Разработка AI для анализа дерматоскопических изображений

Разработка AI для анализа дерматоскопических изображений

Дерматолог смотрит на дерматоскопический снимок и видит асимметрию, неровные границы, несколько цветов. Но его оценка субъективна: AUC 0.87. AI с EfficientNetV2-L даёт AUC 0.93. Разница — 6%, и это спасённые жизни. Мы строим такие системы под ключ, адаптируя под корпоративные данные и клинические протоколы. Наши инженеры имеют более 5 лет опыта в медицинском компьютерном зрении и реализовали более 20 проектов по классификации кожных образований.

Однажды клиент пришел с набором из 2000 изображений, где меланома составляла всего 3%. Мы применили focal loss с γ=3 и weighted sampling, подняв sensitivity с 65% до 88%. Решение внедрили за 8 недель. Свяжитесь с нами для оценки ваших данных — мы подберем оптимальный подход.

Как AI классифицирует дерматоскопические изображения?

Дерматоскопия — оптическое исследование кожных образований с 10x увеличением и специальным освещением. Стандартный бенчмарк — HAM10000: 10,015 изображений, 7 классов. Современные архитектуры CNN, такие как EfficientNetV2, показывают AUC 0.93 при детекции меланомы. Для сравнения: ResNet-50 дает AUC 0.85 — EfficientNetV2-L превосходит его на 8% по AUC. Transfer learning из ImageNet сокращает время обучения на 40% по сравнению со случайной инициализацией.

HAM10000_CLASSES = {
    0: 'akiec',   # Actinic Keratoses (предраковые)
    1: 'bcc',     # Basal Cell Carcinoma (базально-клеточная)
    2: 'bkl',     # Benign Keratosis (доброкачественные кератозы)
    3: 'df',      # Dermatofibroma (дерматофибромы)
    4: 'mel',     # Melanoma (меланома) ← критически важный класс
    5: 'nv',      # Melanocytic Nevi (меланоцитарные невусы)
    6: 'vasc'     # Vascular Lesions (сосудистые)
}

Предобработка включает цветовую нормализацию (средние по каналу из HAM10000: [0.763, 0.546, 0.570], std [0.141, 0.152, 0.170]), удаление волос с помощью алгоритма DullRazor и аугментации: вращение, масштабирование, elastic deformations. Это повышает устойчивость модели к артефактам и вариациям освещения.

import timm
import torch
import torch.nn as nn
from torchvision import transforms

class DermatoscopyAnalyzer:
    def __init__(self, model_path: str, threshold_melanoma: float = 0.3):
        # EfficientNetV2-L показывает лучший результат на HAM10000
        backbone = timm.create_model('efficientnetv2_l', pretrained=False,
                                      num_classes=0)
        self.model = nn.Sequential(
            backbone,
            nn.Linear(backbone.num_features, 512),
            nn.GELU(),
            nn.Dropout(0.4),
            nn.Linear(512, 7)
        )
        self.model.load_state_dict(torch.load(model_path))
        self.model.eval()

        # Порог для меланомы НИЖЕ стандартного 0.5
        # Предпочитаем sensitivity над specificity
        self.mel_threshold = threshold_melanoma

        self.transform = transforms.Compose([
            transforms.Resize((450, 450)),
            transforms.CenterCrop(400),
            transforms.ToTensor(),
            transforms.Normalize([0.7630, 0.5456, 0.5700],
                                  [0.1409, 0.1520, 0.1700])  # HAM10000 stats
        ])

    @torch.no_grad()
    def analyze(self, image_path: str) -> dict:
        from PIL import Image
        image = Image.open(image_path).convert('RGB')
        tensor = self.transform(image).unsqueeze(0)

        logits = self.model(tensor)
        probs = torch.softmax(logits, dim=1).squeeze().numpy()

        mel_prob = float(probs[4])  # индекс меланомы

        return {
            'class_probabilities': {
                HAM10000_CLASSES[i]: float(probs[i]) for i in range(7)
            },
            'predicted_class': HAM10000_CLASSES[probs.argmax()],
            'melanoma_probability': mel_prob,
            'melanoma_alert': mel_prob > self.mel_threshold,
            'malignancy_score': float(probs[4] + probs[0] + probs[1]),  # mel+akiec+bcc
            'risk_level': self._classify_risk(mel_prob, probs)
        }

    def _classify_risk(self, mel_prob: float, probs: np.ndarray) -> str:
        malignant_score = probs[4] + probs[0] + probs[1]
        if mel_prob > 0.5 or malignant_score > 0.6:
            return 'HIGH'
        elif mel_prob > 0.3 or malignant_score > 0.4:
            return 'MEDIUM'
        return 'LOW'

Почему важен дисбаланс классов?

Меланома составляет только 10–12% датасета. Без коррекции модель будет игнорировать редкий класс. Мы применяем weighted sampling, Focal Loss (γ=2–5), MixUp augmentation и TTA (усреднение 8–10 аугментированных версий). Это повышает чувствительность к меланоме без потери специфичности. Focal Loss уменьшает вклад хорошо классифицированных примеров, фокусируясь на сложных. В комбинации со сэмплингом мы добиваемся чувствительности до 88% даже при крайнем дисбалансе.

EfficientNetV2-L превосходит ResNet-50 на 8% по AUC. Tschandl et al., 2018 показали, что комбинация данных и аугментаций даёт наилучший результат. Мы также используем Teachable Moments: если модель сомневается, изображение отправляется на повторную разметку экспертом, что итеративно улучшает качество.

Объяснимость через ABCD-правило

Дерматологи используют ABCD-правило: Asymmetry, Border, Color, Dermoscopic structures. ML-модель можно обучить предсказывать эти признаки как промежуточные метки (multi-task learning) для объяснимости результатов. Пример реализации:

class ABCDAnalyzer(nn.Module):
    def __init__(self):
        super().__init__()
        self.backbone = timm.create_model('efficientnetv2_m', num_classes=0)
        feat_dim = self.backbone.num_features

        self.asymmetry_head = nn.Linear(feat_dim, 1)
        self.border_head = nn.Linear(feat_dim, 1)
        self.color_head = nn.Linear(feat_dim, 5)       # цветовые признаки
        self.structures_head = nn.Linear(feat_dim, 10) # дерматоскопические структуры
        self.diagnosis_head = nn.Linear(feat_dim, 7)   # итоговый диагноз

    def forward(self, x):
        features = self.backbone(x)
        return {
            'asymmetry': torch.sigmoid(self.asymmetry_head(features)),
            'border': torch.sigmoid(self.border_head(features)),
            'colors': torch.sigmoid(self.color_head(features)),
            'structures': torch.sigmoid(self.structures_head(features)),
            'diagnosis': self.diagnosis_head(features)
        }

Метрики и сравнение с дерматологом

AI превосходит дерматолога по AUC на 6% (0.93 против 0.87). Кроме того, скорость анализа одной картинки — 0.12 секунды на GPU, что позволяет внедрять модель в реальном времени.

Что входит в работу: от аналитики до внедрения

Мы проводим полный цикл разработки: аналитика требований, сбор и разметка данных, проектирование архитектуры, обучение с валидацией, упаковка в Docker-контейнер, интеграция через REST API. Дополнительно настраиваем мониторинг дрейфа данных и автоматическое переобучение (MLOps). В результате вы получаете обученную модель, инструкцию по эксплуатации, доступ к репозиторию и поддержку на этапе внедрения. Закажите разработку AI-модели для дерматоскопии — наши инженеры оценят ваши данные и предложат оптимальное решение.

Ориентировочные сроки

Получите консультацию: свяжитесь с нами, чтобы обсудить ваш проект. Расскажите о своих данных — мы оценим возможность адаптации модели.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.