Введение
Злокачественные новообразования (ЗНО) кожи являются ведущей локализацией в общей структуре заболеваемости злокачественными опухолями [1, 2]. Расположение опухоли на кожном покрове должно приводить к ранней диагностике и активному обращению пациентов к специалистам. Вследствие низкой осведомленности населения, страха обратиться к врачу и отсутствия в отдаленных регионах квалифицированных онкологов-дерматологов диагностика опухолей кожи происходит уже на поздних стадиях заболевания [3].
Приблизительно 80% всех ЗНО кожи составляет базальноклеточный рак кожи (БКРК), однако доля смертельных исходов от этого заболевания составляет не более 0,1%. Чаще смертельные исходы регистрируются при плоскоклеточном раке кожи (ПКРК), который составляет приблизительно 19% от всех ЗНО кожи. 95–98% случаев ПКРК могут быть вылечены при ранней диагностике, но при инвазивном росте пятилетняя выживаемость составляет менее 50%. Приблизительно 1% от всех ЗНО кожи составляет меланома, но доля смертельных исходов, в отличие от ПКРК, гораздо выше. Пятилетняя выживаемость для локализованных рано диагностированных случаев меланомы составляет приблизительно 98%, однако при регионарном метастазировании показатели уменьшаются до 68%, а при отдаленном – до 30% [4–6].
В качестве причин, препятствующих ранней диагностике и соответственно эффективности лечения ЗНО кожи, выступают следующие: 1) недоступность квалифицированной медицинской помощи, особенно для жителей отдаленных регионов; 2) недостаток знаний и опыта врачей общей практики и других специалистов, а также времени, отведенного на прием; 3) низкая осведомленность населения об опухолях кожи [7–10].
Методы машинного обучения, применяемые уже несколько десятилетий, в настоящий момент переживают взрывной рост [11]. Нейронные сети (НС) глубокого обучения (Deep Neural Network, DNN) прекрасно зарекомендовали себя для решения самых различных задач. В области компьютерного зрения доминируют сверточные НС (Convolutional Neural Network, CNN), которые используются для всех видов анализа медицинских изображений. Методы машинного обучения успешно применяются для классификации изображений и прогнозирования в области дерматологии [12–17].
Для успешного обучения с помощью НС требуются большие и хорошо аннотированные наборы данных, поэтому большинство современных подходов основаны на использовании предобученных моделей, которые уже готовы распознавать основные закономерности и элементы в изображениях. Такие модели необходимо в дальнейшем только настроить для решения конкретной задачи. По результатам исследования, предварительно обученные модели ImageNet обеспечивают точность классификации медицинских изображений в дерматологии на уровне человека, а некоторые модели даже превосходят эффективность дерматологов в диагностике кожных заболеваний [18–20].
Подавляющее большинство нейросетевых моделей в дерматологии базируются на дерматоскопических изображениях и предназначены для использования в качестве инструментов поддержки принятия решений в медицинских учреждениях [21–23].
Обследование новообразований кожи без применения дерматоскопии основано на качественной оценке медицинским персоналом факторов риска, которые включают в себя как общие характеристики (оттенок кожи, цвет волос и глаз, наличие веснушек и солнечных ожогов, частое пребывание на солнце, наличие рака кожи в анамнезе), так и характеристики конкретного новообразования, которые обычно оцениваются тестом ABCDE [24, 25].
Единственный подход к самообследованию основан на визуальном осмотре на предмет несоответствия структуры одного новообразования структуре большинства других новообразований, что, очевидно, является весьма субъективной и неточной оценкой.
В данной публикации предложен инструмент на базе ИИ для самооценки новообразований кожи, основанный на клинических фотографиях, сделанных с помощью смартфона, с оценкой факторов риска. В отличие от традиционных кампаний популяционных скринингов «лицом к лицу», которые являются высоко время- и ресурсозатратными, наш подход позволяет удаленно собрать и обработать данные, необходимые для визуальной оценки новообразований кожи.
Цель исследования – определить возможности использования мобильного приложения на базе ИИ как инструмента популяционного скрининга.
Материал и методы
Авторами предложено решение на основе ИИ для самообследования кожи с помощью мобильного приложения «ПроРодинки» для Android/iOS.
Проведение исследования было одобрено независимым локальным этическим комитетом Приволжского исследовательского медицинского университета (ПИМУ), протокол № 1 от 18 января 2021 г. Перед началом использования мобильного приложения «ПроРодинки» предусмотрено пользовательское соглашение.
Пользователи могут сфотографировать новообразование в приложении, добавить метаданные, включая демографическую информацию, характеристики самого новообразования и факторы риска (оттенок кожи, цвет волос, наличие веснушек, количество родинок на одной руке, случаи солнечных ожогов, наличие больших родинок, случаи меланомы в анамнезе, случаи меланомы у родственников, посещение солярия), отправить этот набор данных для анализа ИИ. Каждое изображение на первом этапе проходит контроль качества, затем сегментируется CNN-моделью для обнаружения границ объекта и, наконец, классифицируется CNN-моделью на предмет наличия риска рака кожи. Метаданные используются исключительно для проверки качества и статистических исследований.
Наша модель различает пять классов образований: доброкачественные – невус, гемангиому, себорейный кератоз, а также злокачественные – меланому, БКРК или ПКРК. В связи с нормативными ограничениями на оказание медицинских услуг пользователям приложения предоставляется только бинарный ответ, указывающий на высокий или низкий риск наличия рака кожи. В случае обнаружения высокого риска ЗНО приложение предлагает пользователям незамедлительно обращаться к онкологам для проведения очной консультации.
В разработанном авторами статьи решении для самостоятельной оценки риска заболевания раком кожи используется ансамбль сверточных НС для детекции новообразования и его классификации. Передаче изображения в CNN-модели предшествует оценка его качества (рис. 1). Компонент оценки изображения проверяет каждую представленную фотографию по следующим критериям: равномерное освещение без тени, резкость и размер.
Для оценки равномерности освещенности использовали метод локального контраста на основе среднеквадратического отклонения с порогом 63 и критерий Майкельсона с порогом 0,99; для оценки уровня резкости – фильтр Лапласа с порогом 16. Минимальный требуемый размер изображения был определен в 100 пикселей. Проверка изображения реализована с помощью библиотеки OpenCV. Все изображения, не прошедшие проверку, отклоняются с просьбой предоставить новое фото (уровень отказа составляет около 37%).
Изображения, прошедшие проверку, передаются в первую CNN-модель детекции, задача которой обнаружить границы новообразования и кадрировать фото. В случае обнаружения нескольких объектов для дальнейшего анализа выбирается тот, который имеет признаки ЗНО кожи. Мы использовали предварительно обученную модель Google с Vertext AI в качестве основы и дообучили ее для обнаружения новообразований кожи, используя 7680 верифицированных клинических изображений, собранных специалистами ПИМУ. Характеристики разработанной модели для тестового подмножества из 1523 изображений показаны на рис. 2 А: точность и чувствительность модели составляют 91,94 и 81,06% соответственно.
Изображение, кадрированное CNN-моделью детекции, поступает на вход модели классификации. Мы снова применили метод дообучения и настройки предварительно обученной модели Google с Vertext AI для распознавания пяти заболеваний: невус, гемангиома, себорейный кератоз, меланома, БКРК/ПКРК. Для модели классификации использовали набор данных, содержащий 11 429 клинических изображений: 7680 изображений, используемых в CNN-детекции, дополненных 3749 изображениями, собранными через приложение «ПроРодинки» в начале 2021 г. и классифицированными дерматологами Университетской клиники. Характеристики полученной модели классификации и матрица несоответствий представлены на рис. 2 Б и 2 В. Достигнутая точность и чувствительность модели на тестовом подмножестве из 1233 изображений составляют 90,92 и 86,94% соответственно.
Результаты
Представлены результаты анализа данных, собранных приложением «ПроРодинки» за 15 месяцев 2021–2022 гг. Обработано 401 606 изображений новообразований, присланных через приложение. Выявлено 9321 подозрение на ЗНО, из них на меланому – 5230. По гендерному признаку подозрительные новообразования распределились следующим образом: 3602 образования выявлены у женщин и 1628 – у мужчин.
Профили пользователей по возрасту, фототипу и полу представлены на рис. 3. Распределение по возрасту близко к нормальному с медианой и средним возрастом 37 лет и 38,46 года соответственно, что делает возможным использовать возраст для дальнейшего совместного анализа с другими факторами риска. Распределение фототипов соответствует профилю Российской Федерации (РФ) [26]. Распределение по полу сильно скошено в сторону женщин: 3/4 изображений получено от лиц женского пола. Поскольку пол считается важным фактором риска развития рака кожи, в дальнейшем следует отдельно анализировать мужские и женские изображения новообразований.
Наибольшее количество пользователей приложения «ПроРодинки» в четырех регионах РФ представлено на рис. 4. Можно увидеть количество новообразований в процентах от населения региона в масштабе ×100, то есть фактически процент населения, охваченного массовым скринингом.
Весь дальнейший анализ основан на данных из Москвы и Московской области, Нижнего Новгорода и Нижегородской области, Санкт-Петербурга и Ленинградской области, Краснодарского края.
Как показано на рис. 5 А, средний возраст мужчин с БКРК/ПКРК составляет 56,28 года (1-й квартиль: 45,50 лет; 3-й квартиль: 68,00 лет), женщин – 55,98 года (1-й квартиль: 44,00 года; 3-й квартиль: 69,00 лет). Средний возраст пациентов с меланомой заметно ниже: 46,78 года у мужчин (1-й квартиль: 31,00 года; 3-й квартиль: 60,00 лет) и 41,35 года у женщин (1-й квартиль: 28,50 года; 3-й квартиль: 54,00 года).
Показатель распространенности среди мужчин (количество случаев на 100 тыс. человек) для БКРК/ПКРК составляет 4,42 случая, а для меланомы – 5,43 случая. Цифры для женского населения значительно выше: 8,98 случая БКРК/ПКРК и 11,88 случая меланомы.
В то время как БКРК является наиболее распространенным типом рака кожи, в нашем наборе данных мы наблюдаем более высокий показатель распространенности меланомы на 100 тыс. человек как среди мужчин (рис. 5 Б), так и среди женщин (рис. 5 В). Предположительно это связано с тем, что средний возраст появления БКРК составляет около 68–70 лет, тогда как пользователи приложения «ПроРодинки» намного моложе, средний возраст составляет 37 лет [1, 4].
На рис. 6 представлены данные о распространенности ЗНО (количество случаев на 100 тыс. населения) для БКРК/ПКРК и меланомы в зависимости от локализации (рис. 6 А и 6 Б) и анамнеза новообразований (рис. 6 В и 6 Г). Четыре основные локализации БКРК/ПКРК как у женщин, так и у мужчин, ответственные за 72,7% случаев, – это лицо, верхняя часть тела, нижняя часть тела и плечи. Четыре основные локализации меланомы как у женщин, так и у мужчин в 64,59% случаев – это верхняя часть тела, нижняя часть тела, плечи и бедра.
Данные анамнеза новообразований при БКРК/ПКРК свидетельствуют о том, что недавнее развитие или изменение ранее возникших образований являются основными факторами риска (возникают в 60,86% случаев) независимо от пола. Данные анамнеза новообразований при меланоме равномерно распределены как в женской, так и в мужской популяции.
Факторы риска собираются на добровольной основе и поэтому доступны только в 22% случаев. Мы не можем проверить корректность ответов пользователей приложения «ПроРодинки». Эти ответы носят субъективный характер, однако мы считаем, что объем собранных данных (более 88 тыс. заполненных анкет) нивелирует возможные искажения в ответах.
Отдельно исследовали каждый из факторов риска для случаев БКРК/ПКРК и меланомы в разбивке по полу и возрасту. Результаты приведены на рис. 7–12.
Светлый оттенок кожи преобладает у пользователей с подозрением как на меланому, так и на БКРК/ПКРК независимо от пола и возраста (рис. 7). Количество случаев БКРК/ПКРК ожидаемо увеличивается с возрастом как для мужчин, так и для женщин.
Большое количество родинок (более 20 на одной руке) связано с более ранним развитием меланомы у женщин (рис. 8). Количество случаев БКРК/ПКРК ожидаемо увеличивается с возрастом как для мужчин, так и для женщин.
История солнечных ожогов преобладает в группах пользователей с подозрением на меланому и БКРК/ПКРК независимо от пола и возраста (рис. 9).
Больший размер новообразований преобладает в выявленных случаях меланомы, особенно у женщин (рис. 10).
Большинство пользователей с подозрением на меланому не имеют указания в анамнезе на предшествующий рак кожи, поэтому мы не можем должным образом оценить влияние этого фактора, однако наблюдаем значительное количество случаев БКРК/ПКРК у женщин с меланомами в анамнезе (рис. 11).
Посещение солярия связано с более ранним развитием меланомы у женского населения (рис. 12). Количество случаев БКРК/ПКРК ожидаемо увеличивается с возрастом как для мужчин, так и для женщин.
Обсуждение
На территории РФ предложен инструмент для проведения популяционного населения. За ограниченный период использования были охвачены 85 регионов и более 290 тыс. пользователей. Без использования новых технологий аналогичный масштаб охвата населения с целью скрининга опухолей кожи требует значительных профессиональных ресурсов и материальных затрат.
В Европе с 1999 г. и в России с 2007 г. проводится ежегодная общеевропейская кампания «Евромеланома». За 10 лет (с 2000 по 2010 г.) в 27 странах было проведено 260 тыс. скрининговых обследований. В частности, в 2021 г. в России в кампании «День диагностики меланомы» приняли участие 8003 человека, из них у 227 выявлено ЗНО кожи. Таким образом, для того чтобы заподозрить ЗНО кожи у одного человека, потребовалось осмотреть 35 человек. Аналогичное соотношение обследованных к выявленным случаям ЗНО было получено в другом российском скрининговом исследовании «Жизнь без страха», в котором для обнаружения одного ЗНО кожи потребовалось осмотреть 30 человек [26, 27]. Анализ 401 606 новообразований кожи можно считать крупнейшей кампанией популяционного скрининга ЗНО кожи, когда-либо проводившейся в РФ, как по количеству собранных новообразований, так и по охвату населения.
По данным официальной статистики, в РФ в 2021 г. меланома диагностирована у 10 162 пациентов, в том числе 6077 женщин и 4085 мужчин [1]. Наши исследования выявили 5230 случаев подозрения на меланому за 2021–2022 гг. (3-й квартал) в РФ, 3602 случая у женщин и 1628 случаев у мужчин.
Данные по Москве и Московской области, Нижнему Новгороду, Санкт-Петербургу и Ленинградской области, Краснодару составляют 5,43 случая для мужчин и 11,88 случая для женщин на 100 тыс., в то время как статистика дает нам общий показатель всего 4,12 [1].
Наши результаты показали гораздо более молодой средний возраст пациентов с ЗНО кожи как у мужчин, так и у женщин по сравнению с официальной статистикой. В статистическом ежегодном сборнике за 2021 г. в РФ средний возраст больных меланомой составил 61,5 года для мужчин и 62,1 года для женщин, аналогичные показатели получены в нашем исследовании – 46,78 и 41,35 соответственно [1]. Настолько большая разница в возрасте обратившихся к ИИ и в систему здравоохранения может быть связана с недостаточной информированностью населения об опухолях кожи, распространенными мифами и заблуждениями, страхом, отсутствием времени для обращения к врачу в самом активном возрасте. Мобильное приложение и ИИ оказались инструментом для преодоления психологического барьера на пути к очной консультации. Можно предположить, что обращение лиц за медицинской помощью в более молодом возрасте обеспечит своевременную выявляемость ЗНО.
Преобладание выявленных случаев, подозрительных на меланому, по сравнению с раком кожи, не совпадающее с данными официальной статистики, объясняется более молодым контингентом пользователей приложения и недостаточным охватом старшего поколения. Помимо более молодого возраста развития меланомы, отмечена значительная разница в среднем возрасте между мужчинами и женщинами: женское население оказывается в группе риска почти на пять лет раньше. Это можно объяснить более внимательным отношением женщин к своему состоянию здоровья и к состоянию здоровья кожи.
Согласно официальной статистике, средний возраст немеланомного рака кожи для мужчин 68,2 года и для женщин 70,2 года, в то время как наше исследование для БКРК/ПКРК показывает средний возраст – 56,28 года для мужчин и 55,98 года для женщин. Для пользователей с подозрением на немеланомный рак кожи также прослеживается тенденция более раннего обращения за медицинской помощью через предложенный инструмент, чем в первичное звено системы здравоохранения.
Анализ взаимосвязи между факторами риска и ранним развитием опухолей кожи выявил, что для меланомы статистически значимым маркером является наличие более 20 невусов на одной руке и наличие невусов большого размера, для всех опухолей – анамнестические данные о светлом фототипе и солнечных ожогах, и не выявил связи с цветом волос, наличием веснушек и наличием меланомы у родственников. Эти данные расходятся с данными официальных статистических источников, что, возможно, связано с субъективным фактором при заполнении анкетных данных.
Доказано, что инструмент самообследования на базе ИИ может использоваться для популяционного скрининга рака кожи в качестве экономически эффективного решения, обеспечивающего большой охват населения и способствующего повышению его осведомленности. Соответствие анкетных данных изображениям, подозрительным на ЗНО кожи, побуждает исследователей пересмотреть существующий подход к определению групп риска.
Заключение
Приложение «ПроРодинки» продемонстрировало себя как эффективный и экономически выгодный для государства инструмент популяционного скрининга.
Источник финансирования
Работа выполнена при поддержке программы «Приоритет 2030», площадь Минина и Пожарского, 10/1, Нижний Новгород, 603005, Россия.
Качественное подтверждение данных
Метаданные в виде изображений новообразований, полученные через приложение, не могут быть валидированы нами и используются как есть. В случае субъективных ответов пользователей мы полагаем, что сумма собранных данных выравнивает сознательно искаженные ответы.
Заявление об информированном согласии
Не применимо.
Конфликт интересов
Авторы статьи заявляют об отсутствии конфликта интересов.