В последние годы наблюдается стабильный рост случаев заболевания раком кожи Большинство исследований рака кожи с использованием искусственного интеллекта (ИИ) были сосредоточены на классификации меланоцитарных поражений и направлены на скрининг меланомы.

В 2004 году впервые применили компьютерные алгоритмы для диагностики меланомы кожи. В том же году было доказано, что диагностический алгоритм цифрового анализа изображений меланоцитарных заболеваний может достичь точности, аналогичной экспертной дерматоскопии.

Применение ИИ в медицине и дерматологии экспоненциально растет в 2020-е годы. Создание более мощной модели компьютерного зрения, SEER, а также новое поколение генеративно-состязательных сетей StyleGAN3 (GenerativeAdversarialNetworks) предоставило более мощные инструменты для обучения ИИ на основе наборов изображений, способствуя созданию более надежных систем автоматизированного проектирования для дерматологии в будущем.

Системы искусственного интеллекта, основанные на алгоритмах глубокого обучения, используют многочисленные общедоступные наборы дерматологических изображений и изображений поражений кожи для того, чтобы различать доброкачественные и злокачественные виды образований на коже.

Эти наборы данных содержат огромное количество изображений разной модальности, такие как дерматологические, клинические фотографии или гистопатологические изображения.  Кроме того, глубокое обучение может быть использовано для обработки несоответствии

В связи с быстрым развитием ИИ и его широким использованием пациентами и врачами, было проведено несколько международных исследований. С января по июнь 2019 г. с помощью онлайн-анкет были опрощены 1271 человек из 92 стран.

Респонденты признали распознавание и обработку дерматоскопических изображений самым перспективным путем развития и применения ИИ в дерматологии.

Из всего числа респондентов 77.3% были согласны с тем, что использование ИИ сможет помочь дерматологам, при этом 79.8% использовали искусственный интеллект для обучения в медицинской сфере. В сравнении с этими данными, лишь 5.5% (70 из 1271) опрошенных согласны с утверждением о том, что в будущем ИИ полностью заменит дерматологов

Чат-боты могут предоставлять медицинским работникам удобный способ обучения новым процедурам и технологиям. Также чат-боты могут быть полезным инструментом для поддержки принятия решений медицинским персоналом.

Они могут предоставлять доступ к базе данных, клиническим рекомендациям и научным исследованиям, помогая медицинским работникам принимать информированные решения.  

Чат-боты могут имитировать взаимодействие с пациентами, что позволяет медицинскому персоналу тренироваться в общении и развивать навыки эмпатии. Эти чат-боты могут воспроизводить различные клинические сценарии, предоставлять случаи из реальной практики и помогать медицинским работникам развивать навыки коммуникации и эффективного общения с пациентами.

В заключение, разработка и применение чат-ботов с применением искусственного интеллекта в обучении при работе с дерматоскопическими изображениями представляет собой перспективное направление, которое может существенно улучшить образовательные процессы в дерматологии и повысить качество диагностики кожных заболеваний.

Дальнейшие исследования могут быть направлены на расширение функциональности чат-ботов, улучшение точности распознавания и классификации кожных образований, а также на адаптацию чат-ботов под различные языки и культурные контексты.

Литература

1. Smith, C. (2019). The Role of Chatbots in Healthcare. Medium.
2. Tavares, J., & Oliveira, T. (2017). Chatbots as a tool in health care services: Design and implementation of a chatbot. In International Conference on Information Technology & Systems (pp. 207-218). Springer, Cham.
3. Hirst, G. (2020). The Benefits of Chatbots in Healthcare. Inside Digital Health. 4. Simpao, A. F., Ahumada, L. M., &Gardecki, M. (2018). A review of chatbot technology in healthcare: chatbots in hospitals. In Anesthesia & Analgesia (Vol. 126, No. 5, pp. 1753-1763). Lippincott Williams and Wilkins. 
4. Chatterjee S. et al., "Chatbots in healthcare: A comprehensive review," Health Policy and Technology, vol. 9, no. 3, pp. 263-273, 2020. DOI: 10.1016/j.hlpt.2020.05.009.
5. Gutkowicz-Krusin, D.; Elbaum, M.; Jacobs, A.; Keem, S.; Kopf, A.W.; Kamino, H.; Wang, S.; Rubin, P.; Rabinovitz, H.; Oliviero, M. Precision of Automatic Measurements of Pigmented Skin Lesion Parameters with a MelaFindTM Multispectral Digital Dermoscope. Melanoma Res. 2000, 10, 563–570.
6. Yegnanarayana, B. Artificial Neural Networks, 1st ed.; Prentice-Hall of India Pvt. Ltd.: Chennai, India, 2004.
7. Alzubaidi, L.; Zhang, J.; Humaidi, A.J.; Al-Dujaili, A.; Duan, Y.; Al-Shamma, O.; Santamaría, J.; Fadhel, M.A.; Al-Amidie, M.; Farhan, L. Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions; Springer International Publishing: Cham, Switzerland, 2021; Volume 8, ISBN 4053702100444.
8. Gessert, N.; Nielsen, M.; Shaikh, M.; Werner, R.; Schlaefer, A. Skin Lesion Classification Using Ensembles of Multi-Resolution EfficientNets with Meta Data. MethodsX 2020, 7, 100864.
9. Weinberg, J.; Kaddu, S.; Gabler, G.; Kovarik, C. The African Teledermatology Project: Providing Access to Dermatologic Care and Education in Sub-Saharan Africa. Pan Afr. Med. J. 2009, 3, 16. 
10. Ma E.Z., Hoegler K.M., Zhou A.E. Bioinformatic and Machine Learning Applications in Melanoma Risk Assessment and Prognosis: A Literature Review // Genes (Basel). Multidisciplinary Digital Publishing Institute (MDPI), 2021. Vol. 12, № 11.
11. Veronese, F.; Branciforti, F.; Zavattaro, E.; Tarantino, V.; Romano, V.; Meiburger, K.M.; Salvi, M.; Seoni, S.; Savoia, P. The Role in Teledermoscopy of an Inexpensive and Easy-to-Use Smartphone Device for the Classification of Three Types of Skin Lesions Using Convolutional Neural Networks. Diagnostics 2021, 11, 451.
12. Kagian, A.; Dror, G.; Leyvand, T.; Meilijson, I.; Cohen-Or, D.; Ruppin, E. A Machine Learning Predictor of Facial Attractiveness Revealing Human-like Psychophysical Biases. Vis. Res. 2008, 48, 235–243.
13. Mirikharaji, Z.; Abhishek, K.; Izadi, S.; Hamarneh, G. D-LEMA: Deep Learning Ensembles from Multiple Annotations-Application to Skin Lesion Segmentation. In Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Nashville, TN, USA, 19–25 June 2021; pp. 1837–1846. 
14. Gautam D. et al. Machine learning-based diagnosis of melanoma using macro images // Int J Numer Method Biomed Eng. Int J Numer Method Biomed Eng, 2018. Vol. 34, № 5. 1
15. Blum, A.; Luedtke, H.; Ellwanger, U.; Schwabe, R.; Rassner, G.; Garbe, C. Digital Image Analysis for Diagnosis of Cutaneous Melanoma. Development of a Highly Effective Computer Algorithm Based on Analysis of 837 Melanocytic Lesions. Br. J. Dermatol. 2004, 151, 1029–1038.
16. Polesie, S.; Gillstedt, M.; Kittler, H.; Lallas, A.; Tschandl, P.; Zalaudek, I.; Paoli, J. Attitudes towards Artificial Intelligence within Dermatology: An International Online Survey. Br. J. Dermatol. 2020, 183, 159–161.
17. Peck, R., Al-Rubaiey, M., & Salyers, V. (2019). The impact of artificial intelligence chatbots in healthcare: A systematic review. Health informatics journal, 25(3), 1410-1422. 1
18. Borghouts, J., Eikey, E. V., Mark, G., & De Leon, C. (2019). The Risks and Benefits of Chatbot Use for Mental Health: A Systematic Review. Studies in Health Technology and Informatics, 264, 1103-1107.
19. Kailas Vodrahalli, Justin Ko, Albert S. Chiou (2023). Development and Clinical Evaluation of an Artificial Intelligence Support Tool for Improving Telemedicine Photo Quality. JAMA Dermatol. 2023;159(5):496-503. doi:10.1001/jamadermatol.2023.0091