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.