Эта система демонстрирует более высокую точность, чем существующие аналоги и даже живые врачи-онкологи при визуальной диагностике. Информация об этом была опубликована пресс-службой Северо-Кавказского федерального университета (СКФУ) и в научном журнале Computer Optics.

По словам руководителя проекта Ульяны Ляховой, существующие системы распознавания не обеспечивают достаточной точности диагностики из-за наличия помех на изображениях, таких как волосы. Эти шумы могут искажать размеры, формы, цвета и текстуры пигментных поражений кожи, что негативно сказывается на результатах исследования. Для решения этой проблемы ученые предложили метод предварительной обработки изображений, что значительно повысило точность распознавания меланомы и других пигментных поражений.

Сложности в диагностике рака кожи возникают из-за схожести ранних проявлений доброкачественных и злокачественных поражений. Автоматизированные системы, основанные на нейронных сетях, могут значительно улучшить точность диагностики. Хотя существуют методы цифровой обработки изображений, они имеют свои недостатки, которые мешают точному распознаванию новообразований.

Предложенное решение от математиков СКФУ заключается в замене пикселей волос на пиксели кожи, что позволяет сохранить важные диагностические признаки. После предварительной обработки изображения осуществляется распознавание и классификация пигментных поражений с помощью специально обученных сверточных нейронных сетей. Для обучения использовались около 42 тысяч клинических дерматоскопических изображений из международного архива ISIC Melanoma Project.

Новая нейросеть научилась распознавать десять категорий пигментных поражений, включая дерматофибромы, невусы, солнечное лентиго и меланомы. Наивысшая точность распознавания, составившая 80,81%, была достигнута с использованием архитектуры нейросети AlexNet. Это значительно выше, чем у аналогичных систем автоматизированной классификации и методов визуальной диагностики, где точность составляет от 65 до 75%.

Использование новой нейросетевой системы может повысить качество диагностики и позволить начинать лечение на более ранней стадии заболевания, что, в свою очередь, увеличивает шансы на выздоровление пациентов, отметил второй автор работы, Павел Ляхов.