Анализ причин ошибочной классификации изображений немеланоцитарных опухолей кожи программами на основе технологий искусственного интеллекта

Дифференциальная диагностика немеланоцитарных опухолей кожи остается ключевой задачей дерматоонкологии, поскольку своевременное выявление злокачественных форм повышает шансы на успешное лечение. Субъективность традиционных методов стимулирует использование искусственного интеллекта (ИИ), при этом ошибки программ компьютерного зрения требуют анализа их причин.

Цель исследования: анализ причин ошибочной классификации изображений немеланоцитарных опухолей кожи программами на основе технологий ИИ.

Материал и методы. Для ретроспективного анализа фотоизображений опухолей использованы датасеты, обработанные в программах «Derma Onko Check» и «Melanoma Check». В контексте исследования злокачественные опухоли мы считали положительным результатом, доброкачественные – отрицательным. Для визуализации метрик качества изображений (яркость, контраст, энтропия, размытие, RGB-метрики) использованы боксплоты, парные диаграммы рассеяния, карты различий пиксельных значений. Для визуализации областей, наиболее важных для классификационных решений глубокой нейронной сети, применены два метода объяснимого ИИ: взвешенного картирования активации классов (Score-CAM) и определения чувствительности к окклюзии (Occlusion Sensitivity). Для проверки статистических гипотез использованы t-критерий Уэлча и однофакторный дисперсионный анализ; для оценки связи характеристик – корреляционный анализ по Спирмену.

Результаты. Истинно положительные (ИП) результаты характеризовались следующими особенностями: меньшая яркость (медиана – 0,6914 в нормализованной шкале 0–1), что означает естественное равномерное освещение без сильных бликов. Энтропия оказалась высокой (медиана – 4,8584), что указывает на сложную текстуру с многими клинически значимыми деталями: изъязвлением, неровными границами и вариациями пигментации. Размытие было умеренным, обеспечивая приемлемую резкость изображения без сильного смазывания краев и текстуры опухоли. Средние значения красного и зеленого каналов были сбалансированными. Ложноположительные (ЛП) результаты имели повышенную яркость (медиана – 0,7994 – переэкспонированное, слишком светлое фото с бликами), низкую энтропию (медиана – 4,6414 – однородная текстура без сложных паттернов). Значимые различия между ИП и ЛП классами подтверждены для яркости (F = 5,1848; p < 0,05), энтропии (F = 5,2509; p < 0,05), размытия по FFT (F = 3,1136; p < 0,05), среднего значения зеленого канала (F = 5,3315; p < 0,05) и среднего значения красного канала (F = 3,3812; p < 0,05). Методы объяснимого ИИ и анализ качества фотоизображений показали, что ошибки классификации происходили также из-за артефактов фотосъемки (фон, волосы, тени).

Заключение. Разработчикам для обучения программ «компьютерного зрения» рекомендуется проводить предобработку изображений (автоматический баланс белого, гамма-коррекция, фильтры Sobel для усиления текстуры и Wiener для подавления размытости, онлайн-аугментация яркости и контраста), нормализовать цветовые каналы, мониторить ключевые метрики качества после каждой эпохи обучения, использовать аугментацию, компенсирующую отрицательную корреляцию яркость – энтропия и вариабельность освещения. Пользователям рекомендуется соблюдать стандартные условия съемки: равномерное рассеянное освещение без теней и бликов, яркость < 0,75 в нормализованной шкале, отсутствие артефактов в кадре; выполнять съемку в режиме макро с расстояния 8–15 см, центрируя опухоль и обеспечивая энтропию > 4,8 и разрешение 2000–3000 пикселей по большей стороне; стабилизировать камеру и активировать функцию автоматического баланса белого на устройстве съемки.

1. Stafford H., Buell J., Chiang E., Ramesh U., Migden M., Nagarajan P. et al. Non-melanoma skin cancer detection in the age of advanced technology: a review. Cancers (Basel). 2023;15(12):3094. https://doi.org/10.3390/cancers15123094

2. Ferlay J., Colombet M., Soerjomataram I., Dyba T., Randi G., Bettio M. et al. Cancer incidence and mortality patterns in Europe: Estimates for 40 countries and 25 major cancers in 2018. European Journal of Cancer. 2018;103:356–387. https://doi.org/10.1016/j.ejca.2018.07.005

3. Fahim Y.A., Hasani I.W., Kabba S., Ragab W.M. Artificial intelligence in healthcare and medicine: clinical applications, therapeutic advances, and future perspectives. European Journal of Medical Research. 2025;30(1):848. https://doi.org/10.1186/s40001-025-03196-w

4. Behara K., Bhero E., Agee J.T. AI in dermatology: a comprehensive review into skin cancer detection. PeerJ Computer Science. 2024;10:e2530. https://doi.org/10.7717/peerj-cs.2530

5. Melarkode N., Srinivasan K., Qaisar S.M., Plawiak P. AI-Powered Diagnosis of Skin Cancer: A Contemporary Review, Open Challenges and Future Research Directions. Cancers. 2023;15(4):1183. https://doi.org/10.3390/cancers15041183

6. Kolla L., Parikh R.B. Uses and limitations of artificial intelligence for oncology. Cancer. 2024;130(12):2101–2107. https://doi.org/10.1002/cncr.35307

7. Ламоткин А.И., Корабельников Д.И., Олисова О.Ю., Ламоткин И.А. Эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы искусственного интеллекта Derma Onko Check. Фармакоэкономика. Современная фармакоэкономика и фармако-эпидемиология. 2025;18(2):261–270. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.294

8. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. 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

9. Mevorach L., Farcomeni A., Pellacani G., Cantisani C. A comparison of skin lesions’ diagnoses between AI-based image classification, an expert dermatologist, and a non-expert. Diagnostics (Basel). 2025;15(9):1115. –