскопия 70-100 [26-27] 84-97 [26-27]
Общий снимок тела (total-body photography, TBP) 90 [38] 64,6 [38]
Методы, основанные на применении искусственного интеллекта 92-96 [46-53] 65-98 [46-53]
Мобильные приложения 73 [56] 83 [56]
и соавт. [58]. Проведен осмотр кожи у 289 человек, у 199 (69%) заподозрены ЗНК. Фотографии поражений кожи были переданы 4 дерматовенерологам для дистанционной консультации. В результате у 105 (53%) пациентов подозрение на ЗНК не подтвердилось и последующих очных консультаций не потребовалось. 61 (31%) пациент направлен к дерматовенерологу для осмотра в плановом порядке. 17 (9%) пациентов направлены на прием в экстренном порядке. 16 (8%) пациентам рекомендовано динамическое наблюдение и консультация дерматовенеролога через 12 мес. Впоследствии из 78 пациентов, которым требовалась очная консультация дерматовенеролога, у 12 человек была заподозрена МК (по результатам биопсии подтверждена 1 МК), у 10 пациентов заподозрены ЗНК (во всех случаях по результатам биопсии подтверждены доброкачественные образования).
Таким образом, использование телемедицинских технологий может снижать необходимость очных осмотров дерматовенерологом.
В другом исследовании было показано, что использование телемедицинских технологий сокращает срок постановки диагноза у пациента с меланомой (среднее время между получением направления и обращением к онкологу составляет 9 дней по сравнению с 26,5 днями при стандартной амбулаторной помощи) [59].
Преимущества мобильных приложений для диагностики ЗНК в виде ориентированности на пациента, ускорения визитов к врачу, доступности, экономии времени, возможности
контроля НК отмечается и другими авторами [60]. Эти же авторы указывают на ограничения применения мобильных приложений при поражениях кожи в труднодоступных местах, кроме того, сохраняется недоверие пользователей к телемедицинским технологиям в виде использования мобильных приложений.
Результаты и обсуждение
После поиска в достоверных научных базах статей по эффективности современных методов выявления ЗНК, включая использование мобильных приложений и ИИ, было проведено сравнение чувствительности методов. Несмотря на свое преимущество в относительной простоте использования, визуальные методы показывают невысокую чувствительность и специфичность (табл. 2). Методы ультразвуковой диагностики требуют соответствующее оборудование, приводя к росту расходов на диагностику, тем не менее тоже в некоторых случаях показывают сравнительно невысокую специфичность.
Наиболее широко используемый в клинической практике метод дерматоскопии требует соответствующей подготовки врачей, поскольку при использовании неподготовленными специалистами показывает точность не выше, чем при визуальном осмотре.
Из достижений последних лет можно отметить использование инструментов на основе ИИ. Исследования, построенные на анализе изображений ЗНК, показывают высокую чувствитель-
ность и специфичность (см. табл. 2). Полученные результаты могут внушать определенный оптимизм, но пока использование таких технологий в клинической практике относительно редко.
Использование мобильных приложений с применением нейронных сетей и приложений для самодиагностики пока находится в стадии поиска наиболее эффективных подходов, несмотря на то что в некоторых странах надзорные органы одобрили использование подобных решений в клинической практике, к тому же отмечается небольшое количество качественных исследований эффективности данных технологий. В определенных случаях использование приложений может приводить к росту расходов на здравоохранение [61].
Заключение
Поскольку в последние годы отмечается рост заболеваемости ЗНК [62], повышается нагрузка на систему здравоохранения, возникает необходимость в поиске и внедрении новых подходов. Наряду с уже традиционными методами широкой перспективой обладает поиск решений в области применение телемедицинских технологий, в частности в виде мобильных приложений с различными алгоритмами. Таким образом, поиск и исследование эффективных методов для выявления ЗНК становится одной из самых перспективных задач для исследователей на стыке различных научных дисциплин и областей знаний.
СВЕДЕНИЯ ОБ АВТОРАХ
Сиводедова Наталья Антоновна (Natalia A. Sivodedova) - аспирант кафедры общественного здоровья и здравоохранения ФДПО, ФГБОУ ВО ПИМУ Минздрава России; врач-онколог, заведующий отделом телемедицины и информационных технологий, ГАУЗ НО НИИКО «Нижегородский областной клинический онкологический диспансер», Нижний Новгород, Российская Федерация E-mail: sivodedova.natalia@gmail.com https://orcid.org/0000-0001-6815-328X
Карякин Николай Николаевич (Nikolay N. Karyakin) - доктор медицинских наук, доцент, ректор ФГБОУ ВО ПИМУ Минздрава России, Нижний Новгород, Российская Федерация E-mail: rector@pimunn.ru https://orcid.org/0000-0001-8958-6199
Шливко Ирена Леонидовна (Irena L. Shlivko) - доктор медицинских наук, заведующий кафедрой кожных и венерических болезней, ФГБОУ ВО ПИМУ Минздрава России, Нижний Новгород, Российская Федерация E-mail: irshlivko@gmail.com https://orcid.org/0000-0001-7253-7091
ЛИТЕРАТУРА
1. Чеботарев В.В., Хисматуллина З.Р., Закирова Ю.А. Некоторые аспекты эпидемиологии и диагностики злокачественных новообразований кожи // Креативная хирургия и онкология. 2020. Т. 10, № 1. C. 65-73.
2. Злокачественные новообразования в России в 2021 году (заболеваемость и смертность) : сборник / под ред. А.Д. Кап-рина, В.В. Старинского, А.О. Шахзадовой. Москва : МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2022. 252 с.
3. Arnold M., Singh D., Laversanne M., Vignat J., Vaccarella S., Meheus F. et al. Global burden of cutaneous melanoma in 2020 and projections to 2040 // JAMA Dermatol. 2022. Vol. 158, N 5. P. 495-503. DOI: https://doi.org/10.1001/jamadermatol.2022.0160 PMID: 35353115; PMCID: PMC8968696.
4. Ермаков А.В. Меланомы кожи: современные принципы ранней диагностики и профилактики // Онкология. Журнал имени П.А. Герцена. 2014. Т. 3, № 3. C. 100-108.
5. Ahnlide I., Bjellerup M., Nilsson F., Nielsen K. Validity of ABCD rule of dermoscopy in clinical practice // Acta Derm. Venereol. 2016. Vol. 96, N 3. P. 367-372. DOI: https://doi.org/10.2340/00015555-2239 PMID: 26351008.
6. Соколов Д.В., Махсон А.Н., Демидов Л.В., Ворожцов Г.Н., Кузьмин С.Г., Соколов В.В. Дерматоскопия (эпилюминесцентная поверхностная микроскопия): in vivo диагностика меланомы кожи (обзор литературы) // Сибирский онкологический журнал. 2008. № 5. C. 63-67.
7. Benellii C., Roscetti E., Dal Pozzo V. The dermoscopic (7FFM) versus the clinical (ABCDE) diagnosis of small diameter melanoma // Eur. J. Dermatol. 2000. Vol. 10, N 4. P. 282-287. PMID: 10846255.
8. Демидов Л.В., Соколов Д.В., Булычева И.В., Шашков Б.В., Махсон А.Н., Ворожцов Г.Н. и др. Совершенствование методов диагностики меланомы кожи // Вестник РОНЦ имени Н.Н. Блохина РАМН. 2007. Т. 18, № 1. C. 36-41.
9. Gaudy-Marqueste C., Wazaefi Y., Bruneu Y., Triller R., Thomas L., Pellacani G. et al. Ugly duckling sign as a major factor of efficiency in melanoma detection // JAMA Dermatol. 2017. Vol. 153, N 4. P. 279-284. URL: https://jamanetwork.com/journals/jamader-matology/fullarticle/2600689 (date of access July 15, 2023).
10. Scope A., Dusza S.W., Halpern A.C. et al. The «ugly duckling» sign: agreement between observers // Arch. Dermatol. 2008. Vol. 144, N 1. P. 58-64. DOI: https://doi.org/10.1001/archder-matol.2007.15
11. Червонная Л.В. Пигментные опухоли кожи Москва : ГЭОТАР-Медиа, 2014. 224 с. ISBN: 978-5-9704-2897-9. URL: https://www.rosmedlib.ru/book/ISBN9785970428979.html (дата обращения: 12.07.2023).
12. Gachon J., Beaulieu P., Sei J.F., Gouvernet J., Claudel J.P., Lemaitre M. et al. First prospective study of the recognition process of melanoma in dermatological practice // Arch. Dermatol. 2005. Vol. 141, N 4. P. 434-438. DOI: https://doi.org/10.1001/arch-derm.141.4.434 PMID: 15837860.
13. Эберт М.А., Гафтон Г.И., Зиновьев Г.В., Гафтон И.Г. Современный взгляд на диагностику меланомы кожи // Вопросы онкологии. 2019. Т. 65, № 5. С. 638-644. EDN PFZQMV.
14. Демидов Л.В., Синельников И.Е., Назарова В.В., Утя-шев И.А., Голубев А.В., Дорошенко М.В. Ранняя диагностика меланомы кожи: значение и возможности применения дерматоскопии в клинической практике онколога // Российский онкологический журнал. 2013. № 5. C. 4-11.
15. Secker L.J., Buis P.A.J., Bergman W., Kukutsch N.A. Effect of a dermoscopy training course on the accuracy of primary care physicians in diagnosing pigmented lesions // Acta Derm. Venereol. 2017. Vol. 97, N 2. P. 263-265.
16. Jones O., Jurascheck L., van Melle M., Hickman S., Burrows N., Hall P. et al. Dermoscopy for melanoma detection and triage in primary care: a systematic review // BMJ Open. 2019. Vol. 9, N 8. Article ID e027529.
17. Dolianitis C., Kelly J., Wolfe R., Simpson P. Comparative performance of 4 dermoscopic algorithms by nonexperts for the diagnosis of melanocytic lesions // Arch. Dermatol. 2005. Vol. 141, N 8. P. 1008-1014. DOI: https://doi.org/10.1001/archderm.141.8.1008 PMID: 16103330.
18. Annessi G., Bono R., Sampogna F., Faraggiana T., Abeni D. Sensitivity, specificity, and diagnostic accuracy of three dermoscopic algorithmic methods in the diagnosis of doubtful melano-cytic lesions: the importance of light brown structureless areas in differentiating atypical melanocytic nevi from thin melanomas // J. Am. Acad. Dermatol. 2007. Vol. 56, N 5. P. 759-767. DOI: https:// doi.org/10.1016/j.jaad.2007.01.014 Epub 2007 Feb 20. PMID: 17316894.
19. Ulrich J., van Akkooi A.J., Eggermont A.M., Voit C. New developments in melanoma: utility of ultrasound imaging (initial staging, follow-up and pre-SLNB) // Expert Rev. Anticancer Ther. 2011. Vol. 11, N 11. P. 1693-1701. DOI: https://doi.org/10.1586/ era.11.115 PMID: 22050018.
20. Ультразвуковая диагностика меланоцитарных образований кожи // Современные проблемы науки и образования. Электронный журнал. URL: https://science-education.ru/ru/article/ view?id=19787 (дата обращения: 28.10.2023).
21. Dinnes J., Bamber J., Chuchu N., Bayliss S.E., Takwoingi Y., Davenport C. et al.; Cochrane Skin Cancer Diagnostic Test Accuracy Group. High-frequency ultrasound for diagnosing skin cancer in adults // Cochrane Database Syst. Rev. 2018. Vol. 12, N 12. CD013188. DOI: https://doi.org/10.1002/14651858.CD013188 PMID: 30521683; PMCID: PMC6516989.
22. Agozzino M., Moscarella E., Babino G., Caccavale S., Piccolo V., Argenziano G. The use of in vivo reflectance confocal
microscopy for the diagnosis of melanoma // Expert Rev. Anticancer Ther. 2019. Vol. 19, N 5. P. 413-421. DOI: https://doi.org/ 10.1080/14737140.2019.1593829 Epub 2019 Mar 28. PMID: 30869538.
23. Rajadhyaksha M., Grossman M., Esterowitz D., Webb R.H., Anderson R.R. In vivo confocal scanning laser microscopy of human skin: melanin provides strong contrast // J. Invest. Dermatol. 1995. Vol. 104, N 6. P. 946-952. DOI: https://doi.org/10.1111/1523-1747.ep12606215 PMID: 7769264.
24. Alarcon I., Carrera C., Palou J., Alos L., Malvehy J., Puig S. Impact of in vivo reflectance confocal microscopy on the number needed to treat melanoma in doubtful lesions // Br. J. Dermatol. 2014. Vol. 170, N 4. P. 802-808. DOI: https://doi.org/10.1111/ bjd.12678 PMID: 24124911; PMCID: PMC3984366.
25. Guitera P., Pellacani G., Crotty K.A., Scolyer R.A., Li L.X., Bassoli S. et al. The impact of in vivo reflectance confocal microscopy on the diagnostic accuracy of lentigo maligna and equivocal pigmented and nonpigmented macules of the face // J. Invest. Dermatol. 2010. Vol. 130, N 8. P. 2080-2091. DOI: https://doi. org/10.1038/jid.2010.84 Epub 2010 Apr 15. PMID: 20393481.
26. Ghita M.A., Caruntu C., Rosca A.E., Caruntu A., Moraru L., Constantin C. et al. Real-time investigation of skin blood flow changes induced by topical capsaicin // Acta Dermatovenerol. Croat. 2017. Vol. 25, N 3. P. 223-227. PMID: 29252175.
27. Ji-Xu A., Dinnes J., Matin R.N. Total body photography for the diagnosis of cutaneous melanoma in adults: a systematic review and meta-analysis // Br. J. Dermatol. 2021. Vol. 185, N 2. P. 302-312.
28. Hornung A., Steeb T., Wessely A., Brinker T.J., Breakell T., Erdmann M. et al. The value of total body photography for the early detection of melanoma: a systematic review // Int. J. Environ. Res. Public Health. 2021. Vol. 18, N 4. P. 1726.
29. Soglia S., Perez-Anker J., Lobos Guede N., Giavedoni P., Puig S., Malvehy J. Diagnostics using non-invasive technologies in dermatological oncology // Cancers. 2022. Vol. 14, N 23. P. 5886.
30. Rayner J.E., Laino A.M., Nufer K.L., Adams L., Raphael A.P., Menzies S.W. et al. Clinical perspective of 3D total body photography for early detection and screening of melanoma // Front. Med. 2018. Vol. 5. P. 152.
31. Cerminara S.E., Cheng P., Kostner L., Huber S., Kunz M., Maul J.-T. et al. Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under real-world conditions: a new era of skin cancer screening? // Eur. J. Cancer. 2023. Vol. 190. Article ID 112954.
32. Betz-Stablein B., D'Alessandro B., Koh U., Plasmeijer E., Janda M., Menzies S.W. et al. Reproducible naevus counts using 3D total body photography and convolutional neural networks // Dermatology. 2022. Vol. 238, N 1. P. 4-11.
33. Truong A., Strazzulla L., March J., Boucher K.M., Nelson K.C., Kim C.C. et al. Reduction in nevus biopsies in patients monitored by total body photography // J. Am. Acad. Dermatol. 2016. Vol. 75, N 1. P. 135-143.e5.
34. Ji-Xu A., Dinnes J., Matin R.N. Establishing the use of total body photography among UK dermatologists // Clin. Exp. Dermatol. 2022. Vol. 47, N 1. P. 182-184.
35. Terushkin V., Oliveria S.A., Marghoob A.A., Halpern A.C. Use of and beliefs about total body photography and dermatoscopy among US dermatology training programs: an update // J. Am. Acad. Dermatol. 2010. Vol. 62, N 5. P. 794-803.
36. Rice Z.P., Weiss F.J., DeLong L.K., Curiel-Lewandrowski C., Chen S.C. Utilization and rationale for the implementation of total body (digital) photography as an adjunct screening measure for melanoma // Melanoma Res. 2010. Vol. 20, N 5. P. 417-421.
37. Cerminara S.E., Cheng P., Kostner L., Huber S., Kunz M., Maul J.T. et al. Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under real-world conditions: a new era of skin cancer screening? // Eur. J. Cancer.
2023. Vol. 190. Article ID 112954. DOI: https://dol.Org/10.1016/j. ejca.2023.112954 Epub 2023 Jun 24. PMID: 37453242.
38. Hubel D.H., Wlesel T.N. Receptive fields and functional architecture of monkey striate cortex // J. Physiol. 1968. Vol. 195, N 1. P. 215-243.
39. The Nobel Prize in Physiology or Medicine 1981. URL: https://www.nobelprize.org/prizes/medicine/1981/summary/ (date of access July 20, 2023).
40. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proc. IEEE. 1998. Vol. 86, N 11. P. 2278-2324. URL https://ieeexplore.ieee.org/docu-ment/726791 (date of access July 12, 2023).
41. Schmidhuber J. Deep learning in neural networks: an overview // Neural Netw. 2015. Vol. 61. P. 85-117.
42. LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W. et al. Backpropagation applied to handwritten zip code recognition // Neural Comput. 1989. Vol. 1, N 4. P. 541-551. URL: https://ieeexplore.ieee.org/document/6795724 (date of access July 12, 2023).
43. Rumelhart D.E., McClelland J.L. (eds). Learning internal representations by error propagation // Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. Cambridge, MA : MIT Press books, 1986. P. 318-362. URL: https://ieeexplore.ieee.org/document/6302929 (date of access July 12, 2023).
44. Arif M., Philip F.M., Ajesh F., Izdrui D., Craciun M.D., Geman O. Automated detection of nonmelanoma skin cancer based on deep convolutional neural network // J. Healthcare Eng. 2022. Vol. 2022. Article ID 6952304.
45. Zhang L., Gao H.J., Zhang J., Badami B. Optimization of the convolutional neural networks for automatic detection of skin cancer // Open Med. (Warsaw, Poland). 2020. Vol. 15. P. 27-37.
46. Ozturk §., Ozkaya U. Skin lesion segmentation with improved convolutional neural network // J. Digit. Imaging. 2020. Vol. 33, N 4. P. 958-970.
47. Yang C.-H., Ren J.-H., Huang H.-C., Chuang L.-Y., Chang P.-Y. Deep hybrid convolutional neural network for segmentation of melanoma skin lesion // Comput. Intell. Neurosci. 2021. Vol. 2021. Article ID 9409508.
48. Sikandar S., Mahum R., Ragab A.E., Yayilgan S.Y., Shaikh S. SCDet: a robust approach for the detection of skin lesions // Diagnostics. 2023. Vol. 13, N 11. P. 1824.
49. Afza F., Sharif M., Khan M.A., Tariq U., Yong H.-S., Cha J. Multiclass skin lesion classification using hybrid deep features selection and extreme learning machine // Sensors. 2022. Vol. 22, N 3. P. 799.
50. Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Zalaudek I. et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermo-scopic melanoma recognition in comparison to 58 dermatologists // Ann. Oncol. 2018. Vol. 29, N 8. P. 1836-1842.
51. Marchetti M.A., Codella N.C.F., Dusza S.W., Gutman D.A., Helba B., Kalloo A. et al. Results of the 2016 International Skin Imaging Collaboration ISBI Challenge: comparison of the accuracy
of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images // J. Am. Acad. Dermatol. 2018. Vol. 78, N 2. P. 270-277.e1.
52. Winkler J.K., Sies K., Fink C., Toberer F., Enk A., Deinlein T. et al. Melanoma recognition by a deep learning convolutional neural network - performance in different melanoma subtypes and localisations // Eur. J. Cancer. 2020. Vol. 127. P. 21-29.
53. Kong F., Horsham C., Rayner J., Simunovic M., O'Hara M., Soyer H.P. et al. Consumer preferences for skin cancer screening using mobile teledermoscopy: a qualitative study // Dermatology.
2020. Vol. 236, N 2. P. 97-104.
54. Kong F.W., Horsham C., Ngoo A., Soyer P., Janda M. Review of smartphone mobile applications for skin cancer detection: what are the changes in availability, functionality, and costs to users over time? // Int. J. Dermatol. 2021. Vol. 60, N 3. P. 289-308. URL: https://pubmed.ncbi.nlm.nih.gov/32880938 (date of access July 17, 2023).
55. Maier T., Kulichova D., Schotten K., Astrid R., Ruzicka T., Berking C. et al. Accuracy of a smartphone application using fractal image analysis of pigmented moles compared to clinical diagnosis and histological result // J. Eur. Acad. Dermatol. Venereol. (JEADV). 2015. Vol. 29, N 4. P. 663-667.
56. Гаранина О.Е., Шливко И.Л., Клеменова И.А., Ускова К.А., Миронычева А.М., Дардык В.И. и др. Искусственный интеллект: как работает и критерии оценки // Consilium Medicum.
2021. № 8. С. 626-632. URL: https://cyberleninka.ru/article/n/ iskusstvennyy-intellekt-kak-rabotaet-i-kriterii-otsenki (дата обращения: 18.07.2023).
57. Ukharov A.O., Shlivko I.L., Klemenova I.A., Garanina O.E., Uskova K.A., Mironycheva A.M. et al. Skin cancer risk self-assessment using AI as a mass screening tool // Inform. Med. Unlocked. 2023. Vol. 38. Article ID 101223.
58. Hue L., Makhloufi S., Sall N'Diaye P., Blanchet-Bardon C., Sulimovic L., Pomykala F. et al. Real-time mobile teledermoscopy for skin cancer screening targeting an agricultural population: an experiment on 289 patients in France // J. Eur. Acad. Dermatol. Venereol. (JEADV). 2016. Vol. 30, N 1. P. 20-24.
59. Congalton A.T., Oakley A.M., Rademaker M., Bramley D., Martin R.C.W. Successful melanoma triage by a virtual lesion clinic (teledermatoscopy) // J. Eur. Acad. Dermatol. Venereol. (JEADV). 2015. Vol. 29, N 12. P. 2423-2428.
60. Kassianos A.P., Emery J.D., Murchie P., Walter F.M. Smartphone applications for melanoma detection by community, patient and generalist clinician users: a review // Br. J. Dermatol. 2015. Vol. 172, N 6. P. 1507-1518.
61. Smak Gregoor A.M., Sangers T.E., Bakker L.J. et al. An artificial intelligence based app for skin cancer detection evaluated in a population based setting // NPJ Digit. Med. 2023. Vol. 6, N 1. P. 90. DOI: https://doi.org/10.1038/s41746-023-00831-w
62. Рязаева Л.М., Куркина К.А. Показатели заболеваемости населения России наиболее часто выявляемыми злокачественными новообразованиями за период 2018-2020 гг. // Инте-гративные тенденции в медицине и образовании. 2022. № 3. C. 111-116.
REFERENCES
1. Chebotarev V.V., Khismatullina Z.R., Zakirova Yu.A. Some aspects of the epidemiology and diagnosis of malignant neoplasms of the skin. Kreativnaya khirurgiya i onkologiya [Creative Surgery and Oncology]. 2020; 10 (1): 65-73. (in Russian)
2. Malignant neoplasms in Russia in 2021 (morbidity and mortality). Collection. In: A.D. Kaprin, V.V. Starinsky, A.O. Shakhza-dova (eds). Moscow: MNIOI im. P.A. Gertsena - filial FGBU «NMITs radiologii» Minzdrava Rossii, 2022: 252 p. (in Russian)
3. Arnold M., Singh D., Laversanne M., Vignat J., Vaccarella S., Meheus F., et al. Global burden of cutaneous melanoma in 2020
and projections to 2040. JAMA Dermatol. 2022; 158 (5): 495503. DOI: https://doi.org/10.1001/jamadermatol.2022.0160 PMID: 35353115; PMCID: PMC8968696.
4. Ermakov A.V. Skin melanomas: modern principles of early diagnosis and prevention. Onkologiya. Zhurnal imeni P.A. Gertsena [Oncology. Journal named after P.A. Gertsen]. 2014; 3 (3): 100-8. (in Russian)
5. Ahnlide I., Bjellerup M., Nilsson F., Nielsen K. Validity of ABCD rule of dermoscopy in clinical practice. Acta Derm Venereol. 2016; 96 (3): 367-72. DOI: https://doi.org/10.2340/00015555-2239 PMID: 26351008.
6. Sokolov D.V., Makhson A.N., Demidov L.V., Vorozhtsov G.N., Kuz'min S.G., Sokolov V.V. Dermatoscopy (epiluminescent surface microscopy): in vivo diagnosis of skin melanoma (literature review). Sibirskiy onkologicheskiy zhurnal [Siberian Journal of Oncology]. 2008; (5): 63-7. (in Russian)
7. Benellii C., Roscetti E., Dal Pozzo V. The dermoscopic (7FFM) versus the clinical (ABCDE) diagnosis of small diameter melanoma. Eur J Dermatol. 2000; 10 (4): 282-7. PMID: 10846255.
8. Demidov L.V., Sokolov D.V., Bulycheva I.V., Shashkov B.V., Makhson A.N., Vorozhtsov G.N., et al. Improvement methods for diagnosing skin melanoma. Vestnik RONTS imeni N.N. Blokhina RAMN [Bulletin of the National Russian Cancer Research Center named after N.N. Blokhin RAMS]. 2007; 18 (1): 36-41. (in Russian)
9. Gaudy-Marqueste C., Wazaefi Y., Bruneu Y., Triller R., Thomas L., Pellacani G., et al. Ugly duckling sign as a major factor of efficiency in melanoma detection. JAMA Dermatol. 2017; 153 (4): 279-84. URL: https://jamanetwork.com/journals/jamaderma-tology/fullarticle/2600689 (date of access July 15, 2023).
10. Scope A., Dusza S.W., Halpern A.C., et al. The «ugly duckling» sign: agreement between observers. Arch Dermatol. 2008; 144 (1): 58-64. DOI: https://doi.org/10.1001/archdermatol.2007.15
11. Chervonnaya L.V. Pigmented tumors of the skin Moscow: GEOTAR-Media, 2014: 224 p. ISBN: 978-5-9704-2897-9. URL: https://www.rosmedlib.ru/book/ISBN9785970428979.html (date of access July 12, 2023). (in Russian)
12. Gachon J., Beaulieu P., Sei J.F., Gouvernet J., Claudel J.P., Lemaitre M., et al. First prospective study of the recognition process of melanoma in dermatological practice. Arch Dermatol. 2005; 141 (4): 434-8. DOI: https://doi.org/10.1001/archderm.141.4.434 PMID: 15837860.
13. Ebert M.A., Gafton G.I., Zinov'ev G.V., Gafton I.G. Modern view on the diagnosis of skin melanoma. Voprosy oncologii [Problems in Oncology]. 2019; 65 (5): 638-44. EDN PFZQMV. (in Russian)
14. Demidov L.V., Sinel'nikov I.E., Nazarova V.V., Utyashev I.A., Golubev A.V., Doroshenko M.V. Early diagnosis of skin melanoma: the significance and possibilities of using dermatoscopy in the clinical practice of an oncologist. Rossiyskiy onkologicheskiy zhurnal [Russian Journal of Cancer]. 2013; (5): 4-11. (in Russian)
15. Secker L.J., Buis P.A.J., Bergman W., Kukutsch N.A. Effect of a dermoscopy training course on the accuracy of primary care physicians in diagnosing pigmented lesions. Acta Derm Venereol. 2017; 97 (2): 263-5.
16. Jones O., Jurascheck L., van Melle M., Hickman S., Burrows N., Hall P., et al. Dermoscopy for melanoma detection and triage in primary care: a systematic review. BMJ Open. 2019; 9 (8): e027529.
17. Dolianitis C., Kelly J., Wolfe R., Simpson P. Comparative performance of 4 dermoscopic algorithms by nonexperts for the diagnosis of melanocytic lesions. Arch Dermatol. 2005; 141 (8): 1008-14. DOI: https://doi.org/10.1001/archderm.141.8.1008 PMID: 16103330.
18. Annessi G., Bono R., Sampogna F., Faraggiana T., Abeni D. Sensitivity, specificity, and diagnostic accuracy of three dermo-scopic algorithmic methods in the diagnosis of doubtful melanocytic lesions: the importance of light brown structureless areas in differentiating atypical melanocytic nevi from thin melanomas. J Am Acad Dermatol. 2007; 56 (5): 759-67. DOI: https://doi.org/10.1016/j. jaad.2007.01.014 Epub 2007 Feb 20. PMID: 17316894.
19. Ulrich J., van Akkooi A.J., Eggermont A.M., Voit C. New developments in melanoma: utility of ultrasound imaging (initial staging, follow-up and pre-SLNB). Expert Rev Anticancer Ther. 2011; 11 (11): 1693-701. DOI: https://doi.org/10.1586/era.11.115 PMID: 22050018.
20. Ultrasound diagnostics of melanocytic skin locations. Sovremennye problemy nauki i obrazovaniya. Elektronniy zhurnal [Modern Problems of Science and Education. Electronic Journal]. URL: https://science-education.ru/ru/article/view?id=19787 (дата обращения: 28.10.2023). (in Russian)
21. Dinnes J., Bamber J., Chuchu N., Bayliss S.E., Takwoingi Y., Davenport C., et al.; Cochrane Skin Cancer Diagnostic Test Accuracy Group. High-frequency ultrasound for diagnosing skin cancer in adults. Cochrane Database Syst Rev. 2018; 12 (12): CD013188. DOI: https://doi.org/10.1002/14651858.CD013188 PMID: 3052 1683; PMCID: PMC6516989.
22. Agozzino M., Moscarella E., Babino G., Caccavale S., Piccolo V., Argenziano G. The use of in vivo reflectance confocal microscopy for the diagnosis of melanoma. Expert Rev Anticancer Ther. 2019; 19 (5): 413-21. DOI: https://doi.org/10.1080/1473714 0.2019.1593829 Epub 2019 Mar 28. PMID: 30869538.
23. Rajadhyaksha M., Grossman M., Esterowitz D., Webb R.H., Anderson R.R. In vivo confocal scanning laser microscopy of human skin: melanin provides strong contrast. J Invest Dermatol. 1995; 104 (6): 946-52. DOI: https://doi.org/10.1111/1523-1747.ep12606215 PMID: 7769264.
24. Alarcon I., Carrera C., Palou J., Alos L., Malvehy J., Puig S. Impact of in vivo reflectance confocal microscopy on the number needed to treat melanoma in doubtful lesions. Br J Dermatol. 2014; 170 (4): 802-8. DOI: https://doi.org/10.1111/bjd.12678 PMID: 24124911; PMCID: PMC3984366.
25. Guitera P., Pellacani G., Crotty K.A., Scolyer R.A., Li L.X., Bassoli S., et al. The impact of in vivo reflectance confocal microscopy on the diagnostic accuracy of lentigo maligna and equivocal pigmented and nonpigmented macules of the face. J Invest Dermatol. 2010; 130 (8): 2080-91. DOI: https://doi.org/10.1038/jid.2010.84 Epub 2010 Apr 15. PMID: 20393481.
26. Ghita M.A., Caruntu C., Rosca A.E., Caruntu A., Moraru L., Constantin C., et al. Real-time investigation of skin blood flow changes induced by topical capsaicin. Acta Dermatovenerol Croat. 2017; 25 (3): 223-7. PMID: 29252175.
27. Ji-Xu A., Dinnes J., Matin R.N. Total body photography for the diagnosis of cutaneous melanoma in adults: a systematic review and meta-analysis. Br J Dermatol. 2021; 185 (2): 302-12.
28. Hornung A., Steeb T., Wessely A., Brinker T.J., Breakell T., Erdmann M., et al. The value of total body photography for the early detection of melanoma: a systematic review. Int J Environ Res Public Health. 2021; 18 (4): 1726.
29. Soglia S., Pérez-Anker J., Lobos Guede N., Giavedoni P., Puig S., Malvehy J. Diagnostics using non-invasive technologies in dermatological oncology. Cancers. 2022; 14 (23): 5886.
30. Rayner J.E., Laino A.M., Nufer K.L., Adams L., Raphael A.P., Menzies S.W., et al. Clinical perspective of 3D total body photography for early detection and screening of melanoma. Front Med. 2018; 5: 152.
31. Cerminara S.E., Cheng P., Kostner L., Huber S., Kunz M., Maul J.-T., et al. Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under real-world conditions: a new era of skin cancer screening? Eur J Cancer. 2023; 190: 112954.
32. Betz-Stablein B., D'Alessandro B., Koh U., Plasmeijer E., Janda M., Menzies S.W., et al. Reproducible naevus counts using 3D total body photography and convolutional neural networks. Dermatology. 2022; 238 (1): 4-11.
33. Truong A., Strazzulla L., March J., Boucher K.M., Nelson K.C., Kim C.C., et al. Reduction in nevus biopsies in patients monitored by total body photography. J Am Acad Dermatol. 2016; 75 (1): 135-43.e5.
34. Ji-Xu A., Dinnes J., Matin R.N. Establishing the use of total body photography among UK dermatologists. Clin Exp Dermatol. 2022; 47 (1): 182-4.
35. Terushkin V., Oliveria S.A., Marghoob A.A., Halpern A.C. Use of and beliefs about total body photography and dermatoscopy among US dermatology training programs: an update. J Am Acad Dermatol. 2010; 62 (5): 794-803.
36. Rice Z.P., Weiss F.J., DeLong L.K., Curiel-Lewandrowski C., Chen S.C. Utilization and rationale for the implementation of total
body (digital) photography as an adjunct screening measure for melanoma. Melanoma Res. 2010; 20 (5): 417-21.
37. Cerminara S.E., Cheng P., Kostner L., Huber S., Kunz M., Maul J.T., et al. Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under real-world conditions: a new era of skin cancer screening? Eur J Cancer. 2023; 190: 112954. DOI: https://doi.org/10.1016/j.ejca.2023.112954 Epub 2023 Jun 24. PMID: 37453242.
38. Hubel D.H., Wiesel T.N. Receptive fields and functional architecture of monkey striate cortex. J Physiol. 1968; 195 (1): 215-43.
39. The Nobel Prize in Physiology or Medicine 1981. URL: https://www.nobelprize.org/prizes/medicine/1981/summary/ (date of access July 20, 2023).
40. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proc IEEE. 1998; 86 (11): 2278-324. URL https://ieeexplore.ieee.org/document/726791 (date of access July 12, 2023).
41. Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw. 2015; 61: 85-117.
42. LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W., et al. Backpropagation applied to handwritten zip code recognition. Neural Comput. 1989; 1 (4): 541-51. URL: https:// ieeexplore.ieee.org/document/6795724 (date of access July 12, 2023).
43. Rumelhart D.E., McClelland J.L. (eds). Learning internal representations by error propagation. In: Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. Cambridge, MA: MIT Press books, 1986: 318-62. URL: https:// ieeexplore.ieee.org/document/6302929 (date of access July 12, 2023).
44. Arif M., Philip F.M., Ajesh F., Izdrui D., Craciun M.D., Geman O. Automated detection of nonmelanoma skin cancer based on deep convolutional neural network. J Healthcare Eng. 2022; 2022: 6952304.
45. Zhang L., Gao H.J., Zhang J., Badami B. Optimization of the convolutional neural networks for automatic detection of skin cancer. Open Med (Warsaw, Poland). 2020; 15: 27-37.
46. Öztürk §., Özkaya U. Skin lesion segmentation with improved convolutional neural network. J Digit Imaging. 2020; 33 (4): 958-70.
47. Yang C.-H., Ren J.-H., Huang H.-C., Chuang L.-Y., Chang P.-Y. Deep hybrid convolutional neural network for segmentation of melanoma skin lesion. Comput Intell Neurosci. 2021; 2021: 9409508.
48. Sikandar S., Mahum R., Ragab A.E., Yayilgan S.Y., Shaikh S. SCDet: a robust approach for the detection of skin lesions. Diagnostics. 2023; 13 (11): 1824.
49. Afza F., Sharif M., Khan M.A., Tariq U., Yong H.-S., Cha J. Multiclass skin lesion classification using hybrid deep features selection and extreme learning machine. Sensors. 2022; 22 (3): 799.
50. Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Zalaudek I., et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermo-scopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018; 29 (8): 1836-42.
51. Marchetti M.A., Codella N.C.F., Dusza S.W., Gutman D.A., Helba B., Kalloo A., et al. Results of the 2016 International Skin Imaging Collaboration ISBI Challenge: comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol. 2018; 78 (2): 270-7.e1.
52. Winkler J.K., Sies K., Fink C., Toberer F., Enk A., Deinlein T., et al. Melanoma recognition by a deep learning convolutional neural network - performance in different melanoma subtypes and localisations. Eur J Cancer. 2020; 127: 21-9.
53. Kong F., Horsham C., Rayner J., Simunovic M., O'Hara M., Soyer H.P., et al. Consumer preferences for skin cancer screening using mobile teledermoscopy: a qualitative study. Dermatology. 2020; 236 (2): 97-104.
54. Kong F.W., Horsham C., Ngoo A., Soyer P., Janda M. Review of smartphone mobile applications for skin cancer detection: what are the changes in availability, functionality, and costs to users over time? Int J Dermatol. 2021; 60 (3): 289-308. URL: https://pubmed. ncbi.nlm.nih.gov/32880938 (date of access July 17, 2023).
55. Maier T., Kulichova D., Schotten K., Astrid R., Ruzicka T., Berking C., et al. Accuracy of a smartphone application using fractal image analysis of pigmented moles compared to clinical diagnosis and histological result. J Eur Acad Dermatol Venereol (JEADV). 2015; 29 (4): 663-7.
56. Garanina O.E., Shlivko I.L., Klemenova I.A., Uskova K.A., Mironycheva A.M., Dardyk V.I., et al. Artificial intelligence: how it works and evaluation criteria. Consilium Medicum. 2021; (8): 626-32. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-kak-rab otaet-i-kriterii-otsenki (date of access July 18, 2023). (in Russian)
57. Ukharov A.O., Shlivko I.L., Klemenova I.A., Garanina O.E., Uskova K.A., Mironycheva A.M., et al. Skin cancer risk self-assessment using AI as a mass screening tool. Inform Med Unlocked. 2023; 38: 101223.
58. Hue L., Makhloufi S., Sall N'Diaye P., Blanchet-Bardon C., Sulimovic L., Pomykala F., et al. Real-time mobile teledermoscopy for skin cancer screening targeting an agricultural population: an experiment on 289 patients in France. J Eur Acad Dermatol Venereol (JEADV). 2016; 30 (1): 20-4.
59. Congalton A.T., Oakley A.M., Rademaker M., Bramley D., Martin R.C.W. Successful melanoma triage by a virtual lesion clinic (teledermatoscopy). J Eur Acad Dermatol Venereol (JEADV). 2015; 29 (12): 2423-8.
60. Kassianos A.P., Emery J.D., Murchie P., Walter F.M. Smart-phone applications for melanoma detection by community, patient and generalist clinician users: a review. Br J Dermatol. 2015; 172 (6): 1507-18.
61. Smak Gregoor A.M., Sangers T.E., Bakker L.J., et al. An artificial intelligence based app for skin cancer detection evaluated in a population based setting. NPJ Digit Med. 2023; 6 (1): 90. DOI: https://doi.org/10.1038/s41746-023-00831-w
62. Ryazaeva L.M., Kurkina K.A. Morbidity indicators of the Russian population with the most frequently detected malignant neoplasms for the period 2018-2020. Integral'nye tendentsii v meditsine i obrazovanii [Integrative Trends in Medicine and Education]. 2022; (3): 111-6. (in Russian)
