О нас

Оценена точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с применением программы компьютерного зрения на основе ИИ. Анализ фотоизображений меланоцитарных опухолей с оценкой чувствительности, специфичности и точности. Программа продемонстрировала высокие показатели точности диагностики злокачественных меланоцитарных опухолей с чувствительностью ≥85%. Применение ИИ-программы позволяет повысить точность предварительной диагностики меланоцитарных опухолей кожи в клинической практике.

Оценена точность предварительной дифференциальной диагностики эпидермальных новообразований кожи с применением программы Derma Onko Check. Анализ n=151 фотоизображения немеланоцитарных новообразований. Программа Derma Onko Check показала точность 0,868 на датасете немеланоцитарных новообразований. После применения модуля коррекции изображений точность возросла до 0,882. Программа эффективна для предварительной дифференциальной диагностики эпидермальных опухолей кожи.

Оценена эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы Derma Onko Check. Программа Derma Onko Check продемонстрировала высокую точность дифференциальной диагностики. Точность — 0,909, чувствительность — 0,949, специфичность — 0,901 на меланоцитарном датасете (n=230). Применение Derma Onko Check обосновано как инструмент поддержки принятия клинических решений на этапе первичного приёма.

Разработан и апробирован алгоритм маршрутизации пациентов на основе заключений программы Melanoma Check при дифференциальной диагностике новообразований кожи. Анализ меланоцитарных новообразований с применением Melanoma Check; порог маршрутизации 62%. Алгоритм обеспечил снижение числа пропущенных случаев меланомы; при высоком уровне риска пациент направляется к онкологу в приоритетном порядке. Алгоритм маршрутизации на основе Melanoma Check клинически обоснован и рекомендован для внедрения.

Оценены возможности применения программы компьютерного зрения на основе ИИ для диагностики меланомы кожи на независимой тестовой выборке. Программа компьютерного зрения продемонстрировала чувствительность ≈100% в выявлении меланомы при точности диагностики злокачественных образований ≈89,7%. Применение ИИ-программы для диагностики меланомы кожи клинически обосновано и может использоваться как инструмент поддержки принятия решений врачом.

Цель: разработать алгоритм маршрутизации пациентов при использовании двух ИИ-программ — Derma Onko Check и Melanoma Check. Материал и методы: моделирование сценариев маршрутизации с применением двух параллельных программ компьютерного зрения; анализ клинических данных пациентов с новообразованиями кожи. Результаты: сочетанное применение программ позволяет снизить долю ложноотрицательных заключений и повысить выявляемость злокачественных новообразований на 1,9 раза по сравнению со стандартной диагностикой. Заключение: алгоритм сочетанного применения двух ИИ-программ рекомендован для практического использования на первичном приёме.

Ранее проведённый анализ причин ошибочной классификации меланоцитарных и немеланоцитарных новообразований кожи программами компьютерного зрения на основе моделей ИИ Derma Onko Check и Melanoma Check выявил систематические отклонения в метриках качества фотоизображений в группах ложноположительных и ложноотрицательных заключений. Выявлены основные причины ошибочной классификации: пересвет (более 55% пикселей), низкая контрастность, неоптимальный баланс белого. Устранение этих отклонений посредством коррекции параметров фотоизображений является закономерным следующим шагом для повышения диагностической точности систем на основе ИИ.

Проведён сравнительный анализ эффективности сверточных нейронных сетей (CNN) и визуальных трансформеров (Vision Transformer, ViT) в задачах диагностики опухолей кожи в составе программ компьютерного зрения. Сравнение архитектур на унифицированных датасетах по показателям точности, чувствительности, специфичности, AUC-ROC. CNN и ViT демонстрируют сопоставимую эффективность; ViT показывают преимущество при обработке изображений высокого разрешения. Выбор архитектуры зависит от клинических задач и характеристик датасета.

Разработан и апробирован клинический алгоритм маршрутизации пациентов на основе заключений программы Derma Onko Check. Моделирование маршрутизации: 381 пациент с ЗНО и ДНО кожи; порог маршрутизации 62%. Выявление ЗНО кожи увеличилось в 1,9 раза, пропущенные случаи ЗНО снизились в 10,5 раза по сравнению со стандартной диагностикой. Алгоритм маршрутизации на основе Derma Onko Check эффективен и рекомендован для первичного звена здравоохранения.

Оценена точность предварительной диагностики доброкачественных и злокачественных меланоцитарных опухолей кожи с применением программы Derma Onko Check для смартфона. Независимая тестовая выборка n=230 меланоцитарных новообразований; порог маршрутизации 62%. Точность — 0,909 (после коррекции — 0,926), чувствительность — 0,949 (после коррекции — 0,961), специфичность — 0,901 (после коррекции — 0,919). Программа Derma Onko Check обеспечивает высокую точность предварительной диагностики меланоцитарных опухолей кожи.

Способ разработан на основе моделирования двух сценариев диагностической маршрутизации (с применением заключений программ ИИ и без него) с использованием данных 381 пациента со злокачественными и доброкачественными новообразованиями кожи. Валидация проведена на примере заключений программы ИИ Derma Onko Check с порогом алгоритма маршрутизации 62%. Применение алгоритмов диагностики на основе заключений программы ИИ Derma Onko Check продемонстрировало высокую медико-экономическую эффективность. Коэффициент соотношения финансовых затрат составил 0,49 — снижение на 51% общих финансовых затрат на диагностику. Предотвратимые затраты снизились на 59%, потенциально предотвратимые — на 51%.

Для каждого фотоизображения вычислялся набор из 13 фотометрических и текстурных метрик. Разработан модуль на языке Python, реализующий независимую коррекцию отклоняющихся параметров: баланс белого, гамма-коррекцию, адаптивную обработку контрастности, маску нерезкости. Применение модуля коррекции обеспечило улучшение показателей диагностической точности. При валидации программы Derma Onko Check на датасете меланоцитарных новообразований (n=230) точность повысилась с 0,909 до 0,926 (+0,017), чувствительность — с 0,949 до 0,961 (+0,012), специфичность — с 0,901 до 0,919 (+0,019). При валидации Melanoma Check точность возросла с 0,844 до 0,857 (+0,014). Разработанный модуль обеспечивает устойчивое и воспроизводимое улучшение диагностической точности.

Проведено моделирование двух сценариев маршрутизации при диагностике злокачественных и доброкачественных новообразований кожи: с применением алгоритмов на основе заключений модели ИИ Derma Onko Check и стандартная маршрутизация. Данные: 90 пациентов с ЗНО кожи (39 меланом и 51 базалиома) и 291 пациент с ДНО кожи. Разработано приложение CalcRDAI&RNDAI для автоматизированного расчёта. При апробации с использованием алгоритмов на основе Derma Onko Check отмечается увеличение выявления случаев ЗНО кожи в 1,9 раза, снижение пропущенных случаев ЗНО кожи в 10,5 раза. Результаты располагаются в квадранте I (выявляется больше, пропускается меньше).

Оценена эффективность предварительной диагностики доброкачественных опухолей из сосудистой и фиброзной тканей кожи с применением программы Derma Onko Check. Анализ фотоизображений гемангиом, ангиофибром и других сосудистых/фиброзных опухолей. Программа Derma Onko Check показала приемлемые показатели точности в классификации опухолей из сосудистой и фиброзной тканей. Результаты подтверждают применимость программы для дифференциальной диагностики данных нозологий.

Проведено сравнение точности классификации опухолей кожи программами ИИ при использовании изображений, полученных с применением цифровых зеркальных фотокамер и камер смартфонов. Сравнительный анализ фотоизображений с зеркальных камер и смартфонов на одной и той же выборке пациентов. Статистически значимых различий в точности классификации при использовании зеркальных камер и смартфонов не выявлено при соблюдении условий фотографирования. Смартфоны являются приемлемым инструментом для фотодокументирования новообразований кожи в рамках ИИ-диагностики.

Статья посвящена анализу этапов развития и современных направлений исследований искусственного интеллекта (ИИ) в сфере здравоохранения и медицины, а также его практического применения на материале научных публикаций в базах PubMed/MEDLINE, Scopus, Web of Science, Embase, eLibrary и КиберЛенинка. Показана динамика количества научных публикаций об ИИ в здравоохранении и медицине, а также приведен анализ роста инвестиций в разработку программного обеспечения, основанного на ИИ, в последние годы. ИИ может достигать сопоставимой точности в диагностике заболеваний в сравнении с врачами. Однако будущие исследования должны быть сосредоточены на сравнении клинических результатов диагностики и лечения, проводимых врачами, которые принимают решения на основе ИИ, с результатами клинической работы врачей, не использующих ИИ. В работе подчёркнута важность подготовки специалистов, способных сочетать знания в области медицины с навыками применения ИИ.

Цель: изучить возможности применения искусственного интеллекта (ИИ) в клинической медицине и здравоохранении, а также определить перспективы его внедрения для улучшения диагностики, лечения и управления медицинскими данными. Проведен анализ литературы по основным терминам и понятиям ИИ, его классификации по области применения, технологиям и методологиям. Рассмотрены методы обучения, такие как обучение «с учителем», «без учителя» и с подкреплением, а также примеры использования ИИ в различных областях медицины, включая диагностику заболеваний и персонализированную медицину. ИИ демонстрирует значительный потенциал в улучшении диагностики, оптимизации лечебных процессов и управлении ресурсами здравоохранения. Несмотря на существующие сложности, внедрение ИИ в медицину имеет большие перспективы, включая улучшение точности диагностики, сокращение времени на выполнение задач и развитие персонализированной медицины.

Систематический анализ эффективности применения ИИ в клинической медицине на основе обзора клинических исследований. ИИ-системы демонстрируют высокую диагностическую точность, сопоставимую или превосходящую результаты врачей в ряде специальностей, особенно в анализе изображений. Внедрение ИИ в клиническую практику экономически обосновано и клинически эффективно при соблюдении условий валидации систем.

Проведён обзор мирового опыта применения ИИ в онкологии. Систематический обзор научных публикаций в международных базах данных по направлениям: анализ медицинских изображений, поддержка принятия решений, геномика, персонализированная терапия. ИИ демонстрирует сопоставимую или превосходящую точность диагностики по сравнению с врачами в ряде онкологических нозологий. Широкое внедрение ИИ в онкологию перспективно; необходима стандартизация протоколов валидации.

Проведён сравнительный анализ программ компьютерного зрения на основе моделей машинного обучения, применяемых в дерматовенерологии. Обзор и систематизация публикаций о программах компьютерного зрения для диагностики кожных заболеваний. Большинство программ компьютерного зрения демонстрируют точность диагностики кожных новообразований 80–95%; отечественные разработки не уступают зарубежным аналогам. Применение программ компьютерного зрения в дерматовенерологии клинически обосновано.

Проведён систематический обзор мобильных приложений на основе моделей ИИ, применяемых в дерматовенерологии для диагностики кожных заболеваний. Проведён анализ функциональных возможностей и диагностической точности. Большинство мобильных приложений на основе CNN демонстрируют точность диагностики кожных новообразований в диапазоне 75–93%. Мобильные ИИ-приложения перспективны для применения в первичном звене медицинской помощи.

Проведён обзор международных и национальных нормативных документов (GDPR, AI Act, FDA, NMPA), научных публикаций, клинических примеров и регуляторных инициатив (IMDRF, WHO). Выявлены значительные различия в подходах к регулированию ИИ: гибкость в США, этикоцентричность в ЕС, централизация в Китае и формирующаяся база в России. Обозначены ключевые проблемы: предвзятость алгоритмов, прозрачность ИИ, ответственность, конфликт инноваций и безопасности. Необходима гармонизация международных стандартов, внедрение динамического регулирования и усиление междисциплинарного сотрудничества для баланса между инновациями и защитой прав пациентов.

Способ дифференциальной диагностики меланомы кожи и доброкачественных новообразований с применением программы компьютерного зрения на основе модели ИИ.

Способ дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с использованием мультимодельной системы ИИ.

Мультимодельная система поддержки принятия клинических решений — основная программа DermaCheck. Шесть моделей ИИ работают параллельно, формируя консенсус.

Система поддержки принятия клинических решений. Содержит модуль нормализации фотоизображений, блок классификации CNN, алгоритмы маршрутизации. Язык: Java, Python.

Автоматизированный расчёт показателей эффективности диагностики с применением алгоритмов ИИ. Визуализация результатов в виде квадрантной матрицы. Разработано для оценки МЭЭ диагностических алгоритмов.

Автоматизированный расчёт МЭЭ диагностики с ИИ. Рассчитывает коэффициент финансовых затрат, стоимость выявления случая. Язык: Java.

Обновлённая версия программы компьютерного зрения для визуальной идентификации злокачественных и доброкачественных опухолей кожи.

Обновлённая версия программы для визуальной идентификации меланомы кожи.

Обновлённая версия программы компьютерного зрения для визуальной идентификации злокачественных и доброкачественных опухолей кожи.

Программа для автоматизированного анализа и интерпретации электрокардиограмм на основе ИИ.

Программа компьютерного зрения для визуальной идентификации меланомы кожи на основе CNN.

Программа компьютерного зрения для визуальной идентификации злокачественных и доброкачественных новообразований кожи на основе CNN.

Машинное обучение (логистическая регрессия) для определения вероятности выявления серологических маркеров целиакии при IgA-нефропатии. Анализирует 8 ключевых признаков из 80.

Базовая версия программы на основе машинного обучения для определения вероятности выявления серологических маркеров целиакии при IgA-нефропатии.

Программа для установления предварительного и заключительного диагноза на основе CNN. Анализирует жалобы, анамнез, симптомы, результаты исследований.

900 WSI (50000 dpi при ×20) гистологических микропрепаратов новообразований кожи. Формат HDF5 с метаданными. Меланома, невус, рак базально-клеточный и плоскоклеточный и др.

База данных оригинальных полнослайдовых WSI-изображений гистологических микропрепаратов новообразований кожи для обучения моделей ИИ.

База данных фотоизображений новообразований кожи с клиническими характеристиками образований и параметрами фотографирования для обучения и валидации моделей ИИ.

База данных изображений новообразований кожи для использования в научной и образовательной деятельности, обучении моделей ИИ.