Рак кожи — один из самых распространенных видов онкологических заболеваний. Высокоточная диагностика повышает шансы на выздоровление пациентов. Поэтому специалисты заинтересованы в разработке автоматизированных систем вспомогательной диагностики. Ученые СКФУ разработали мультимодальную нейросетевую систему классификации онкологических поражений кожи, чувствительную к несбалансированным дерматологическим данным.
Предложенная система, по словам одного из авторов статьи, младшего научного сотрудника научно-исследовательской лаборатории кафедры математического моделирования СКФУ Ульяны Ляховой, позволяет снизить количество ложноотрицательных прогнозов за счет использования модифицированной функции перекрестных энтропийных потерь и анализа гетерогенных дерматологических данных с этапом предварительной очистки волосяных структур.
Как заявили в СКФУ, точность распознавания по десяти диагностическим категориям для предложенной интеллектуальной системы составила 85,2 процента. Кроме того, система распознает пигментные поражения кожи на 15 процентных пунктов точнее, чем визуальная диагностика практикующих врачей.
Разработанная в России система позволяет достичь точности выше, чем у аналогичных зарубежных систем из Германии, Австрии, КНР, отметили ученые.
«Использование разработанного комплекса врачами-дерматологами в качестве вспомогательного метода диагностики позволит уменьшить влияние человеческого фактора при принятии врачебных решений, значительно снизить количество ложных диагнозов и повысить точность раннего распознавания рака кожи», — рассказал заведующий кафедрой математического моделирования СКФУ Павел Ляхов.
Как отметила соавтор исследования доцент кафедры математического моделирования СФКУ Диана Калита, система с помощью различных видов нейросетей одновременно анализирует изображение родинок и основные данные пациента (пол, возраст, локализация пигментного новообразования). Но перед началом анализа изображения пигментных пятен обрабатываются с помощью определенных фильтров, которые позволяют убрать мешающие более точной классификации детали (например, волосы и другие шумовые эффекты).
«Неочевидная взаимосвязь между обрабатываемыми данными и результатами диагностики извлекается за счет дополнительного нейросетевого изучения информации между модальностями. Таким образом нейронные сети способны использовать дополнительные данные путем интеграции нескольких модальностей в общую структуру», — пояснила Ульяна Ляхова.
В дальнейшем научный коллектив СКФУ планирует построить более сложные ансамблевые системы нейросетевого анализа дерматологических данных.
