Пилотная проспективная оценка согласованности решений Melanoscope AI с экспертной дерматоскопической оценкой

Введение. Ранняя диагностика злокачественных новообразований (ЗНО) кожи критически важна для прогноза, однако дефицит онкодерматологов в российских регионах ограничивает охват скрининга. Системы поддержки принятия врачебных решений (СППВР) на основе мобильной дерматоскопии представляют перспективный инструмент, при этом доказательство диагностической эффективности и оснащение первичного звена остаются первичными условиями, а на этапе клинической интеграции критичными становятся интерпретируемость вывода и стандартизация маршрутизации.

Цель исследования: оценить согласованность заключений СППВР Melanoscope AI (далее – система) с независимой экспертной дерматоскопической оценкой и изменение заключений врача общей практики после предъявления результата системы в условиях скрининговых сессий.

Материал и методы. Проведено одноцентровое проспективное пилотное исследование в четырех скрининговых сессиях (июнь 2025 – апрель 2026 гг.). Материалом служили дерматоскопические снимки – по одному наиболее подозрительному образованию на каждого из 176 обследованных, отобранному по результатам визуального осмотра. Оценивали согласованность заключений системы (злокачественное/доброкачественное новообразование) с заключением эксперта, сформированным до ознакомления с выводом системы. Образования, расцененные экспертом как злокачественные, подтверждались гистологически; доброкачественные случаи морфологически не верифицировались (частичная дифференциальная верификация). Изменение согласованности заключений врача общей практики (ОП) с экспертным заключением по одним и тем же случаям до и после предъявления результата системы оценивали точным критерием Мак-Немара.

Результаты. Совпадение бинарной классификации системы с независимым экспертным заключением по 176 образованиям составило 88,6% (95% ДИ 83,0–92,9), специфичность – 88,3% (82,5–92,7), прогностичность положительного результата – 20,0% (6,8–40,7). Все пять гистологически подтвержденных ЗНО (3 меланомы и 2 базальноклеточные карциномы) отнесены системой к красной зоне маршрутизации; ложноотрицательные решения при примененном референсном стандарте выявлены быть не могли, поскольку доброкачественные случаи гистологически не верифицировались. За шестью пациентами с диспластическими невусами установлено динамическое наблюдение. Согласованность заключений врача ОП с экспертным заключением возросла с 71,0 (63,9–77,2) до 82,4% (76,1–87,3); прирост – 11,4 п. п. (6,7–16,3), точный критерий Мак-Немара p = 1,9·10^–⁶.

Заключение. Все гистологически подтвержденные ЗНО были отнесены системой к красной зоне маршрутизации, однако чувствительность и безопасность исключения злокачественного процесса настоящим пилотным исследованием не устанавливаются вследствие малого числа событий и отсутствия морфологической верификации отрицательных случаев. Согласованность заключений врача ОП с экспертным заключением после предъявления решения системы возросла. Необходима многоцентровая проверка согласованности решений системы на значительном контингенте обследуемых в условиях скрининга популяции, а также централизованный динамический мониторинг случаев, отнесенных системой к желтой зоне маршрутизации.

1. Sung H., Ferlay J., Siegel R.L., et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: Cancer J. Clin. 2021;71(3):209–249. DOI: 10.3322/caac.21660

2. Каприн А.Д., Старинский В.В., Шахзадова А.О. Злокачественные новообразования в России в 2023 году (заболеваемость и смертность). М.: МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024:276. ISBN 978-5-85502-298-8.

3. Шахзадова А.О., Старинский В.В., Лисичникова И.В. Состояние онкологической помощи населению России в 2022 году. Сибирский онкологический журнал. 2023;22(5):5–13. DOI: 10.21294/1814-4861-2023-22-5-5-13 EDN: PESHHL

4. Chen J.Y., Fernandez K., Fadadu R.P., et al. Skin cancer diagnosis by lesion, physician, and examination type: a systematic review and meta-analysis. JAMA Dermatology. 2025;161(2):135–146. DOI: 10.1001/jamadermatol.2024.4382

5. Dinnes J., Deeks J.J., Chuchu N., et al. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database of Systematic Reviews. 2018;12(12):CD011902. DOI: 10.1002/14651858.CD011902.pub2

6. Esteva A., Kuprel B., Novoa R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. DOI: 10.1038/nature21056

7. Brinker T.J., Hekler A., Enk A.H., et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur. J. Cancer. 2019;113:47–54. DOI: 10.1016/j.ejca.2019.04.001

8. Tschandl P., Rinner C., Apalla Z., et al. Human-computer collaboration for skin cancer recognition. Nature Medicine. 2020;26(8):1229–1234. DOI: 10.1038/s41591-020-0942-0

9. Udrea A., Mitra G.D., Costea D., et al. Accuracy of a smartphone application for triage of skin lesions based on machine learning algorithms. J. Eur. Acad. Dermatol. Venereol. 2020;34(3):648–655. DOI: 10.1111/jdv.15935

10. Liu Y., Jain A., Eng C., et al. A deep learning system for differential diagnosis of skin diseases. Nature Medicine. 2020;26(6):900–908. DOI: 10.1038/s41591-020-0842-7

11. Wysocki O., Davies J.K., Vigo M., et al. Assessing the communication gap between AI models and healthcare professionals: explainability, utility and trust in AI-driven clinical decision-making. Artificial Intelligence. 2023;319:103839. DOI: 10.1016/j.artint.2022.103839

12. Reyes M., Meier R., Pereira S., et al. On the interpretability of artificial intelligence in radiology: challenges and opportunities. Radiology: Artificial Intelligence. 2020;2(3):e190043. DOI: 10.1148/ryai.2020190043

13. Корабельников Д.И., Ламоткин А.И. Анализ причин ошибочной классификации изображений немеланоцитарных опухолей кожи программами на основе технологий искусственного интеллекта. Сибирский журнал клинической и экспериментальной медицины. 2026;41(1):221–231. DOI: 10.29001/2073-8552-2026-2881 EDN: DLMLOC

14. Combalia M., Codella N., Rotemberg V., et al. Validation of artificial intelligence prediction models for skin cancer diagnosis using dermoscopy images: the 2019 International Skin Imaging Collaboration grand challenge. The Lancet Digital Health. 2022;4(5):e330–e339. DOI: 10.1016/S2589-7500(22)00021-8

15. Kozachok E.S. Methodology for Creating a Clinically Verified Dermoscopic Image Dataset [Preprint]. 2026. arXiv:2605.25168 [cs.CV]. DOI: 10.48550/arXiv.2605.25168

16. Козачок Е.С., Серегин С.С., Козачок А.В. и др. Интеллектуальная система поддержки принятия решений врача в диагностике новообразований кожи на основе анализа дерматоскопических изображений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2025;15(3):50–65. DOI: 10.21869/2223-1536-2025-15-3-50-65

17. Sounderajah V., Guni A., Liu X., et al.; STARD-AI Steering Committee. The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence. Nature Medicine. 2025;31(10):3283–3289. DOI: 10.1038/s41591-025-03953-8

18. Argenziano G., Soyer H.P., Chimenti S., et al. Dermoscopy of pigmented skin lesions: results of a consensus net meeting via the Internet. J. Am. Acad. Dermatol. 2003;48(5):679–693. DOI: 10.1067/mjd.2003.281

19. Козачок Е.С., Серегин С.С., Козачок А.В. и др. Каскадная классификация дерматоскопических изображений новообразований кожи с управляемой чувствительностью и внешней клинической валидацией [Препринт]. 2026. arXiv:2606.13135 [cs.CV]. DOI: 10.48550/arXiv.2606.13135

20. Tun H.M., Abdul Rahman H., Naing L., Malik O.A. Trust in artificial intelligence-based clinical decision support systems among health care workers: systematic review. J. Med. Internet Res. 2025;27:e69678. DOI: 10.2196/69678