Искусственный интеллект: союзник врача в борьбе с онкопатологией кожи

Сегодня мы беседуем с ректором АНО ДПО «Московский медико-социальный институт имени Ф.П. Гааза», врачом-терапевтом, врачом-организатором в системе здравоохранения с почти 30-летним стажем, кандидатом медицинских наук, доцентом, почетным работником сферы образования РФ Даниилом Ивановичем Корабельниковым. В фокусе нашего разговора – передовые исследования института в области применения искусственного интеллекта (ИИ) в клинической медицине.

Научный коллектив под руководством Даниила Ивановича добился впечатляющих результатов: десятки публикаций в международных и российских журналах, патенты на изобретения, свидетельства о регистрации программных продуктов и баз данных. Особое внимание уделяется развитию систем поддержки врачебных решений, компьютерного зрения в онкодерматологии и анализу гистологических изображений с помощью ИИ.

Важной особенностью работы института является не только создание высокотехнологичных решений, но и разработка оригинального терминологического аппарата, алгоритмов маршрутизации пациентов и методов оценки клинической и медико-экономической эффективности внедрения ИИ в здравоохранении. Особое место занимает внедрение объяснимого искусственного интеллекта, который становится инструментом профессионального роста врачей.

В беседе также принимают участие признанные эксперты: профессор, доктор медицинских наук, заслуженный врач РФ Игорь Анатольевич Ламоткин – специалист в области дерматовенерологии и онкодерматологии с почти 40-летним стажем, и Андрей Игоревич Ламоткин – врач общей практики, онколог, разработчик-специалист по искусственному интеллекту и базам данных, кандидат медицинских наук.

Д.И. Корабельников, И.А. Ламоткин, А.И. Ламоткин

Вместе с нашими гостями мы обсудим, как искусственный интеллект меняет современную медицину, какие перспективы открывает для врачей и пациентов, и почему ответственное внедрение этих технологий – задача сегодняшнего дня.

● На ваш взгляд, какова роль моделей искусственного интеллекта в современной дерматовенерологии?

● Ламоткин И.А.: За сорок лет своей медицинской практики я видел много технологических новшеств в дерматологии. Искусственный интеллект – это принципиально иной уровень. Он не просто добавляет новый инструментальный метод, он может встраиваться в логику клинического мышления врача. Сегодня ИИ наиболее доказательно применяется в трех областях – в дифференциальной диагностике, скрининге злокачественных опухолей кожи и распознавании иных образований и заболеваний кожи.

● Есть ли разница между диагностическими возможностями различных типов нейронных сетей, используемых в дерматологии?

● Ламоткин А.И.: Да, разница принципиальная, и ее понимание важно как для разработчиков, так и для врачей-клиницистов и врачей-организаторов здравоохранения. Классические сверхточные нейронные сети Xception хорошо справляются с классификацией фотоизображений по визуальным признакам, таким как форма, текстура, цвет. Однако они нечувствительны к контексту и плохо работают с редкими нозологиями, по которым есть мало обучающих данных. Построенный на новой архитектуре Vision Transformer (ViT) и его модификации учитывают глобальные зависимости между участками фотоизображения через механизм многоголового внимания, что повышает точность при сложных дифференциальных диагнозах. Мультимодальные архитектуры, объединяющие фотоизображения с клиническими данными и анамнезом, представляют собой наиболее перспективное направление. На сегодняшний день нет «лучшей» сети для решения всех клинических задач, выбор архитектуры модели ИИ должен определяться конкретной клинической задачей, качеством датасета и требованиями к интерпретируемости результата.

● Что вдохновило Вас заняться исследованием ИИ для диагностики кожных заболеваний? Какие научные идеи и практические проблемы легли в основу Вашего интереса?

● Корабельников Д.И.: Когда анализируешь большие массивы данных пациентов со злокачественными новообразованиями (ЗНО) кожи, включая меланому, от первого обращения до постановки заключительного клинического диагноза отмечается поздняя диагностика – среднее время от появления симптомов до начала лечения в нашей стране составляет в ряде регионов более девяти месяцев. Это не только вопрос квалификации и недостатка врачей в некоторых регионах, но и вопрос организации системы раннего выявления злокачественных новообразований. Стало очевидно, что нужен инструмент для повышения раннего выявления злокачественных новообразований кожи, характеризующихся высокой частотой метастазирования, высокой стоимостью лечения. Система поддержки принятия клинических (врачебных) решений (СППР), доступная при первичном осмотре в амбулаторных условиях врачами-терапевтами, врачами общей врачебной практики и дерматовенерологами, на уровне оказания первичной медико-социальной помощи способна многократно сократить время до установления заключительного клинического диагноза ЗНО кожи и начала лечения.

● В конце 2025 года Вы зарегистрировали два патента: «Способ дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с применением модели искусственного интеллекта» и «Способ дифференциальной диагностики меланомы кожи и доброкачественных меланоцитарных и немеланоцитарных новообразований кожи с применением модели искусственного интеллекта». Расскажите подробнее об этих изобретениях.

● Корабельников Д.И.: Способы диагностики основаны на моделях ИИ и интеграции их заключений в маршрутизацию пациентов при диагностическом поиске. Модели ИИ созданы на сверхточной нейронной сети Xception, обученной на 48 тыс. изображений, и выполняют бинарные классификации («ЗНО» – «ДНО», «меланома» – «не меланома») с выдачей вероятности заключения. Нами введено понятие «математически обоснованный порог алгоритма маршрутизации» для формирования конкретных рекомендаций по диагностической маршрутизации пациента: динамическое наблюдение, консультация дерматовенеролога или направление к онкологу. Это позволяет стандартизировать принятие решений на уровне первичного звена и снизить зависимость от субъективного суждения конкретного врача. Применение данного алгоритма маршрутизации позволяет сократить время до постановки заключительного клинического диагноза, повысить точность дифференциальной диагностики за счет мультимодального и клинического подходов, снизить затраты на специалистов системы здравоохранения и сократить финансовые затраты на диагностику. В развитие этой тематики впервые нами предложены методы расчетов клинической эффективности и медико-экономической эффективности применения программ ИИ в сочетании с алгоритмами маршрутизации пациентов. Новизной предложенных методов расчетов также является и учет финансовых затрат на диагностику и лечение «пропущенных», т.е. поздно диагностированных, случаев ЗНО кожи, которые были не выявлены при обращении за первичной медико-санитарной помощью.

● Чем отличается Ваше решение от зарубежных аналогов?

● Ламоткин И.А.: Принципиальное отличие состоит в целевой аудитории пользователей. Программы SkinVision и Dermatica – продукты для пациента. Наши системы ИИ создаются для врачей-специалистов, врачей общей практики и терапевтов, которые первыми видят пациента, но не имеют глубокой подготовки в дерматоонкологии. Кроме того, мы специально формировали обучающие выборки с участием пациентов из российских клиник, что критически важно, поскольку фенотипические характеристики нашей популяции несколько отличаются от западных датасетов, на которых обучены зарубежные системы. Встроенный алгоритм маршрутизации позволяет прямо интегрировать заключения СППР в клинический маршрут пациента. Ни одна известная система ИИ не решает все эти задачи в нашей системе здравоохранения. С учетом современных реалий актуальным является и то, что наши программы ИИ могут работать без доступа к интернету, в том числе на индивидуальных карманных персональных компьютерах – смартфонах и планшетах.

● Насколько важен фактор качества исходных изображений для дифференциальной диагностики доброкачественных и злокачественных новообразований кожи?

● Ламоткин А.И.: Качество клинических и дерматоскопических фотоизображений – это ключевая составляющая точности системы. Любая нейронная сеть работает ровно настолько хорошо, насколько информативен ее входной сигнал. При фотосъемке критически важны: стандартизованное освещение без бликов, размеры фотоизображения на поле фотосъемки, минимальное размытие при движении, а также корректная фокусировка (резкость) по всей площади новообразования. Наши приложения содержат разработанный по результатам анализа ошибочных фотоизображений модуль предварительной оценки качества входного фотоизображения установленным критериям и проводит обработку фотоизображений, что повышает точность (чувствительность и специфичность) системы ИИ. При этом исключается формирование недостаточно точного диагностического заключения при несоответствии параметров качества фотоснимка и при необходимости возвращается запрос врачу на повторную фотосъемку. В настоящее время мы работаем над усложнением этого модуля с интеграцией непосредственно в процесс фотографирования с обратной связью в режиме реального времени, что позволит верифицировать качество изображения еще до его передачи в модель ИИ.

● Какой процент ошибок возможен при использовании предложенного Вами метода дифференциальной диагностики опухолей кожи?

● Корабельников Д.И.: Нулевой погрешности не существует ни в одной медицинской технологии. По полученным клиническим данным при эксплуатации наших СППР точность составляет 92,4%, чувствительность – 94,4%, специфичность – 91,8%, доля ложноположительных решений – 8,2%, ложноотрицательных – 5,6%. Это результаты на уровне лучших мировых систем ИИ. Но при пояснении результатов этой оценки ошибок принципиально важен клинический подход. Часть формально ложноположительных случаев – это не ошибки, а заложенная онконастороженность системы ИИ: в данном случае отмечалось совпадение с заключением врачей по внешним визуальным признакам злокачественности новообразований, и программа ИИ, и опытный врач-специалист имели обоснованную онконастороженность; направление на дообследование в данном случае было оправданным. Мы выделили такие случаи в отдельную категорию, названную группой совпадений заключений ИИ и врача – специалиста по онконастороженности. С управленческой точки зрения это важно: система не генерирует необоснованные направления, она работает в логике клинического мышления. Кроме этого, для повышения точности (чувствительности и специфичности) программ ИИ мы разработали мультимодальные системы ИИ с одновременным применением моделей компьютерного зрения и NLP (Natural Language Proccessing – обработка естественного языка).

● Каковы перспективы развития технологий искусственного интеллекта в ближайшие годы в дерматовенерологии?

● Ламоткин И.А.: Я осторожно смотрю в будущее, но несколько направлений кажутся мне устойчивыми. Одно из них – это применение объяснимого ИИ (Explainable Artificial Intelligence, XAI), который может указать пользователям-врачам, какие признаки он посчитал важными при своем заключении. Таким образом, происходит сочетание визуализации и клинических данных в единый диагностический алгоритм; при этом врач сможет обучаться, повышать свою квалификацию на рабочем месте.

● Существуют ли юридические аспекты использования медицинских технологий на основе искусственного интеллекта и будет ли необходим специальный контроль над качеством услуг, предоставляемых системами искусственного интеллекта в медицине?

● Корабельников Д.И.: В России программное обеспечение для использования в медицинской деятельности проходит государственную регистрацию как медицинское изделие. Это длительный и затратный процесс, нередко занимающий от года до двух лет. Существуют также иные требования законодательства, например локализация данных, ограничивающие использование облачных решений иностранной юрисдикции. Отдельная история – вопрос информированного согласия пациента: должен ли пациент знать, что его снимок анализируется алгоритмом? Большинство юристов склонны считать, что да. Важно понимать: ответственность за клиническое решение всегда остается за врачом, система ИИ является инструментом поддержки, но не субъектом медицинской ответственности. Именно поэтому четкое законодательное закрепление этого принципа критически необходимо для уверенного и безопасного применения таких технологий в практике. Он не только необходим, а обязателен, и его отсутствие является прямым риском для безопасности пациентов. Я сторонник трехуровневой модели контроля. Первый уровень – внутриведомственный: каждое учреждение, использующее систему ИИ, ведет журнал расхождений между рекомендацией алгоритма и клиническим решением врача с последующим разбором случаев. Второй уровень – региональный: аккредитованные органы осуществляют ежеквартальный аудит совокупных показателей диагностической точности в разрезе учреждений. Третий уровень – федеральный: Росздравнадзор ведет реестр инцидентов, связанных с медицинскими системами ИИ, с обязательным расследованием случаев, повлекших вред здоровью. Только такая система создает условия для ответственного и устойчивого применения технологий в медицине.

● Насколько качество базы данных определяет эффективность модели искусственного интеллекта в медицинской диагностике?

● Ламоткин А.И.: Качество обучающей базы данных напрямую определяет то, насколько хорошо будет работать модель искусственного интеллекта. Сколь бы совершенной ни была архитектура алгоритма, его диагностическая ценность будет принципиально ограничена, если входные данные не отвечают необходимым стандартам. Формирование датасета, включая сбор и разметку фотоизображений, должно осуществляться специалистами с большим клиническим стажем в данной области, способными обеспечить корректную верификацию каждого случая, тогда как этап предобработки данных требует особого внимания с обязательным устранением артефактов, выбросов и некачественных образцов, способных внести систематическую ошибку в процесс обучения. Немаловажно и то, что база данных должна обладать максимальной репрезентативностью и полнотой; широкий охват клинических вариантов, морфологических форм и демографических групп существенно расширяет область применимости модели и повышает ее обобщающую способность. Применительно к базам фотоизображений кожных новообразований целесообразно дополнительное использование методов аугментации, что позволяет искусственно диверсифицировать обучающую выборку, снизить риск переобучения и в конечном счете улучшить качество итоговой модели.

Важной особенностью работы института является не только создание высокотехнологичных решений, но и разработка оригинального терминологического аппарата, алгоритмов маршрутизации пациентов и методов оценки эффективности внедрения ИИ в здравоохранении.

Приглашаем вас пройти короткий опрос на тему  «Использование технологий искусственного  интеллекта в медицинской деятельности». Ваше  мнение очень важно для нас!