Раннее выявление и мониторинг кожных заболеваний с помощью искусственного интеллекта: интегрированные архитектуры, алгоритмы и перспективы клинического внедрения
DOI:
https://doi.org/10.5281/zenodo.20614869Ключевые слова:
искусственный интеллект, дерматология, кожные заболевания, меланома, псориаз, экзема, сегментация, классификация, кластеризация, мультимодальные модели, мониторингАннотация
В статье представлена расширенная научная версия обзора и проектной архитектуры интеллекту-
альной системы для ранней диагностики и динамического мониторинга кожных заболеваний. На основе анализа
современных публикаций и исходного текста статьи сформирована интегрированная концепция, объединяющая
сегментацию очага поражения, классификацию нозологий, кластерный анализ скрытых подтипов, мультимо-
дальную фузию изображений и клинических признаков, временное прогнозирование и объяснимый вывод для
врача. Показано, что наибольший потенциал для клинического внедрения имеют гибридные системы, сочета-
ющие CNN/ViT-модели, U-Net-подобные сегментационные сети, временные модули LSTM/Transformer, а также
методы Grad-CAM и attention-карт для интерпретации решений. Предложены формальная постановка задачи,
математическая модель, блок-схемы и алгоритмы полного цикла – от поступления изображения до формиро-
вания клинического отчёта. Отдельно рассмотрены ограничения, связанные с дисбалансом данных, фототипами
кожи, внешней валидацией и регуляторными требованиями.
Библиографические ссылки
1. World Health Organization. Skin diseases as a global public health priority. WHO Executive Board document
EB156(24), 2025.
2. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks.
Nature. 2017. Vol. 542. P. 115–118.
3. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: MICCAI
2015. Lecture Notes in Computer Science. Vol. 9351. P. 234–241.
4. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. Proc. CVPR. 2016. P. 770–778.
5. Tan M., Le Q. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Proc. ICML. 2019. P. 6105–
6114.
6. Dosovitskiy A., Beyer L., Kolesnikov A. et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at
Scale. ICLR. 2021.
7. Selvaraju R.R., Cogswell M., Das A. et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based
Localization. Proc. ICCV. 2017. P. 618–626.
8. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780.
9. Ester M., Kriegel H.-P., Sander J., Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases
with Noise. Proc. KDD. 1996. P. 226–231.
10. MacQueen J. Some Methods for Classification and Analysis of Multivariate Observations. Proc. Berkeley Symp. Math.
Statist. Prob. 1967. Vol. 1. P. 281–297.
11. Choy S.P., Brown S.J., Mowbray N.G. et al. Systematic review of deep learning image analyses for the diagnosis and
monitoring of skin disease. npj Digital Medicine. 2023. Vol. 6. Article 198.
12. Groh M., Harris C., Soenksen L.R. et al. Deep learning-aided decision support for diagnosis of skin disease across skin
tones. Nature Medicine. 2024. Vol. 30. P. 393–402.
13. Nahm W.J., Omiye J.A., Gui H. et al. Artificial Intelligence in Dermatology: A Comprehensive Review of Approved
Applications, Clinical Implementation, and Future Directions. Archives of Dermatological Research. 2025.
14. Venkatesh K.P., Wang J.V., Keller M. et al. Deep learning models across the range of skin disease. npj Digital Medicine.
2024. Vol. 7.
15. Liopyris K., Gregoriou S., Dias J., Stratigos A.J. Artificial intelligence in dermatology: challenges and perspectives.
Dermatology and Therapy. 2022. Vol. 12. P. 2637–2651.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 MAKTABGACHA VA MAKTAB TA’LIMI JURNALI
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
