дерматология

Исследователи из ведущих американских университетов — Массачусетского технологического института, Стэнфордского и Колумбийского — провели исследование о влиянии объяснений больших языковых моделей на точность медицинской диагностики у людей без медицинского образования. В работе изучалось, как LLM-генерированные пояснения помогают пользователям диагностировать заболевания кожи и одновременно влияют на уровень доверия к рекомендациям искусственного интеллекта. Результаты показали двойственный эффект: объяснения действительно повышают точность диагностики у непрофессионалов, но одновременно увеличивают склонность безоговорочно доверять ИИ, даже когда алгоритм ошибается. Врачи демонстрируют значительно более критичное отношение — они чаще распознают ошибки алгоритма и реже следуют неверным рекомендациям системы. Исследование подчёркивает важность разработки более прозрачных и надёжных систем объяснимого ИИ для медицинского применения, особенно при использовании непрофессионалами. Работа опубликована в авторитетном рецензируемом журнале Nature Medicine, что подтверждает научную значимость полученных результатов и их потенциальное влияние на регулирование медицинских ИИ-систем.

Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.

Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный метод преодоления дефицита данных в дерматологии путем генерации синтетических клинических записей. Авторы разработали подход, позволяющий трансформировать существующие наборы данных, содержащие только изображения (унимодальные), в мультимодальные обучающие выборки с использованием синтезированного текстового сопровождения. Методология включает использование продвинутых языковых моделей для создания структурированных медицинских заметок, которые имитируют реальные описания кожных патологий. Ключевые результаты показывают, что интеграция этих синтетических данных значительно повышает точность и устойчивость (robustness) мультимодальных ИИ-моделей при диагностике заболеваний кожи. Данная технология позволяет эффективно использовать огромные архивы визуальных данных, которые ранее не могли быть полноценно задействованы в обучении мультимодальных систем. Практическая значимость работы заключается в возможности масштабирования обучения диагностических систем без необходимости ручного сбора и разметки колоссальных объемов текстовой информации врачами.

Предложен новый метод классификации заболеваний кожи и типов кожи, объединяющий сверточные нейронные сети (ResNet) с математическим моделированием текстур через клеточные автоматы и дробные производные. Гибридный подход позволил достичь точности классификации заболеваний на уровне 92,8%, улучшая чувствительность к деталям текстуры кожи.

Исследование посвящено изучению молекулярных основ возникновения акне (Acne vulgaris) с использованием технологии секвенирования РНК единичных клеток (single-cell transcriptomics). Авторы проверили гипотезу «переключения комедонов», согласно которой заболевание вызвано дисбалансом в дифференцировке клеток в зоне соединения волосяного фолликула и сальной железы. В ходе работы были проанализированы транскриптомные данные здоровой кожи, не пораженной кожи пациентов и тканей с активными поражениями. Ученые обнаружили ранее не описанную популяцию клеток в не пораженной коже, которая по своим признакам соответствует микрокомедонам, и реконструировали архитектуру транскрипции комедонов. Результаты показали сдвиг клеточной судьбы от сальной железы к инфундибулярному типу, что сопровождается усилением кератинизации и воспалительных программ. Кроме того, выявлены изменения в эпидермисе, включая потерю экспрессии генов POSTN и ERRFI1 в базальных кератиноцитах. Данная работа предоставляет первую доказательную базу для подтверждения гипотезы переключения комедонов на уровне единичных клеток человека.

В данной исследовательской работе представлена инновационная методология многоисточниковой адаптации домена без доступа к исходным данным (multi-source-free domain adaptation) для повышения точности диагностики рака кожи. Авторы предлагают использовать контрастное обучение адаптеров совместно с механизмом дистилляции консенсусного знания для преодоления проблемы смещения данных между различными медицинскими центрами. Основная сложность заключается в необходимости обучения моделей на новых наборах данных без возможности обращения к приватным исходным выборкам, что критически важно для соблюдения конфиденциальности пациентов. Методология позволяет эффективно переносить знания из нескольких источников, минимизируя потерю точности при работе с новыми визуальными характеристиками поражений кожи. Результаты демонстрируют значительное преимущество предложенного подхода над существующими методами адаптации домена, обеспечивая высокую устойчивость диагностических алгоритмов к вариативности оборудования и условий съемки. Данная разработка имеет высокую практическую значимость для внедрения ИИ-систем в клиническую практику, так как решает проблему масштабируемости моделей без нарушения протоколов защиты персональных данных.

Разработан новый метод глубокого обучения (на базе ResU-Net) для точного совмещения изображений кожи, полученных в разных спектрах (видимом, NIR и тепловом). Исследование представляет первый в своем роде набор данных из 155 триплетов изображений поражений кожи, подтвержденных дерматологами.

Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.

В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.

Представлена сеть SDNet — двухпараметрическая система глубоких сверточных нейронных сетей для многоклассовой диагностики кожных заболеваний. Модель достигает точности 99,1% на датасете DermNet, превосходя традиционные методы. Исследование демонстрирует применение объяснимого ИИ (XAI) для точного выявления кожных патологий.