Этапы обучения нейросетей классификации и детекции новообразований кожи

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Обоснование. В последние годы нейросети стали неотъемлемой частью многих областей, включая медицину, однако эффективность этих моделей напрямую зависит от качества базы, на которой они обучаются. Создание и поддержание качественной обучающей базы является критически важным этапом в процессе разработки нейросетей.

Цель исследования ― определить этапы обучения нейросетей для достижения высокой чувствительности и специфичности их работы в области распознавания новообразований кожи.

Материалы и методы. На первом этапе исследования сформирована база данных фотографических изображений новообразований кожи для первичного обучения нейросети классификации изображений. С этой целью в период с 2017 по 2019 год собрано 7680 цифровых изображений от 6892 пациентов с диагнозами, верифицированными с помощью патоморфологического исследования в 5316 (69,22%) случаях, с помощью дерматоскопического и клинического исследования ― в 2364 (30,78%). Создан массив данных (датасет) из 7680 верифицированных клинических изображений новообразований кожи, из них 1680 изображений составили тестовую выборку для анализа эффективности модели. Показатели эффективности нейросети классификации «а» (НСКа): чувствительность (Se) 70,47%; специфичность (Sp) 79,86%; диагностическая точность (Ac) 74,68%. В связи с низкими показателями чувствительности и специфичности был проведён дополнительный раунд обучения; разработаны методы контроля качества изображения; созданы нейросеть детекции и нейросеть классификации «б» (НСКб) после второго раунда обучения нейросети.

Результаты. Нейросеть, обученная на верифицированном наборе клинических изображений доброкачественных и злокачественных новообразований кожи и прошедшая раунды обучения, работает с чувствительностью 85,32–86,97% и специфичностью 87,59–88,92%, что превышает чувствительность и специфичность диагностики новообразований кожи врачами неонкологических специальностей при обследовании невооружённым глазом и позволяет предложить данный инструмент для проведения популяционного скрининга. После дообучения нейросети, создания НСКб и нейросети детекции, разработки методов контроля качества изображения наблюдался рост показателей чувствительности и специфичности работы нейросети.

Заключение. Использование искусственного интеллекта в качестве помощника врача предъявляет достаточно высокие требования к параметрам работы нейросети. Механическое обучение даже на большом объёме верифицированных данных не позволило достичь желаемых результатов. Для улучшения параметров выполнен дополнительный раунд обучения, разработаны методы контроля качества изображения, созданы нейросети детекции и второй НСКб. В результате обученная нейросеть имеет чувствительность 85,32–86,97% и специфичность 87,59–88,92%, что позволяет предложить её в качестве инструмента для популяционного скрининга.

Полный текст

Доступ закрыт

Об авторах

Ксения Александровна Ускова

Приволжский исследовательский медицинский университет

Автор, ответственный за переписку.
Email: k_balyasova@bk.ru
ORCID iD: 0000-0002-1000-9848
SPIN-код: 1408-3490
Россия, Нижний Новгород

Вениамин Иосифович Дардык

ООО «АИМЕД»

Email: ben@aimedpro.ru
ORCID iD: 0000-0002-1473-6241
Россия, Москва

Оксана Евгеньевна Гаранина

Приволжский исследовательский медицинский университет

Email: oksanachekalkina@yandex.ru
ORCID iD: 0000-0002-7326-7553
SPIN-код: 6758-5913

канд. мед. наук, доцент

Россия, Нижний Новгород

Игорь Евгеньевич Синельников

ООО «Меланома Юнит»

Email: sinelnikov.igor@gmail.com
ORCID iD: 0000-0002-1015-472X
SPIN-код: 3123-9969

канд. мед. наук

Россия, Москва

Сергей Викторович Гамаюнов

Нижегородский областной клинический онкологический диспансер

Email: gamajnovs@mail.ru
ORCID iD: 0000-0002-0223-0753
SPIN-код: 9828-9522

д-р мед. наук

Россия, Нижний Новгород

Игорь Вячеславович Самойленко

Национальный медицинский исследовательский центр онкологии имени Н.Н. Блохина

Email: i.samoylenko@ronc.ru
ORCID iD: 0000-0001-7150-5071
SPIN-код: 3691-8923

канд. мед. наук

Россия, Москва

Дарья Григорьевна Лучинина

Республиканский кожно-венерологический диспансер

Email: luchininadg@mail.ru
ORCID iD: 0000-0002-4482-1252
SPIN-код: 7623-7151
Россия, Йошкар-Ола

Анна Михайловна Миронычева

Приволжский исследовательский медицинский университет

Email: mironychevann@gmail.com
ORCID iD: 0000-0002-7535-3025
SPIN-код: 3431-7447
Россия, Нижний Новгород

Яна Леонидовна Степанова

Приволжский исследовательский медицинский университет

Email: stepanova.ya09@yandex.ru
ORCID iD: 0009-0004-9228-7770
SPIN-код: 3368-8554
Россия, Нижний Новгород

Ирина Александровна Клеменова

Приволжский исследовательский медицинский университет

Email: iklemenova@mail.ru
ORCID iD: 0000-0003-1042-8425
SPIN-код: 8119-2480

д-р мед. наук, профессор

Россия, Нижний Новгород

Ирена Леонидовна Шливко

Приволжский исследовательский медицинский университет

Email: irshlivko@gmail.com
ORCID iD: 0000-0001-7253-7091
SPIN-код: 8301-4815

д-р мед. наук, доцент

Россия, Нижний Новгород

Список литературы

  1. Abbasov IB, Deshmukh RR. Application of artificial intelligence for medical imaging. Mezhdunarodnyi nauchno-issledovatel’skii zhurnal. 2021;(12-1):43–49. doi: 10.23670/IRJ.2021.114.12.005 EDN: QGKKCU
  2. De A, Sarda A, Gupta S, Das S. Use of artificial intelligence in dermatology. Indian J Dermatol. 2020;65(5):352–357. doi: 10.4103/ijd.IJD_418_20
  3. Uskova KA, Garanina OE, Ukharov AO, et al. Artificial intelligence as a tool for population screening of skin tumors. Effective pharmacotherapy. 2024;20(1):62–71. doi: 10.33978/2307-3586-2024-20-1-62-71 EDN: RIDZDV
  4. Harskamp RE, de Vijlder HC, Bekkenk MW. [Smartphone apps for self-diagnosis of skin cancer. (In Dutch)]. Ned Tijdschr Geneeskd. 2022;166:D5986.
  5. Li Z, Koban KC, Schenck TL, et al. Artificial intelligence in dermatology image analysis: Current developments and future trends. J Clin Med. 2022;11(22):6826. doi: 10.3390/jcm11226826 EDN: PFUTYM
  6. Caffery LJ, Janda M, Miller R, et al. Informing a position statement on the use of artificial intelligence in dermatology in Australia. Australas J Dermatol. 2023;64(1):e11–e20. doi: 10.1111/ajd.13946 EDN: TXYOWT
  7. Meshcheryakova AM, Akopyan EA, Slinin AS. Artificial intelligence in medical imaging. Main objectives and development scenarios. Russian journal of telemedicine and E-Health. 2018;(3):98–102. EDN: YWZVLN
  8. Erkal EY, Akpınar A, Erkal HŞ. Ethical evaluation of artificial intelligence applications in radiotherapy using the Four Topics Approach. Artif Intell Med. 2021;115:102055. doi: 10.1016/j.artmed.2021.102055 EDN: VCFHPD
  9. Nogales A, García-Tejedor ÁJ, Monge D, et al. A survey of deep learning models in medical therapeutic areas. Artif Intell Med. 2021;112:102020. doi: 10.1016/j.artmed.2021.102020 EDN: PWJSKR
  10. Pai VV, Pai RB. Artificial intelligence in dermatology and healthcare: An overview. Indian J Dermatol Venereol Leprol. 2021;87(4):457–467. doi: 10.25259/IJDVL_518_19 EDN: QTHEZX
  11. Muthukrishnan N, Maleki F, Ovens K, et al. Brief history of artificial intelligence. Neuroimaging Clin N Am. 2020;30(4):393–399. doi: 10.1016/j.nic.2020.07.004 EDN: UWNULY
  12. Meldo AA, Utkin LV, Trofimova TN, et al. Novel approaches to development of artificial intelligence algorithms in the lung cancer diagnostics. Diagnostic radiology and radiotherapy. 2019;(1):8–18. doi: 10.22328/2079-5343-2019-10-1-8-18 EDN: ZHUVML
  13. El-Azhary RA. The inevitability of change. Clin Dermatol. 2019;37(1):4–11. doi: 10.1016/j.clindermatol.2018.09.003
  14. Database RU 2021620654/09.02.2021. Application number 2021620162. Burdakov AV, Ukharov AO, Dardyk VI, Shlivko IL. Database of images and results of diagnostics of skin neoplasms. Available from: https://www.elibrary.ru/item.asp?id=45805269. Accessed: Jan 15, 2025. (In Russ.) EDN: OFLCNP
  15. Piccolo D, Ferrari A, Peris K, et al. Dermoscopic diagnosis by a trained clinician vs. a clinician with minimal dermoscopy training vs. computer-aided diagnosis of 341 pigmented skin lesions: A comparative study. Br J Dermatol. 2002;147(3):481–486. doi: 10.1046/j.1365-2133.2002.04978.x

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Дизайн исследования. Этапы обучения классификации и детекции новообразований кожи и анализ работы нейросетей. НС ― нейросеть. Источник: Ускова К.А. и соавт., 2025.

Скачать (912KB)
3. Рис. 2. Классификация обучающего датасета. Источник: Ускова К.А. и соавт., 2025.

Скачать (270KB)
4. Рис. 3. Примеры клинических изображений базальноклеточного рака кожи, меланомы, невусов и себорейной кератомы. Источник: Ускова К.А. и соавт., 2025.

Скачать (532KB)
5. Рис. 4. Пример работы нейросетевой детекции, когда на изображении присутствует более одного новообразования. Источник: Ускова К.А. и соавт., 2025.

Скачать (386KB)

© Эко-Вектор, 2025

Ссылка на описание лицензии: https://eco-vector.com/for_authors.php#07

СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 86501 от 11.12.2023 г
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ЭЛ № ФС 77 - 80653 от 15.03.2021 г
.