В эпоху цифровизации дерматовенерология переживает настоящую революцию: мобильные приложения на основе моделей искусственного интеллекта (ИИ) позволяют пациентам и врачам быстро анализировать кожные образования с использованием смартфона. От скрининга рака кожи до мониторинга хронических заболеваний – инструменты на основе ИИ обещают сделать диагностику доступной и оперативной. Но насколько они надежны?
Дерматовенерология идеально подходит для применения программ компьютерного зрения благодаря визуальной природе диагностики. С развитием карманных персональных компьютеров (КПК) – смартфонов приложения стали мощным помощником: пациенты могут загружать фото родинок, других образований или сыпи, а модели с алгоритмами на основе сверточных нейронных сетей (англ. Convolutional Neural Networks, CNN) анализируют их за секунды, предлагая предварительные выводы [1–3]. Это особенно актуально для раннего выявления меланомы и других новообразований. ИИ оказал революционное влияние на диагностику кожных заболеваний [4, 5].
Применение нейронных сетей
Компьютерное зрение (англ. computer vision, CV) – ключевой инструмент в анализе медицинских изображений. Основные задачи: классификация (определение типа поражения), детекция (обнаружение объектов) и сегментация (выделение границ). Чаще всего используется классификация – она проста, точна и не требует идеального качества фото [6–8]. CNN обрабатывают изображения слой за слоем, выявляя сложные паттерны, что позволяет диагностировать заболевания с точностью, сопоставимой с экспертными оценками [9].
Программы для электронно-вычислительных машин (ЭВМ) – мобильные приложения для КПК – на основе моделей ИИ в дерматовенерологии
Большинство мобильных приложений используют CNN для классификации изображений. Из 43 проанализированных приложений 74,4% ориентированы на использование пациентами, 14% – врачами, 11,6% – обеими группами. Основные функции: скрининг рака кожи (32,6%), диагностика заболеваний кожи (27,9%), мониторинг родинок (14%) и акне (11,6%). Однако лишь о 16,3% приложений имеются научные публикации, подтверждающие эффективность, а описания 55,8% приложений не раскрывают используемые данные для обучения моделей. Российские приложения DermaOnko Check [10] и Melanoma Check [11] выделяются тем, что использованы собственные валидированные наборы данных – датасеты (англ. dataset), имеются научные публикации в журналах, локальная обработка данных происходит непосредственно на мобильных устройствах, без использования облачных серверов, что обеспечивает конфиденциальность данных. Для практического применения этих приложений в клинической практике предложены алгоритмы маршрутизации пациентов, которые предоставляют рекомендации в отношении дальнейших действий врача в зависимости от уровня риска, – направление к онкологу, к дерматологу или диспансерное наблюдение [12, 13].
Влияние ИИ на дерматовенерологию
ИИ становится ассистентом врача: ускоряет анализ, снижает ошибки и позволяет фокусироваться на сложных случаях. Врачи отмечают, что алгоритмы не заменяют, а дополняют компетенции врачей, особенно в выявлении редких заболеваний [14].
Влияние ИИ на развитие дерматовенерологии на уровне пациентов
Для пациентов использование программ на основе моделей ИИ обеспечивает доступность следующих действий: самостоятельный скрининг и мониторинг кожных образований, что способствует раннему выявлению заболеваний, оптимизируя маршрутизацию, улучшая исходы лечения и снижая финансовые затраты и нагрузку на систему здравоохранения [15].
Влияние ИИ на развитие дерматовенерологии на уровне врачей
ИИ радикально меняет ежедневную клиническую практику дерматовенерологов, предлагая средства для улучшения диагностической точности и упрощения рутинных задач. Модели ИИ на базе глубокого обучения облегчают диагностику кожных образований, помогая специалистам оперативнее распознавать злокачественные опухоли, включая меланому, с эффективностью, равной или превышающей уровень опытных врачей [16]. Например, ИИ способен обнаруживать необычные патологии и отклонения, которые сложно увидеть без специального медицинского оборудования, что снижает нагрузку на врачей и уменьшает вероятность ошибок в диагнозе [17]. Дерматовенерологи подчеркивают, что эти технологии служат дополнением, позволяя им уделять больше внимания трудным пациентам и личному общению с пациентами [18].
Влияние ИИ на развитие дерматовенерологии на уровне больниц
В медицинских учреждениях ИИ упрощает операционную работу, контроль ресурсов и административные функции, что способствует общему росту эффективности здравоохранения. Алгоритмы ИИ обрабатывают огромные массивы данных, чтобы прогнозировать приток пациентов, оптимально распределять средства и снижать нагрузку на персонал, что особенно важно для дерматовенерологических кабинетов, отделений и клиник с высокой загруженностью [19]. Применение ИИ для анализа медицинских изображений интегрируется с цифровыми системами учета, автоматизируя подготовку документов и минимизируя затраты времени на рутинные процессы [20].
Заключение
ИИ в дерматовенерологии – мощный инструмент, но требует строгой валидации, прозрачности и регуляции. При правильном подходе он сделает специализированную медицинскую помощь доступнее, не создавая дополнительных рисков, что демонстрируют российские мобильные приложения на основе моделей ИИ.
Литература
1. Renders JM, Simonart T. Role of artificial neural networks in dermatology. Dermatology. 2009; 219 (2): 102-4.
2. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с помощью программы искусственного интеллекта. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 1 (19): 42-51. https://doi.org/10.53652/2782-1730-2025-6-1-42-51.
3. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Точность предварительной диагностики доброкачественных и злокачественных меланоцитарных опухолей кожи с применением программы искусственного интеллекта для смартфона Derma Onko. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 2 (20): 39-48.
4. Liopyris K, Gregoriou S, Dias J et al. Artificial Intelligence in Dermatology: Challenges and Perspectives. Dermatol Ther (Heidelb). 2022; 12: 2637-51.
5. De A, Sarda A, Gupta S, Das S. Use of Artificial Intelligence in Dermatology. Indian J Dermatol. 2020; 65 (5): 352-7.
6. Sarvamangala DR, Kulkarni RV. Convolutional neural networks in medical image understanding: a survey. Evol Intel. 2022; 15: 1-22.
7. Zou Z, Chen K, Shi Z, Guo Y, Ye J. Object Detection in 20 Years: A Survey. Proc IEEE. 2023; 111 (3): 257-76.
8. Minaee S, Boykov Y, Porikli F et al. Image Segmentation Using Deep Learning: A Survey. IEEE Trans Pattern Anal Mach Intell. 2022; 44 (7): 3523-42.
9. Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114-24.
10. Корабельников Д.И., Ламоткин А.И. Патент на изобретение № 2853036, Российская Федерация, C1, МПК G06N 3/02. Способ дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с применением модели искусственного интеллекта. Патентообладатель: Автономная некоммерческая организация дополнительного профессионального образования «Московский медико-социальный институт имени Ф.П. Гааза». № 2025130390, заявл. 04.11.2025; опубл. 17.12.2025, бюл. № 35.
11. Ламоткин А.И., Корабельников Д.И. Патент на изобретение № 2853090, Российская Федерация, C1, МПК G06N 3/02. Способ дифференциальной диагностики меланомы кожи и доброкачественных меланоцитарных и немеланоцитарных новообразований кожи с применением модели искусственного интеллекта. Патентообладатель: Автономная некоммерческая организация дополнительного профессионального образования «Московский медико-социальный институт имени Ф.П. Гааза». № 2025130587, заявл. 06.11.2025; опубл. 18.12.2025, бюл. № 35.
12. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Алгоритм маршрутизации пациентов при дифференциальной диагностике новообразований кожи при применении программы искусственного интеллекта «Melanoma Check». Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 4 (22): 6-13. https://doi.org/10.53652/2782-1730-2025-6-4-06-13
13. Корабельников Д.И., Ламоткин А.И. Алгоритм маршрутизации пациентов при дифференциальной диагностике новообразований кожи при сочетанном применении программ искусственного интеллекта «Derma Onko Check» и «Melanoma Check». Клинический разбор в общей медицине. 2025; 6 (11). https://doi.org/10.47407/kr2025.6.11.00715
14. Sohail N, Puyana C, Zimmerman L, Tsoukas MM. Artificial intelligence in dermatology: Bridging the gap in patient care and education. Clin Dermatol. 2024; 42 (5): 434-6.
15. Majidian M, Tejani I, Jarmain T et al. Artificial Intelligence in the Evaluation of Telemedicine Dermatology Patients. J Drugs Dermatol. 2022; 21 (2): 191-4. https://doi.org/10.36849/jdd.6277
16. 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. https://doi.org/10.3390/jcm11226826
17. Wei C, Adusumilli N, Friedman A, Patel V. Perceptions of Artificial Intelligence Integration into Dermatology Clinical Practice: A Cross-Sectional Survey Study. J Drugs Dermatol. 2022; 21 (2): 135-40. https://doi.org/10.36849/jdd.6398
18. Al-Ali F, Polesie S, Paoli J et al. Attitudes Towards Artificial Intelligence Among Dermatologists Working in Saudi Arabia. Dermatol Pract Concept. 2023; 13 (1): e2023035. https://doi.org/10.5826/dpc.1301a35
19. Felmingham C, Pan Y, Kok Y et al. Improving skin cancer management with ARTificial intelligence: A pre-post intervention trial of an artificial intelligence system used as a diagnostic aid for skin cancer management in a real-world specialist dermatology setting. J Am Acad Dermatol. 2023; 88 (5): 1138-42. https://doi.org/10.1016/j.jaad.2022.10.038
20. Kololgi SP, Lahari CS. Harnessing the Power of Artificial Intelligence in Dermatology: A Comprehensive Commentary. Indian J Dermatol. 2023; 68 (6): 678-81. https://doi.org/10.4103/ijd.ijd_581_23
