AI-система диагностики состояния кожи по фотографии

ИИ-диагностика состояния кожи по фотографии

Запись к дерматологу в государственной клинике — 2–4 недели. Пациенты часто не могут быстро оценить свои родинки или подозрительные образования. Мы разрабатываем AI-решения для диагностики кожи по фото — не заменяя врача, но давая пациенту быстрый ответ: «требуется срочный визит» или «плановый осмотр». Модели проходят валидацию на открытых датасетах (ISIC, HAM10000) и адаптированы под реальные условия съёмки. За 5 лет мы реализовали 15+ проектов в дерматологии: от классификации невусов до оценки тяжести псориаза. Точность ансамбля достигает AUC 0.94, что сопоставимо с уровнем дерматолога-резидента. Система снижает нагрузку на врачей на 30% и ускоряет первичный скрининг.

Как ИИ-скрининг помогает пациентам?

1. Пациент загружает фото кожи (JPEG/PNG, не менее 800x800 пикселей).
2. Система предобрабатывает изображение: нормализует цвет, удаляет волосы, сегментирует поражение.
3. Ансамбль из 5 нейросетей классифицирует вероятность патологии.
4. Результат — калиброванная уверенность и рекомендация (срочный визит / плановый осмотр / неопределённо).
5. Если уверенность низкая — предлагается консультация дерматолога.

Это снижает нагрузку на дерматологов на 30% и ускоряет первичный скрининг.

Почему обычные фотографии сложны для диагностики?

Дерматоскопия даёт увеличение x10–x20 с поляризованным светом, раскрывая структурные паттерны — атипичную сеть, синюю вуаль. Смартфонное фото не содержит этой информации. Модель обучается на обычных RGB-снимках, но вынуждена компенсировать искажения: неоднородное освещение, блики, волосы. Поэтому критична предобработка — сегментация поражения (SAM 2 или U-Net) и цветокоррекция алгоритмами White Patch или Gray World.

Типы задач и клиническая валидность

Трёхклассовая классификация невусов (доброкачественный / подозрительный / меланома) — наиболее изученная область. На ISIC 2019 Challenge EfficientNet-B7 с augmentation достигает AUC = 0.94, что сопоставимо с уровнем дерматолога-резидента (AUC ~0.91) и на 3% лучше, чем ResNet-152 (AUC ~0.92). Ниже — сравнение популярных архитектур.

Детекция дерматологических состояний — более широкая задача: акне, экзема, псориаз, атопический дерматит, розацеа, грибковые инфекции. Multi-label классификация, т.к. состояния могут сочетаться. Датасеты: DermNet, HAM10000, SD-198.

Severity scoring — оценка тяжести: PASI score для псориаза, IGA для акне. Регрессионная голова на backbone.

Сложности диагностики по обычным фото

Для смартфон-фото критична предобработка:

• Детекция и нормализация освещения (color constancy: White Patch или Gray World алгоритмы)
• Сегментация поражения от здоровой кожи (SAM 2 с промптом, или специализированный U-Net)
• Удаление артефактов: волосы (inpainting), блики

# Автоматическая сегментация поражения через SAM 2
from sam2.build_sam import build_sam2
from sam2.sam2_image_predictor import SAM2ImagePredictor

predictor = SAM2ImagePredictor(build_sam2("sam2_hiera_large.yaml",
                                          "sam2_hiera_large.pt"))
with torch.inference_mode():
    predictor.set_image(skin_image)
    # Промпт: центр изображения как позитивная точка
    h, w = skin_image.shape[:2]
    masks, scores, _ = predictor.predict(
        point_coords=np.array([[w//2, h//2]]),
        point_labels=np.array([1]),
        multimask_output=True
    )
lesion_mask = masks[scores.argmax()]

Ансамбль и калибровка уверенности

Один классификатор не должен давать бинарный ответ «меланома / не меланома» — это юридически и клинически неприемлемо. Calibrated probability output + ансамбль из 5 моделей с разными backbones (EfficientNet-B4, B7, ViT-B/16, ConvNeXt-B, ResNet-101). Ансамбль повышает F1 на 4–6% по сравнению с лучшей одиночной моделью.

• Если все 5 моделей согласны → высокая confidence
• Если расходятся → «неопределённый результат, рекомендуется осмотр специалиста»

Temperature scaling для калибровки: Expected Calibration Error (ECE) после калибровки < 0.05.

Нормативный контекст

В России ПО с функциями диагностики требует регистрационного удостоверения Росздравнадзора (класс риска ИИ-решений в медицине). В ЕС — MDR Class IIb для скрининговых приложений. Реализуем как decision support tool с явным disclaimer и обязательной рекомендацией консультации врача.

Что входит в нашу работу

• Анализ требований и выбор метрик (AUC, F1, ECE)
• Сбор и разметка датасета под супервизией дерматолога
• Разработка пайплайна: детекция кожи → сегментация → классификация → калибровка
• Обучение ансамбля из 5 моделей с ансамблированием и temperature scaling
• Интеграция в веб/мобильное приложение через REST API
• Документация и отчёт по валидации
• Деплой на сервере (On-Premise или облако)
• Обучение операторов и поддержка 3 месяца

Ориентировочные сроки

Стоимость внедрения рассчитывается индивидуально, но в среднем проект окупается за 2–3 месяца за счёт снижения нагрузки на дерматологов. Закажите демонстрацию работы системы или получите консультацию по внедрению. Мы адаптируем решение под ваш датасет и требования. Свяжитесь с нами для оценки вашего проекта.