Исследование эффективности программ автоматизированной диагностики меланомы кожи с применением технологий искусственного интеллекта

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

АКТУАЛЬНОСТЬ. Исследование продолжает ряд публикаций, посвящённых эффективности машинного распознавания дерматоскопических изображений меланомы кожи. В некоторых работах отечественных и зарубежных авторов сообщается о достижении высокой чувствительности и специфичности автоматизированной диагностики опухолей кожи. Существенные различия публикуемых данных могут быть результатом как применения разных алгоритмов, так и использования разных групп новообразований кожи для расчёта показателей точности.

МАТЕРИАЛЫ И МЕТОДЫ. Сравнивали точность диагностики меланомы кожи двумя автоматизированными системами искусственного интеллекта.

РЕЗУЛЬТАТЫ. Алгоритм на основе свёрточной нейронной сети улучшил общую точность диагностики на 7% по сравнению с алгоритмом без глубокого обучения, при этом показатель точности составил 78%. Предоставлен исходный набор из 100 использованных дерматоскопических изображений для самостоятельной оценки применимости полученных данных при знакомстве с имеющимися системами искусственного интеллекта.

ЗАКЛЮЧЕНИЕ. Обозначены главные недостатки и возможные пути совершенствования автоматизированной диагностики опухолей кожи на основе цифровой дерматоскопии.

Об авторах

Василий Юрьевич Сергеев

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента Российской Федерации

Автор, ответственный за переписку.
Email: vasesergeevu@gmail.com
ORCID iD: 0000-0001-8487-137X

кандидат медицинских наук, доцент кафедры дерматовенерологии и косметологии

Россия, Москва

Ю. Ю. Сергеев

ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента Российской Федерации

Email: vasesergeevu@gmail.com
ORCID iD: 0000-0002-4193-1579
Россия, Москва

О. Б. Тамразова

ФГАОУ ВО «Российский университет дружбы народов»

Email: vasesergeevu@gmail.com
ORCID iD: 0000-0003-3261-6718
Россия, Москва

В. Г. Никитаев

ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ»

Email: vasesergeevu@gmail.com
ORCID iD: 0000-0002-4349-3023
Россия, Москва

А. Н. Проничев

ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ»

Email: vasesergeevu@gmail.com
ORCID iD: 0000-0003-0443-8504
Россия, Москва

М. А. Сергеева

ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Минздрава России (Сеченовский Университет)

Email: vasesergeevu@gmail.com
ORCID iD: 0000-0003-0292-5878
Россия, Москва

Список литературы

  1. Мелерзанов А.В., Гаврилов Д.А. Диагностика меланомы кожи с помощью сверточных нейронных сетей глубокого обучения // Врач. 2018;29(6):31-3. doi: 10.29296/25877305-2018-06-06.
  2. Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A., et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018;29(8):1836-42. doi: 10.1093/annonc/mdy166.
  3. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the Inception Architecture for Computer Vision. 2016. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016;2818-26. doi: 10.1109/CVPR.2016.308.
  4. Haenssle H.A., Fink C., Toberer F., Winkler J., Stolz W., Deinlein T., et al. 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):137-43. doi: 10.1016/j.annonc.2019.10.013.
  5. Fink C., Blum A., Buhl T., Mitteldorf C., Hofmann-Wellenhof R., Deinlein T., et al. Diagnostic performance of a deep learning convolutional neural network in the differentiation of combined naevi and melanomas. J Eur Acad Dermatol Venereol. 2020;34(6):1355-61. doi: 10.1111/jdv.16165.
  6. 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. doi: 10.1016/j.ejca.2019.11.020.
  7. Phillips M., Marsden H., Jaffe W., Matin R.N., Wali G.N., Greenhalgh J., et al. Assessment of accuracy of an artificial intelligence algorithm to detect melanoma in images of skin lesions. JAMA Netw Open. 2019;2(10):e1913436. doi: 10.1001/jamanetworkopen.2019.13436.
  8. Cui X., Wei R., Gong L., Qi R., Zhao Z., Chen H., et al. Assessing the effectiveness of artificial intelligence methods for melanoma: A retrospective review. JAAD. 2019;81(5):1176-80. doi: 10.1016/j.jaad.2019.06.042.
  9. MacLellan A.N., Price E.L., Publicover-Brouwer P., Matheson K., Ly T.Y., Pasternak S., et al. The Use of Non-Invasive Imaging Techniques in the Diagnosis of Melanoma: A Prospective Diagnostic Accuracy Study. J Am Acad Dermatol. 2020:S0190-9622(20)30559-4. doi: 10.1016/j.jaad.2020.04.019.
  10. Sergeeva M., Sergeev V. On the Russian advances in global teledermoscopy. Oral and Poster Presentations from the XII International Congress of Dermatology April 18-22, 2017. Buenos Aires, Argentina. Abst. 0241. Inter J Dermatol. 2017;56:1268-9. doi: 10.1111/ijd.13720.
  11. Neretin E.Yu., Sergeev V.Yu. Use of machine vision in the dermatoscopic diagnosis of melanoma. Dermatol Pract Concept. 2015;5(2):137-270.
  12. Сергеев В.Ю., Сергеев Ю.Ю., Тамразова О.Б., Никитаев В.Г., Проничев А.Н. Вопросы внедрения современных методов автоматизированной диагностики новообразований кожи в клиническую практику // Медицинский алфавит. 2020;(6):76-8. doi: 10.33667/2078-5631-2020-6-76-78.
  13. Сергеев В.Ю., Сергеев Ю.Ю., Тамразова О.Б., Никитаев В.Г., Проничев А.Н. Автоматизированная диагностика новообразований в дерматологии с применением дистанционных технологий // Медицинская техника. 2019;(3):32-3.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО "Эко-Вектор", 2020


 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».