Ключевые слова
Как цитировать
Аннотация
Введение. Десятилетие назад искусственный интеллект (ИИ), в частности нейронные сети (НС), как диагностическая опция в практике врача казался лишь отдаленной перспективой. На сегодняшний день применение ИИ во всех сферах клинической и фундаментальной медицины является все более востребованным и ежедневно совершенствующимся подходом.
Цель исследования. Разработка НС и ее обучение распознаванию четырех типов доброкачественных меланоцитарных новообразований кожи, интеграция искусственного интеллекта в мобильное приложение.
Материал и методы. 600 пациентам детского возраста были проведены клиническое и дерматоскопическое исследования новообразований кожи. У части пациентов (n=65) элементы были удалены и патоморфологически верифицированы. В 43% (n=28) был выявлен дермальный невус, в 33,8% (n=22) ― сложный невус, в 10,8% (n=7) ― пиогенная гранулема, в 6,2% (n=4) ― невус Шпиц, по 3,1% (n=2) были вариантами голубой невус и меланома кожи. Семь пациентов с пиогенными гранулемами и 2 с меланомой были исключены из тестовой выборки во время обучения НС. В обучающей выборке была проведена аугментация, тем самым, база была увеличена с 600 до 1800 изображений. НС написана на языке программирования Python с использованием фрэймворка для машинного обучения TensorFlow 2.0. Архитектура сети основана на предварительно обученной модели «EfficientNet B7» с применением парадигмы «обучения с учителем».
Результаты. После периода обучения на тестовой когорте достигнута 83 % точность распознавания четырех типов меланоцитарных невусов. Несмотря на ограниченную выборку, чувствительность метода в зависимости от класса новообразования составила 100% (голубой невус), 73% (сложный невус), 93% (дермальный невус) и 75% (невус Шпиц), специфичность ― 98, 94, 82 и 98% соответственно. Помимо разработки и обучения искусственный интеллект интегрирован в мобильное приложение «KIDS NEVI», что обеспечило практическое применение метода.
Заключение. ИИ в качестве вспомогательного метода диагностики меланоцитарных новообразований кожи у детей и подростков продемонстрировал высокий потенциал. Несмотря на ограниченную выборку, в настоящем исследовании представлены большие достижения в информативности данной диагностической методики.
Библиографические ссылки
Zalaudek I, Hofmann-Wellenhof R, Kittler H et al. A Dual Concept of Nevogenesis: Theoretical Considerations Based on Dermoscopic Features of Melanocytic Nevi // J Dtsch Dermatol Ges. 2007;5(11):98–92. doi:10.1111/j.1610-0387.2007.06384
Schaffer J. Update on melanocytic nevi in children // Clin Dermatol. 2015;33(3):368–86. doi:10.1016/j.clindermatol.2014.12.015
Haliasos H, Zalaudek I, Malvehy J et al. Dermoscopy of Benign and Malignant Neoplasms in the Pediatric Population // Semin Cutan Med Surg. 2010;29(4):218–31. doi:10.1016/j.sder.2010.10.003
Кулева C.А., Хабарова Р.И. Диагностическая информативность дерматоскопического паттерна новообразований кожи у детей и подростков // Российский журнал детской гематологии и онкологии. 2021;8(4):14–19. doi:10.21682/2311-1267-2021-8-4-14-19 [Kulyova SA, Khabarova RI. Diagnostic informativeness of the dermatoscopic pattern of skin neoplasms in children and adolescents // Russian Journal of Pediatric Hematology and Oncology. 2021;8(4):14–19 (In Russ.)]. doi:10.21682/2311-1267-2021-8-4-14-19
Currie G, Elizabeth H, Rohren E. Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging // J Med Imaging Radiat Sci. 2019;50(4):477–487. doi:10.1016/j.jmir.2019.09.005
Мерабишвили В.М. Злокачественная меланома. Эпидемиология, аналитические показатели эффективности деятельности онкологической службы (популяционное исследование) // Вопросы онкологии. 2017;63(2):221–233 [Merabishvili VM. Malignant melanoma. Epidemiology, analytical indicators of the effectiveness of the oncological service (population / population-based study) // Voprosy oncologii. 2017;63(2):221–233].
Барчук А.А., Арсеньев А.И., Беляев А.М. и др. Эффективность скрининга онкологических заболеваний // Вопросы онкологии. 2017;63(4):557–567 [Barchuk AA, Arseniev AI, Belyaev AM et al. Efficiency of cancer screening // Voprosy oncologii. 2017;63(4):557–567 (In Russ.)].
Ferrari A, Brecht I, Gatta G. et al. Definding and listing very rare cancers of periadric age: consensus of the Joint Action on Rare Cancers in cooperation with the European Cooperative Study Group for Pediatric rare tumors // Current Perspective. 2019;110(1):120–126. doi:10.1016/j.ejca.2018.12.031
Zukotynski K, Gaudet V, Uribe CF. Machine Learning in Nuclear Medicine: Part 2-Neural Networks and Clinical Aspects // J Nucl Med. 2021;62(1):22–29. doi:10.2967/jnumed.119.231837
Le Cun Y, Bengio Y, Hinton G. Deep Learning // Nature. 2015:521:436–444. doi:10.1038/nature14539
Барчук А.А., Подольский М.Д., Беляев А.М. и др. Автоматизированная диагностика в популяционном скрининге рака легкого // Вопросы онкологии. 2017;63(2):215–220 [Barchuk AA, Podolsky MD, Belyaev AM et al. Automated computer-assisted diagnostics in population-based lung cancer screening // Voprosy oncologii. 2017;63(2):215–220 (In Russ.)].
Shimizu H, Nakayama KI. Artificial intelligence in oncology // Cancer Sci. 2020;111:1452–1460. doi:10.1111/cas.14377
Bhinder B, Gilvary C, Madhukar NS, Elemento O. Cancer Discov. 2021;11(4):900–915. doi:10.1158/2159-8290
Tschandl P. Artificial intelligence for melanoma diagnosis // Ital J Dermatol Venereol. 2021;156:289–99. doi:10.23736/S2784-8671.20.06753
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
© АННМО «Вопросы онкологии», Copyright (c) 2022