CC BY
0
СОВРЕМЕННЫЕ МЕТОДЫ ДИАГНОСТИКИ И ЛЕЧЕНИЯ
ВОЗМОЖНОСТИ ОПТИМИЗАЦИИ СКРИНИНГА НОВООБРАЗОВАНИЙ КОЖИ
УДК 616.5-006.04-004.8-07 3.1.23 — дерматовенерология Поступила 23.12.2023
К.А. Ускова1, O.E. Гаранина1, А.О. Ухаров2, И.А. Клеменова1, C.B. Гамаюнов3, A.M. Миронычева1, В.И. Дардык4, В.А. Сайфуллина1, С.С. Короткий5, И.Л. Шливко1
^ГБОУ ВО «Приволжский исследовательский медицинский университет» Министерства здравоохранения РФ, Нижний Новгород;
2ФГБ0У ВО «Московский государственный технический университет имени Н.Э. Баумана», Москва;
3ГАУЗ НО НИИК0 «Нижегородский областной клинический онкологический диспансер», Нижний Новгород;
"ООО «АИМЕД», Москва;
5ФГА0У ВО «Российский университет дружбы народов им. Патриса Лумумбы», Москва
Цель исследования — определить возможности использования искусственного интеллекта как инструмента по-пуляционного скрининга опухолей кожи.
Материалы и методы. Разработан инструмент самообследования на базе искусственного интеллекта, позволяющий регулярно проводить осмотр кожи с фотографией на смартфон в сочетании с анкетными данными по факторам риска. Предложенная модель позволяет различать злокачественные и доброкачественные новообразования.
Результаты. Анализ результатов популяционного скрининга выявил значительно более высокую распространенность злокачественных опухолей кожи на 100 000 населения. Наши результаты показали гораздо более молодой средний возраст пациентов со злокачественными опухолями кожи как у мужчин, так и у женщин по сравнению с официальной статистикой, с разницей в 15 лет.
Заключение. Мобильное приложение на основе искусственного ителлекта может эффективно использоваться для скрининга на злокачественные новообразования кожи и маршрутизации пользователей в случае выявления подозрительного новообразования в специализированное медицинское учреждение.
Ключевые слова: опухоли кожи; искусственный интеллект; популяционный скрининг; самообследование; нейро-сети; факторы риска.
OPPORTUNITIES FOR OPTIMIZING SKIN TUMOR SCREENING
K.A. Uskova1, O.E. Garanina1, A.O. Ukharov2, I.A. Klemenova1, S.V. Gamayunov3, A.M. Mironycheva1, V.I. Dardyk4, V.A. Sayfullina1, S.S. Korotkiy5, I.L. Shlivko1
1Privolzhsky Research Medical University, Nizhny Novgorod;
2Moscow State Technical University N.A. Bauman, Moscow;
3Nizhny Novgorod Regional Oncology Center, Nizhny Novgorod;
4"AIMED" Limited liability company, Moscow;
5Peoples Friendship University of Russia (RUDN University), Moscow
The aim of this study is to determine the opportunities of using artificial intelligence as a tool for mass screening of skin tumors.
Materials and methods: An artificial intelligence-based self-examination tool has been developed, allowing for regular skin examination with a smartphone photo along with questionnaire data on risk factors. The proposed model allows us to distinguish between malignant and benign neoplasms.
Results: Analysis of the results of population screening revealed a significantly higher prevalence of malignant skin tumors per 100,000 population. Our results showed a much younger average age of patients with malignant skin tumors in (of both sexes) in comparison with official statistics, with a 15 year difference.
Conclusion: A mobile application based on artificial intelligence can be effectively used for screening for malignant skin tumors and directing users to a specialized medical facility, were a suspicious tumor to be detected. Key words: skin tumors; artificial intelligence; population screening; self-examination; neural networks; and risk factors.
ВВЕДЕНИЕ
Рост заболеваемости меланомой и немеланом-ным раком кожи вывел злокачественные новообразования (ЗНО) кожи на первое место среди всех злокачественных опухолей [1, 2]. Наибольшую опасность для жизни пациента представляет меланома. В случае несвоевременной диагностики меланомы, особенно при наличии отдаленных метастазов, пятилетняя выживаемость пациентов не превышает 30%. При этом раннее выявление меланомы повышает данный показатель до 98% [3-5]. Базальнокле-точный рак кожи (БКРК) составляет около 80% от всех ЗНО кожи, однако вызывает меньше чем 0,1% смертельных случаев. Несколько чаще к летальному исходу приводит плоскоклеточный рак (ПКРК), на долю которого приходится порядка 19% ЗНО кожи. Следует отметить, что своевременная диагностика и лечение ПКРК позволяют в 95-98% случаев добиться излечения пациента, однако при инвазии опухоли 5-летняя выживаемость — менее 50%. Таким образом, диагностика ЗНО кожи на ранних стадиях (1-2-я) приводит к излечению, сохраняя жизни пациентов, а также позволяет существенно сократить расходы на терапию.
Несмотря на то, что ЗНО кожи относятся к опухолям видимых локализаций и могут быть обнаружены при осмотре пациента, своевременная диагностика
затруднена как поздней обращаемостью, так и недостаточной онконастороженностью и квалификацией медицинских работников первичного звена.
В настоящее время в медицинскую деятельность стремительно внедряется искусственный интеллект (ИИ), позволяющий оптимизировать диагностику многих заболеваний. Исследования показали, что предварительно обученные модели обеспечивают точность классификации медицинских изображений в дерматологии на уровне человека, а некоторые модели даже превосходят эффективность дерматологов в диагностике кожных заболеваний [6-8]. Большинство нейросетевых моделей в дерматологии базируются на дермоскопических изображениях и предназначены для использования в качестве инструментов поддержки принятия решений в медицинских учреждениях [9-11].
Обследование новообразований кожи без использования дерматоскопии основано на качественной оценке факторов риска: оттенок кожи, цвет волос и глаз, наличие веснушек, солнечных ожогов, рака кожи в анамнезе и характеристики новообразования по «ABCDE»: А (Asymmetry) — асимметрия, В (Border irregularity) — неровный, изрезанный край, С (Color) — неоднородность цвета, D (Diameter) — большой диаметр (>6 мм), Е (Evolution) — изменчивость [12, 13].
Мы предлагаем ИИ-ассоциированный инструмент для самооценки на ЗНО кожи, основанный на кли-
нических фотографиях, сделанных смартфоном, и с оценкой факторов риска.
Цель исследования — определить возможности использования искусственного интеллекта как инструмента популяционного скрининга опухолей кожи.
МЕТОДЫ
Нами разработан программный продукт на основе ИИ для самообследования кожи, реализуемый в качестве бесплатного мобильного приложения «ПроРодинки» (для Android/iOS). Исследование было одобрено независимым локальным этическим комитетом ФГБОУ ВО «ПИМУ» Минздрава России (протокол № 1 от 18.01.2021). Разработанная модель анализирует фотографии кожи камерой смартфона, полученные от пользователей мобильного приложения. Пользователи могут добавить демографическую информацию, характеристики самого новообразования и сведения о факторах риска (см. таблицу).
Вначале каждое изображение проходит контроль качества, затем автоматически — процесс обнаружения границ объекта, затем классифицируется CNN-моделью на предмет риска ЗНО кожи. Каждое фотоизображение проверяется по критериям, которые влияют на качество распознавания CNN-моде-лей: равномерное освещение без тени, резкость
и размер (рис. 1). Таким образом, анализу подвергаются только изображения, которые удовлетворяют характеристикам качества.
Для оценки равномерности освещенности мы использовали метод локального контраста на основе среднеквадратического отклонения с порогом 63 и критерий Майкельсона с порогом 0,99, для оценки уровня резкости — фильтр Лапласа с порогом 16. Минимальный требуемый размер изображения был определен в 100 пикселей. Проверка изображения реализована с помощью библиотеки OpenCV.
Изображения, прошедшие проверку, передаются в первую CNN-модель детекции, задача которой — обнаружить границы новообразования и кадриро-вать фото (рис. 2). Использована предварительно обученная модель Google с Vertex AI с ее дообучением для обнаружения новообразований кожи на 7680 верифицированных клинических изображениях, отобранных экспертами ФГБОУ ВО «ПИМУ» Минздрава России.
Изображение, кадрированное CNN-моделью детекции, поступает на вход модели классификации. Мы вновь использовали дообучение и настройки предварительно обученной модели для распознавания пяти заболеваний: невус, гемангиома, себорей-ный кератоз, меланома, БКРК/ПКРК.
Для модели классификации брали набор данных, содержащий 11429 клинических изображений: 7680
Данные, собираемые мобильным приложением «ПроРодинки» вместе с изображением новообразований
Параметр Характеристики
Локализация Бедро, голень, стопа, лицо, шея, декольте, плечо, предплечье, нижняя часть туловища, верхняя часть туловища, кисть
История новообразования Помню с детства, много лет назад, появилось давно, но стало меняться, появилось недавно, не могу ответить
Демографическая информация
Возраст От 0 до 120 лет
Пол Муж./Жен.
Риск-факторы
Оттенок кожи Смуглый, светлый
Цвет волос Темные, светлые/русые, рыжие
Наличие веснушек Есть/нет
Количество родинок на одной руке От 0 до 20, больше 20
Случаи солнечных ожогов Были, нет
Наличие больших родинок <6 мм, >6 мм
Случаи меланомы в анамнезе Да, нет
Случаи меланомы у родственников Да, нет
Посещение солярия Да, нет
Рис 2. Характеристики CNN модели детекции (а) и классификации (б), матрица несоответствий модели классификаций (в)
изображений, используемых в CNN-детекции, дополненные 3749 изображениями, поступившими в мобильное приложение и отобранными экспертами. Достигнутая точность и чувствительность модели изображений составляют 90,92 и 86,94% соответственно.
Модель позволяет идентифицировать как доброкачественные патологические изменения (невус, гемангиома, себорейный кератоз), так и ЗНО (мела-нома, БКРК, ПКРК). Законодательство в области медицинской деятельности не позволяет с помощью данного мобильного приложения (как немедицинского изделия) передавать пользователю предполагаемый диагноз, поэтому предоставляется ответ, указывающий на высокий или низкий риск ЗНО кожи. В случае высокого риска ЗНО пользователь получает рекомендацию обратиться к онкологу. Ре-
зультаты работы искусственного интеллекта контролируются врачами-экспертами Приволжского исследовательского медицинского университета, в случаях расхождения мнения между дерматологом и ИИ изображение поступает эксперту. При этом происходит постоянное пополнение базы изображений для дообучения ИИ.
РЕЗУЛЬТАТЫ
Представлены результаты анализа данных, обработанных мобильным приложением на основе ИИ «ПроРодинки» за 15 мес 2021-2022 гг. Среди полученных 401 606 изображений новообразований выявлено 9321 подозрение на злокачественные новообразования, из них на меланому — 5230 (3602 у женщин и 1628 у мужчин).
Рис. 3. Злокачественные новообразования кожи: распространенность в зависимости от локализации среди женщин (а) и мужчин (б) и в зависимости от анамнеза у женщин (в) и мужчин (г)
Распределение по возрасту близко к нормальному с медианой и средним 37,00 и 38,46 года соответственно. Распределение фототипов соответствует профилю Российской Федерации [14].
Средний возраст при выявленных БКРК/ПКРК у мужчин — 56,28 года (1-й квартиль 45,50 года; 3-й квартиль 68,00 года), а у женщин — 55,98 года (1-й квартиль 44,00 года; 3-й квартиль 69,00 года). Средний возраст выявления меланомы существенно ниже: 46,78 года у мужчин (1-й квартиль 31,00 года; 3-й квартиль 60,00 года) и 41,35 года у женщин (1-й квартиль 28,50 года; 3-й квартиль 54,00 года).
Показатель распространенности среди мужчин (на 100 тыс. человек) для БКРК/ПКРК составляет 4,42 случая, для меланомы — 5,43 случая. Среди женщин соответственно 8,98 случая БКРК/ПКРК и 11,88 случая меланомы. В нашем исследовании выявлен более высокий показатель распространенности меланомы как среди мужчин, так и среди женщин по сравнению со статистическими данными. Расхождение данных по БКРК/ПКРК объясняется тем, что возраст появления БКРК составляет около 70 лет, а пользователи мобильного приложения существенно моложе (средний возраст 37 лет) [1, 3].
Основные локализации БКРК/ПКРК, включающие 72,7% случая, — лицо, верхняя часть туловища, нижняя часть туловища и плечи. Основные локализации
меланомы — 64,59% случаев — верхняя часть туловища, нижняя часть туловища, плечи и бедра (рис. 3).
Проведен анализ информации по факторам риска ЗНО кожи. Сведения о факторах риска собираются на добровольной основе и поэтому были доступны только в 22% случаев. Исследовали каждый из факторов риска для случаев БКРК/ПКРК и меланомы в разбивке по полу и возрасту. Светлый оттенок кожи преобладает как в случаях меланомы, так и БКРК/ ПКРК независимо от пола и возраста. Количество случаев БКРК/ПКРК увеличивается с возрастом. Большое количество родинок (более 20 на одной руке) связано с ранним развитием меланомы у женщин. Солнечные ожоги в анамнезе характерны как для меланомы, так и для БКРК/ПКРК, независимо от пола и возраста. Больший размер новообразований преобладает в случаях меланомы, особенно у женщин. Посещение солярия связано с более ранним развитием меланомы у женщин.
ОБСУЖДЕНИЕ
Нами впервые предложен инструмент для проведения скрининга меланомы и рака кожи на территории РФ. За ограниченный период были охвачены 89 регионов и более 290 000 пользователей. Без применения новых технологий аналогичный масштаб
охвата населения с целью скрининга опухолей кожи требует значительных профессиональных ресурсов и материальных затрат.
Так, в 2021 г. в РФ проводилась акция «День диагностики меланомы», в которой участвовало 8003 человека, у 227 выявлено злокачественное новообразование кожи. При этом для выявления подозрения на ЗНО кожи у одного человека на акции потребовалось осмотреть 35 человек [15]. Таким образом, анализ 401 606 фотоизображений высокого качества новообразований кожи можно считать крупнейшей кампанией популяционного скрининга злокачественных новообразований кожи, когда-либо проводившейся в РФ.
Согласно данным статистических исследований, в 2021 г. в РФ было выявлено 10 162 случая меланомы (6077 у женщин и 4085 у мужчин [1]). С помощью искусственного интеллекта во всех регионах РФ мы выявили 5230 случаев подозрения на меланому за 2021 г. и первые три квартала 2022 г.: 3602 случая у женщин и 1628 — у мужчин.
С помощью искусственного интеллекта только по Москве и Московской области, Нижнему Новгороду и Нижегородской области, Санкт-Петербургу и Ленинградской области, Краснодару выявленная заболеваемость меланомой — 5,43 для мужчин и 11,88 для женщин на 100 000, в то время как статистические данные составляют всего 4,12 на 100 000 населения [1].
Использование искусственного интеллекта позволило выявить меланому в существенно более молодом возрасте: 46,78 года — средний возраст мужчин и 41,35 года — женщин. При этом в РФ средний возраст больных меланомой составляет 61,5 года для мужчин и 62,1 года для женщин [1]. Вероятно, пользователи мобильного приложения раньше обращаются за диагностической помощью и более информированы о ЗНО кожи. Возможно, использование ИИ является способом преодоления психологического барьера на пути к очной консультации.
Преобладание выявленных подозрений на мела-ному по сравнению с раком кожи, отличающееся от официальной статистики, объясняется более молодым профилем пользователей. Статистика неме-ланомного рака кожи дает нам средний возраст для мужчин 68,2 года и для женщин 70,2 года, в то время как наше исследование для БКРК/ПКРК показывает 56,28 года для мужчин и 55,98 года для женщин.
Таким образом, с помощью ИИ пользователи обращаются за медицинской помощью существенно раньше, чем на очную консультацию в систему здравоохранения.
Критерии риска, такие как более 20 невусов на руке и посещение солярия, связаны с более ранним развитием меланомы. Светлая кожа и солнечные ожоги в анамнезе преобладают в группе пользователей со всеми подозрительными новообразованиями не-
зависимо от пола и возраста. Не было связи повышенного риска ЗНО в зависимости от цвета волос, наличия веснушек и наличия меланомы в анамнезе у родственников.
ЗАКЛЮЧЕНИЕ
Показано, что искусственный интеллект в виде мобильного приложения является эффективным и доступным инструментом самообследования и может быть рекомендован для популяционного скрининга населения на злокачественные новообразования кожи.
Источник финансирования. Работа выполнена при поддержке программы «Приоритет 2030».
Конфликт интересов. Авторы данной статьи подтвердили отсутствие конфликта интересов, о котором необходимо сообщить.
ЛИТЕРАТУРА/REFERENCES
1. Состояние онкологической помощи населению России в 2021 году. Под ред. Каприна А.Д., Старинского В. В., Шахзадо-вой А.О. М: МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИЦ радиологии» Минздрава РФ; 2022; 239 с. Sostoyanie onkologicheskoy pomoshchi naseleniyu Rossii v 2021 godu [The state of cancer care for the Russian population in 2021]. Kaprin A.D., Starinskiy V.V., Shakhzadova A.O. (editors). Moscow: MNIOI im. P.A. Gertsena -filial FGBU «NMITs radiologii» Minzdrava RF; 2022; 239 p.
2. Siegel R.L., Miller K.D., Fuchs H.E., Jemal A. Cancer statistics, 2022. CA Cancer J Clin 2022; 72(1): 7-33, https://doi.org/10.3322/ caac.21708.
3. Ci^zynska M., Narbutt J., Wozniacka A., Lesiak A. Trends in basal cell carcinoma incidence rates: a 16-year retrospective study of a population in central Poland. Postepy Dermatol Alergol 2018; 35(1): 47-52, https://doi.org/10.5114/ada.2018.73164.
4. Fontanillas P., Alipanahi B., Furlotte N.A., Johnson M., Wilson C. H.; 23andMe Research Team; Pitts S.J., Gentleman R., Auton A. Disease risk scores for skin cancers. Nat Commun 2021; 12(1): 160, https://doi. org/10.1038/s41467-020-20246-5.
5. Zhu S., Sun C., Zhang L., Du X., Zhu S., Sun C., Zhang L., Du X. Incidence trends and survival prediction of malignant skin cancer: a SEER-based study. Int J Gen Med 2022; 15: 2945-2956, https://doi. org/10.2147/IJGM.S340620.
6. Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542(7639): 115-118, https://doi. org/10.1038/nature21056.
7. Haenssle H.A., Fink C., Toberer F., Winkler J., Stolz W., Deinlein T., Hofmann-Wellenhof R., Lallas A., Emmert S., Buhl T., Zutt M., Blum A., Abassi M.S., Thomas L., Tromme I., Tschandl P., Enk A., Rosenberger A.; Reader Study Level I and Level II Groups. Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions. Ann Oncol 2020; 31(1): 137-143, https://doi.org/10.1016/j.annonc.2019.10.013.
8. Sangers T., Reeder S., van der Vet S., Jhingoer S., Mooyaart A.,
Siegel D. M., Nijsten T., Wakkee M.Validation of a market-approved artificial intelligence mobile health app for skin cancer screening: a prospective multicenter diagnostic accuracy study. Dermatology 2022; 238(4): 649-656, https://doi.org/10.1159/000520474.
9. Felmingham C., MacNamara S., Cranwell W., Williams N., Wada M., Adler N.R., Ge Z., Sharfe A., Bowling A., Haskett M., Wolfe R., Mar V. Improving skin cancer management with ARTificial intelligence (SMARTI): protocol for a preintervention/postintervention trial of an artificial intelligence system used as a diagnostic aid for skin cancer management in a specialist dermatology setting. BMJ Open 2022; 12(1): e050203, https://doi. org/10.1136/bmjopen-2021-050203.
10. Shetty B., Fernandes R., Rodrigues A.P., Chengoden R., Bhattacharya S., Lakshmanna K. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network. Sci Rep 2022; 12(1): 18134, https://doi.org/10.1038/s41598-022-22644-9.
11. Xin C., Liu Z., Zhao K., Miao L., Ma Y., Zhu X., Miao L., Ma Y., Zhu X., Zhou 0., Wang S., Li L., Yang F., Xu S., Chen H. An improved transformer network for skin cancer classification. Comput Biol Med 2022; 149: 105939, https://doi.org/10.1016/j.compbiomed.2022.105939.
12. Duarte A.F., Sousa-Pinto B., Azevedo L.F., Barros A.M., Puig S., Malvehy J., Haneke E., Correia O. Clinical ABCDE rule for early melanoma detection. Eur J Dermatol 2021; 31(6): 771-778, https://doi.org/10.1684/ ejd.2021.4171.
13. Miller K.D., Fidler-Benaoudia M., Keegan T.H., Hipp H.S., Jemal A., Siegel R.L. Cancer statistics for adolescents and young adults, 2020. CA Cancer J Clin 2020; 70(6): 443-459, https://doi.org/10.3322/ caac.21637.
14. Lieberherr S., Seyed Jafari S.M., Cazzaniga S., Bianchi E., Schlagenhauff B., Tscharner G., Hafner J., Mainetti C., Lapointe A. K., Hunger R.E. Evaluation of the National skin cancer campaign: a Swiss experience of Euromelanoma. Swiss Med Wkly 2017; 147: w14511.
15. Баринова А.Н., Гусаров М.В., Тайц Б.М., Плавинский С.Л. Организационные аспекты оптимизации скрининга новообразований кожи на основе шкалы риска. Профилактическая и клиническая медицина 2022; 4: 64-71, https://doi. org/10.47843/2074-9120_2022_4_64. Barinova A.N., Gusarov M.V.,
Tayts B.M., Plavinskij S.L. Organizational aspects of optimization of screening for skin neoplasms on the basis of the risk scale. Profilakticheskaya i klinicheskaya meditsina 2022; 4: 64-71, https://doi.org/10.47843/2074-9120_2022_4_64.
ИНФОРМАЦИЯ ОБ АВТОРАХ:
К.А. Ускова, ассистент кафедры кожных и венерических болезней ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России, Нижний Новгород; О.Е. Гаранина, к.м.н., доцент кафедры кожных и венерических болезней ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России, Нижний Новгород; А.О. Ухаров, Московский государственный технический университет имени Н.Э. Баумана, Москва;
И.А. Клеменова, д.м.н., профессор кафедры кожных и венерических болезней ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России, Нижний Новгород;
С.В. Гамаюнов, д.м.н., главный врач ГБУЗ НО «Нижегородский областной клинический онкологический диспансер», Нижний Новгород;
A.М. Миронычева, ассистент кафедры кожных и венерических болезней ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России, Нижний Новгород;
B.И. Дардык, директор ООО «АИМЕД», Москва;
B.А. Сайфуллина, аспирант ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России, Нижний Новгород;
C.С. Короткий, аспирант департамента механики и процессов управления, Российский университет дружбы народов, Москва; И.Л. Шливко, д.м.н., заведующий кафедрой кожных и венерических болезней ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России, Нижний Новгород.
Для контактов: Клеменова Ирина Александровна, е-mail: iklemenova@mail.ru
