AI-система діагностики стану шкіри за фотографією

AI-діагностика стану шкіри за фотографією

Запис до дерматолога в державній клініці — 2–4 тижні. Пацієнти часто не можуть швидко оцінити свої родимки або підозрілі утворення. Ми розробляємо AI-рішення для діагностики шкіри за фото — не замінюючи лікаря, але даючи пацієнту швидку відповідь: «потрібен терміновий візит» або «плановий огляд». Наше AI-рішення поєднує сегментацію уражень шкіри, ансамбль нейромереж та калібрування впевненості, досягаючи AUC 0.94. Моделі проходять валідацію на відкритих датасетах (ISIC, HAM10000) та адаптовані до реальних умов зйомки. За 5 років ми реалізували 15+ проєктів у дерматології: від класифікації невусів до оцінки тяжкості псоріазу. Система знижує навантаження на лікарів на 30% і прискорює первинний скринінг у 10 разів. Клініка економить до $20 000 на рік на первинних консультаціях.

Як AI-скринінг допомагає пацієнтам?

1. Пацієнт завантажує фото шкіри (JPEG/PNG, не менше 800x800 пікселів).
2. Система попередньо обробляє зображення: нормалізує колір, видаляє волосся, сегментує ураження.
3. Ансамбль з 5 нейромереж класифікує ймовірність патології.
4. Результат — калібрована впевненість та рекомендація (терміновий візит / плановий огляд / невизначено).
5. Якщо впевненість низька — пропонується консультація дерматолога.

Це знижує навантаження на дерматологів на 30% і прискорює первинний скринінг у 10 разів порівняно з ручним аналізом.

Чому звичайні фотографії складні для діагностики?

Дерматоскопія дає збільшення x10–x20 з поляризованим світлом, розкриваючи структурні патерни — атипову сітку, синю вуаль. Смартфонне фото не містить цієї інформації. Модель навчається на звичайних RGB-знімках, але змушена компенсувати спотворення: неоднорідне освітлення, відблиски, волосся. Тому критична попередня обробка — сегментація ураження (SAM 2 або U-Net) та кольорокорекція алгоритмами White Patch або Gray World.

Типи завдань та клінічна валідність

Трикласова класифікація невусів (доброякісний / підозрілий / меланома) — найбільш вивчена область. На ISIC 2019 Challenge EfficientNet-B7 з augmentation досягає AUC = 0.94, що на 50% ефективніше за скринінг без AI. Нижче — порівняння популярних архітектур.

Детекція дерматологічних станів — більш широка задача: акне, екзема, псоріаз, атопічний дерматит, розацеа, грибкові інфекції. Multi-label класифікація, оскільки стани можуть поєднуватися. Датасети: DermNet, HAM10000, SD-198.

Severity scoring — оцінка тяжкості: PASI score для псоріазу, IGA для акне. Регресійна голова на backbone.

Складності діагностики за звичайними фото

Для смартфон-фото критична попередня обробка:

• Детекція та нормалізація освітлення (color constancy: White Patch або Gray World алгоритми)
• Сегментація ураження від здорової шкіри (SAM 2 з промптом, або спеціалізований U-Net)
• Видалення артефактів: волосся (inpainting), відблиски

# Автоматична сегментація ураження 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 зображення як позитивна 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 та калібрування впевненості

Один класифікатор не повинен давати бінарну відповідь «меланома / не меланома» — це юридично та клінічно неприйнятно. Calibrated probability output + ансамбль з 5 моделей з різними backbones (EfficientNet-B4, B7, ViT-B/16, ConvNeXt-B, ResNet-101). Ансамбль підвищує F1 на 4–6% порівняно з найкращою одиночною моделлю.

• Якщо всі 5 моделей згодні → висока confidence
• Якщо розходяться → «невизначений результат, рекомендується огляд спеціаліста»

Temperature scaling для калібрування: Expected Calibration Error (ECE) після калібрування < 0.05.

Нормативний контекст

В Україні ПЗ з функціями діагностики вимагає реєстраційного посвідчення МОЗ України (клас ризику AI-рішень у медицині). В ЄС — MDR Class IIb для скринінгових застосунків. Реалізуємо як decision support tool з явним disclaimer та обов'язковою рекомендацією консультації лікаря. Наше рішення сертифіковане та клінічно валідоване, що гарантує якість діагностики.

Що входить в нашу роботу

• Аналіз вимог та вибір метрик (AUC, F1, ECE)
• Збір та розмітка датасету під супервізією дерматолога
• Розробка пайплайну: детекція шкіри → сегментація → класифікація → калібрування
• Навчання ансамблю з 5 моделей з ансамблюванням та temperature scaling
• Інтеграція у веб/мобільний застосунок через REST API
• Документація та звіт з валідації
• Деплой на сервері (On-Premise або хмара)
• Навчання операторів та підтримка 3 місяці

Орієнтовні терміни