Введение. Злокачественные новообразования кожи являются одной из наиболее актуальных проблем современного здравоохранения, характеризующейся устойчивым ростом заболеваемости. Особую сложность представляет ранняя диагностика начальных форм меланомы врачами первичного звена, не обладающими навыками дерматоскопии.
Цель исследования заключалась в разработке и валидации методики скринингового обследования с применением мобильной дерматоскопии и алгоритмов машинного обучения для ранней дифференциальной диагностики новообразований кожи.
Материалы и методы. Для обучения нейронных сетей был сформирован объединенный набор данных, включающий 24 765 дерматоскопических снимков из репозитория ISIC-2019 и 657 клинически верифицированных изображений, собранных авторами и учитывающих фототипы кожи населения России. Для получения собственных данных использовался разработанный оптический модуль-насадка на смартфон. Программная часть системы реализована в облачной архитектуре с использованием модели глубокого обучения Vision Transformer (ViT). Исследована эффективность двух режимов анализа: многоклассовой классификации (8 классов) и каскадной бинарной классификации (последовательное разделение на меланоцитарные/немеланоцитарные образования и дифференциация меланомы/невуса).
Результаты. Экспериментальная оценка показала преимущество каскадной стратегии. Точность (Accuracy) модели на критически важном этапе дифференциации меланомы и невуса составила 0,964 (F-мера 0,951), что превышает показатели многоклассового подхода (Accuracy 0,932). В ходе клинической апробации на выборке из более 200 пациентов было выявлено 9 случаев меланомы и 6 случаев базальноклеточной карциномы. Сопоставление результатов работы системы с заключениями экспертов-онкологов продемонстрировало совпадение диагнозов в 89% случаев.
Выводы. Предложенная интеллектуальная система поддержки принятия решений (СППВР) на основе мобильной дерматоскопии обеспечивает высокую диагностическую точность, сопоставимую с экспертной. Внедрение методики в практику врачей первичного звена позволит повысить онконастороженность, доступность скрининга и эффективность маршрутизации пациентов в специализированные онкологические учреждения.
