Применение технологий на основе искусственного интеллекта в дерматологии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Дерматология представляет область медицины с высокими возможностями анализа патологических изменений в непосредственном очаге поражений, что находит отражение в широком применении морфологических исследований для диагностики заболеваний кожи. В связи с интенсивным внедрением технологий искусственного интеллекта в медицину заболевания кожи вновь становятся одной из перспективных задач апробации и применения методов, основанных на нейронных сетях и машинном обучении, для практических задач медицины.

В представленной статье осуществлён обзор научных публикаций, представляющих результаты использования технологий искусственного интеллекта в дерматологии. С этой целью проанализированы 120 научных исследований за период с 2020 по 2025 год, отражённых в базе данных PubMed.

Проведённая аналитическая работа позволила установить, что технологии искусственного интеллекта применимы для дифференциальной диагностики злокачественных новообразований кожи. Высокое число изображений является критическим для создания платформ на основе искусственного интеллекта для диагностики меланомы кожи из-за высокой гетерогенности как клинической, так и морфологической картины новообразований. Вместе с тем в ряде случаев применение процессов обогащения образов может повысить эффективность создаваемых методов. Так, помимо новообразований, машинное обучение применялось для создания алгоритмов дифференциальной диагностики хронических дерматологических заболеваний кожи ― атопического дерматита, псориаза, очаговой алопеции, розацеа и акне. Наряду с клиническими задачами показано использование искусственного интеллекта и для образовательной деятельности.

Вместе с тем применение искусственного интеллекта вызывает обеспокоенность больных в отношении вопросов этики, а также грамотности диагностических и терапевтических стратегий, в связи с чем на сегодняшний день пациенты видят эти технологии в первую очередь как дополняющие деятельность врача.

Об авторах

Татьяна Геннадьевна Рукша

Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого

Автор, ответственный за переписку.
Email: tatyana_ruksha@mail.ru
ORCID iD: 0000-0001-8142-4283
SPIN-код: 5412-2148

д-р мед. наук, профессор

Россия, 660022, Красноярск, ул. Партизана Железняка, д. 1

Екатерина Зиядхановна Лапкина

Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого

Email: e.z.lapkina@mail.ru
ORCID iD: 0000-0002-7226-9565
SPIN-код: 7656-8584

канд. биол. наук, доцент

Россия, 660022, Красноярск, ул. Партизана Железняка, д. 1

Список литературы

  1. Stanton RB. Artificial intelligence. Nature. 1971;234:279–280. doi: 10.1038/234279b0
  2. Wang H, Fu T, Du Y, et al. Scientific discovery in the age of artificial intelligence. Nature. 2023;620(7972):47–60. doi: 10.1038/s41586-023-06221-2 EDN: DNMAKR
  3. Shanahan M, McDonell K, Reynolds L. Role play with large language models. Nature. 2023;623(7987):493–498. doi: 10.1038/s41586-023-06647-8 EDN: RGHFTH
  4. Feng J, Wang Q, Qiu H, Liu L. Retrieval in decoder benefits generative models for explainable complex question answering. Neural Netw. 2025;181:106833. doi: 10.1016/j.neunet.2024.106833
  5. Ananthaswamy А. How close is AI to human-level intelligence? Nature. 2024;636(8041):22–25. doi: 10.1038/d41586-024-03905-1 EDN: WEDYSK
  6. Zhang M, Yang Q, Lou J, et al. A new strategy to HER2-specific antibody discovery through artificial intelligence-powered phage display screening based on the Trastuzumab framework. Biochim Biophys Acta Mol Basis Dis. 2025;1871(5):167772. doi: 10.1016/j.bbadis.2025.167772
  7. King А. Four ways to power-up AI for drug discovery. Nature. 2025 Feb 27. doi: 10.1038/d41586-025-00602-5
  8. Nordmann TM, Anderton H, Hasegawa A, et al. Spatial proteomics identifies JAKi as treatment for a lethal skin disease. Nature. 2024;635(8040):1001–1009. doi: 10.1038/s41586-024-08061-0
  9. Modiri O, Ebriani J, Davis J. Can AI models assist patients in screening for non-melanoma skin cancer? Evaluating diagnostic accuracy of ChatGPT and Gemini using clinical images. Arch Dermatol Res. 2025;317(1):555. doi: 10.1007/s00403-025-04062-9
  10. Maher NG, Danaei Mehr H, Cong C, et al. Weakly supervised deep learning image analysis can differentiate melanoma from naevi on haematoxylin and eosin-stained histopathology slides. J Eur Acad Dermatol Venereol. 2024;38(12):2250–2258. doi: 10.1111/jdv.20307
  11. Mudhar HS, Milman T, Stevenson S, et al. PRAME expression by immunohistochemistry and reverse transcription quantitative PCR in conjunctival melanocytic lesions-a comprehensive clinicopathologic study of 202 cases and correlation of cytogenetics with PRAME expression in challenging conjunctival melanocytic lesions. Hum Pathol. 2023;134:1–18. doi: 10.1016/j.humpath.2023.02.002
  12. Cui Y, Li Y, Miedema JR, et al. Region of interest detection in melanocytic skin tumor whole slide images-nevus and melanoma. Cancers (Basel). 2024;16(15):2616. doi: 10.3390/cancers16152616
  13. Esimbekova AR, Palkina NV, Zinchenko IS, et al. Focal adhesion alterations in G0-positive melanoma cells. Cancer Med. 2023;12(6):7294–7308. doi: 10.1002/cam4.5510
  14. Komina AV, Palkina NV, Aksenenko MB, et al. Semaphorin-5A downregulation is associated with enhanced migration and invasion of BRAF-positive melanoma cells under vemurafenib treatment in melanomas with heterogeneous BRAF status. Melanoma Res. 2019;29(5):544–548. doi: 10.1097/CMR.0000000000000621
  15. Azimi A, Bi L, Bonfil A, et al. Integrated analysis of proteomic and dermoscopy imaging data improves non-invasive classification of benign nevi and melanoma. J Invest Dermatol. 2025;145(8):2108–2111.e5. doi: 10.1016/j.jid.2025.01.022
  16. Kuppanda PM, Janda M, Soyer HP, Caffery LJ. What are patients’ perceptions and attitudes regarding the use of artificial intelligence in skin cancer screening and diagnosis? Narrative review. J Invest Dermatol. 2025;145(8):1858–1865. doi: 10.1016/j.jid.2025.01.013
  17. Kimball AB, Jemec GB, Alavi A, et al. Secukinumab in moderate-to-severe hidradenitis suppurativa (SUNSHINE and SUNRISE): week 16 and week 52 results of two identical, multicentre, randomised, placebo-controlled, double-blind phase 3 trials. Lancet. 2023;401(10378):747–761. doi: 10.1016/S0140-6736(23)00022-3
  18. Demirel Öğüt N, Ayanoğlu MA, Koç Yıldırım S, et al. Are IL-17 inhibitors superior to IL-23 inhibitors in reducing systemic inflammation in moderate-to-severe plaque psoriasis? A retrospective cohort study. Arch Dermatol Res. 2025;317(1):232. doi: 10.1007/s00403-024-03768-6
  19. Zhang Y, Qian H, Kuang YH, et al. Evaluation of the inflammatory parameters as potential biomarkers of systemic inflammation extent and the disease severity in psoriasis patients. Arch Dermatol Res. 2024;316(6):229. doi: 10.1007/s00403-024-02972-8
  20. Hawro M, Sahin E, Steć M, et al. A comprehensive, tri-national, cross-sectional analysis of characteristics and impact of pruritus in psoriasis. J Eur Acad Dermatol Venereol. 2022;36(11):2064–2075. doi: 10.1111/jdv.18330
  21. Aggarwal SL. Data augmentation in dermatology image recognition using machine learning. Skin Res Technol. 2019;25(6):815–820. doi: 10.1111/srt.12726
  22. Greenfield DA, Feizpour A, Evans CL. Quantifying inflammatory response and drug-aided resolution in an atopic dermatitis model with deep learning. J Invest Dermatol. 2023;143(8):1430–1438. doi: 10.1016/j.jid.2023.01.026
  23. Eskandari A, Sharbatdar M. Efficient diagnosis of psoriasis and lichen planus cutaneous diseases using deep learning approach. Sci Rep. 2024;14(1):9715. doi: 10.1038/s41598-024-60526-4
  24. Achararit P, Manaspon C, Jongwannasiri C, et al. Artificial intelligence-based diagnosis of oral lichen planus using deep convolutional neural networks. Eur J Dent. 2023;17(4):1275–1282. doi: 10.1055/s-0042-1760300
  25. Kaya G, Tak AY. Evaluation of SALT score severity in correlation with trichoscopic findings in alopecia areata: a study of 303 patients. Arch Dermatol Res. 2025;317(1):523. doi: 10.1007/s00403-025-04026-z
  26. Bhardwaj V, Rodgers N, Harth O, Harth Y. Artificial intelligence-based personalization of treatment regimen for hair loss: a 6-month clinical trial. J Drugs Dermatol. 2025;24(3):233–238. doi: 10.36849/JDD.8611
  27. Cortez CD, Fakih A, Bruet M, et al. Impact of dermoscopy training associated with artificial intelligence on general practitioner residents. J Eur Acad Dermatol Venereol. 2024;38(12):2323–2325. doi: 10.1111/jdv.20328
  28. Khawaja Z, Adhoni MZ, Byrnes KG. Generative artificial intelligence powered chatbots in urology. Curr Opin Urol. 2025;35(3):243–249. doi: 10.1097/MOU.0000000000001280
  29. Ananthaswamy A. How close is AI to human-level intelligence? Nature. 2024;636(8041):22–25. doi: 10.1038/d41586-024-03905-1 EDN: WEDYSK
  30. Villalobos P, Ho A, Sevilla J, et al. Will we run out of data? Limits of LLM scaling based on human-generated data. arXiv. 2024. doi: 10.48550/arXiv.2211.04325
  31. Muñoz JM, Bernacer J, Noë A, Thompson E. Why AI will never be able to acquire human-level intelligence. Nature. 2025;637(8047):794. doi: 10.1038/d41586-025-00170-8

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».