Аннотация

Актуальность. Искусственный интеллект (ИИ) всё чаще используется для оценки кожных образований. Однако доверие к этой технологии зависит не только от её точности в лабораторных условиях, но и от прозрачности данных о её эффективности в реальной практике. Большинство исследований демонстрируют высокую точность в контролируемых условиях, но лишь немногие объединяют техническую валидацию, независимую клиническую оценку и сопоставление с научной литературой в одном отчёте.

Цель. Оценить возможности и ограничения анализа кожи с помощью ИИ на основании трёх источников: отчёта Skinive о точности за 2026 год, независимой клинической оценки, проведённой в специализированном медицинском центре, и последних рецензируемых научных публикаций.

Методы. Проведён комплексный анализ данных технической валидации алгоритма Skinive, независимой клинической оценки на выборке пациентов со сложными клиническими случаями и опубликованной научной литературы.

Результаты. Алгоритм Skinive демонстрирует последовательное повышение точности от версии к версии. В ходе независимой оценки сложных клинических случаев клинически полезный результат — правильный диагноз среди трёх первых прогнозов, корректное определение группы заболеваний или соответствующая рекомендация по направлению пациента к специалисту — был получен в 80 % случаев.

Выводы. Анализ кожи с помощью ИИ может оказывать клинически значимую помощь при первичной оценке кожных образований при условии, что технология используется как инструмент поддержки принятия решений, а не как замена врачу. Необходимы дополнительные проспективные многоцентровые исследования.

Введение

Искусственный интеллект стал одной из наиболее быстро развивающихся технологий в дерматологии. В контролируемых условиях глубокое обучение позволяет достигать показателей точности, сопоставимых с результатами опытных дерматологов. Однако перенос этих результатов в повседневную клиническую практику остаётся серьёзной задачей.

Большинство исследований оценивают ИИ с помощью традиционных показателей, включая чувствительность, специфичность и площадь под ROC-кривой (AUROC). Однако эти метрики не полностью отражают поведение системы при работе с изображениями различного качества, редкими заболеваниями или разнообразными популяциями пациентов. Именно поэтому всё больше внимания уделяется данным реальной клинической практики (Real-World Evidence, RWE) при оценке медицинских технологий на основе ИИ.

Настоящий отчёт объединяет техническую валидацию, независимую клиническую оценку и сопоставление с научной литературой. Его цель не заключается в утверждении, что ИИ способен устанавливать окончательный диагноз. Вместо этого рассматривается его роль как инструмента поддержки принятия решений: ранней оценки рисков, самостоятельного обследования кожи и определения приоритетности направления пациентов к специалистам.

Источники доказательных данных

Отчёт основан на трёх независимых источниках:

1. Отчёт Skinive о точности за 2026 год — техническая валидация алгоритма с использованием стандартизированной методологии.
2. Независимая клиническая оценка, проведённая в специализированном медицинском центре на выборке пациентов со сложными клиническими случаями.
3. Современная научная литература, посвящённая искусственному интеллекту в дерматологии и цифровому здравоохранению.

Каждый источник предоставляет отдельный уровень доказательств: техническая валидация измеряет эффективность в стандартизированных условиях; клиническая оценка исследует поведение системы при сложных случаях; научная литература обеспечивает внешний контекст для интерпретации результатов.

Результаты 6,5 миллиона анализов кожи с помощью ИИ в реальных условиях

Как искусственный интеллект используется в повседневной дерматологической практике

С момента запуска платформа Skinive выполнила более 6,57 миллиона анализов кожи с помощью ИИ (третий квартал 2026 года). Это один из крупнейших собственных массивов данных об оценке состояния кожи с использованием смартфонов в реальных условиях.

Эти данные не отражают распространённость заболеваний среди населения в целом. Однако они позволяют понять, как пользователи применяют дерматологический ИИ в повседневной жизни.

Рисунок: Географическое распределение анализов кожи с помощью ИИ.

Ключевая интерпретация: набор данных отражает повседневное использование технологии в различных системах здравоохранения и географических регионах, что увеличивает разнообразие реальных условий её применения.

Географическое распределение. Большинство анализов приходится на Германию, Россию, Индию, Великобританию, Францию, Италию, Бангладеш, Испанию, Австралию и Бразилию. Далее следуют Аргентина, Колумбия, Нидерланды, Мексика, Польша, Беларусь, США, Австрия, Чили и Филиппины.

Какие проблемы кожи пользователи действительно анализируют?

Пользователи обращаются к ИИ не только для выявления рак кожи.

Среди выявленных изменений воспалительные заболевания кожи представляют наиболее многочисленную категорию.

Рисунок: Распределение изменений кожи, выявленных с помощью ИИ.

Ключевая интерпретация: воспалительные заболевания кожи составляют основную категорию использования ИИ в реальных условиях, тогда как оценка риска рака кожи остаётся одним из важнейших клинических применений технологии.

Выявление клинически значимых рисков

В 14,68 % всех анализов, выполненных с помощью ИИ, были выявлены изменения, классифицированные как клинически значимые индикаторы риска, требующие дополнительного внимания.

Речь идёт не о подтверждённых диагнозах, а о рекомендациях алгоритма относительно возможной необходимости консультации специалиста.

Рисунок: Выявление клинически значимых рисков.

Ключевая интерпретация: доля анализов кожи с помощью ИИ, по результатам которых были сформированы рекомендации, связанные с клинически значимыми рисками.

Повышенные показатели выявления рисков могут объясняться смещением вследствие самоотбора: пользователи самостоятельно выбирают для анализа изменения кожи, которые считают подозрительными.

Мобильные платформы и доступность

Приблизительно 60–65 % анализов были выполнены на устройствах Android, остальные — пользователями iPhone.

Такое распределение демонстрирует широкую доступность дерматологических технологий на смартфонах независимо от используемой мобильной экосистемы.

Рисунок: Распределение анализов по мобильным платформам.

Качество изображений остаётся главным фактором, который можно улучшить

Среди анализов, которые не удалось успешно завершить, большинство ошибок связано с двумя предотвратимыми факторами:

• недостаточным освещением;
• размытыми изображениями из-за неправильной фокусировки или движения камеры.

В отличие от ограничений, связанных с морфологией кожных образований или техническими характеристиками камеры, эти факторы могут быть непосредственно устранены пользователями.

Рисунок: Основные причины снижения качества изображений.

Ключевая интерпретация: обучение пользователей правильной фотосъёмке может дополнительно повысить диагностическую эффективность без необходимости изменять сам алгоритм ИИ.

Основные наблюдения на основе данных реальной практики

Анализ более 6,57 миллиона оценок состояния кожи с помощью ИИ позволяет выделить несколько важных наблюдений, выходящих за рамки традиционных исследований по валидации.

• Дерматологический ИИ используется для оценки воспалительных заболеваний чаще, чем могут предполагать многие медицинские специалисты.
• Пользователи обращаются к ИИ для оценки конкретных проблем кожи, а не преимущественно для массового профилактического скрининга.
• Качество изображений является основным изменяемым фактором, влияющим на успешное завершение анализа.
• Накопление собственных клинических данных позволило непрерывно совершенствовать алгоритм, особенно в распознавании пигментных образований и оценке риска рака кожи.

Отчёт о точности за 2026 год: основные результаты

Отчёт Skinive о точности за 2026 год документирует развитие алгоритма Skinive с использованием стандартизированной методологии, последовательно применяемой к различным версиям.

• Алгоритм распознаёт 55 заболеваний кожи.
• Для обучения использовалось около 250 000 изображений с клинической разметкой.
• С момента запуска платформы выполнено более 6,5 миллиона анализов кожи с помощью ИИ.
• Зафиксировано последовательное улучшение чувствительности, специфичности, точности и показателя F1.

Рисунок: Динамика показателей эффективности ИИ Skinive (2021–2026).

Ключевая интерпретация: улучшения были достигнуты без повышения одного показателя за счёт ухудшения других. Характеристики алгоритма стали более сбалансированными.

Этот баланс особенно важен для систем поддержки принятия клинических решений, которым необходимо учитывать как риск пропуска определённых образований, так и вероятность ложноположительных результатов.

Клиническая оценка в сложных условиях специализированного медицинского центра

Дизайн исследования

В 2026 году Skinive прошёл клиническую оценку в специализированном медицинском центре, название которого не раскрывается в связи с обязательствами по соблюдению конфиденциальности.

Центр принимает сложные клинические случаи, направляемые врачами общей практики и дерматологами.

Таким образом, исследование представляет собой оценку в особенно сложных условиях, а не популяционное скрининговое исследование.

• Всего было проведено 241 обследование.
• 160 случаев имели полный набор данных и составили основную исследуемую выборку.
• Референсные диагнозы: гистопатологическое исследование в 117 случаях, цитологическое исследование в 22 случаях и клинический диагноз, установленный дерматологом, в 21 случае.

Оценка проводилась на нескольких уровнях:

• Точное совпадение с первым, вторым или третьим прогнозом алгоритма (top 1, top 2 и top 3).
• Правильное определение группы заболеваний.
• Корректное направление пациента к специалисту в зависимости от уровня риска.
• Полное отсутствие совпадения.
• Случаи заболеваний, не распознаваемых алгоритмом.

Различия между базальноклеточной карциномой и плоскоклеточный рак кожи, а также между меланома и меланома на фоне злокачественного лентиго не считались ошибками.

Эти заболевания могут быть сложны для визуального различения и требуют гистологического исследования.

Исследуемая популяция

Выборка была особенно селективной и сложной.

Преобладали случаи с подозрением на меланому, базальноклеточную карциному, плоскоклеточный рак кожи, болезнь Боуэна и диспластические невусы.

Простые доброкачественные образования практически отсутствовали.

Это обстоятельство имеет принципиальное значение для интерпретации результатов.

В обычной скрининговой популяции большинство кожных образований доброкачественные и имеют типичные характеристики.

В данном исследовании, напротив, были непропорционально широко представлены атипичные, злокачественные, предраковые и сложные для дифференциальной диагностики образования.

Поэтому результаты нельзя напрямую экстраполировать на массовый скрининг.

Результаты

• Точное совпадение с первым прогнозом (top 1): 87 из 160 случаев, или 54,4 %.
• Точное совпадение среди трёх первых прогнозов (top 3): ещё в 19 случаях (11,9 %) правильный диагноз соответствовал второму прогнозу, а в 7 случаях (4,4 %) — третьему. В общей сложности правильный диагноз входил в тройку первых прогнозов в 113 из 160 случаев, или 70,6 %.
• Правильное определение группы заболеваний: ещё 6 случаев (3,75 %). Конкретный диагноз не совпадал, однако группа заболеваний была определена правильно.
• Корректное направление пациента: 9 случаев (5,6 %). Диагноз и группа заболеваний не совпадали, однако оценка риска приводила к правильному решению о направлении пациента.
• Комплексный клинически полезный результат: при объединении совпадений среди трёх первых прогнозов, правильной классификации по группам заболеваний и корректных рекомендаций по направлению пациентов Skinive предоставил клинически полезный результат в 128 из 160 случаев, или 80,0 %.
• Оставшиеся случаи: 6 нераспознанных заболеваний (3,75 %) и 26 полностью неправильных результатов (16,25 %).
• Анализ подгруппы: среди 23 случаев без гистологического исследования или с неопределёнными результатами цитологии три первых прогноза совпадали с клиническим диагнозом дерматолога в 19 случаях (82,6 %). Расхождения наблюдались в 4 случаях (17,4 %), причём 3 из них относились к заболеваниям, не распознаваемым алгоритмом.

Клиническая интерпретация

Главный вывод заключается не в том, что Skinive установил точный диагноз во всех случаях: это не так.

Принципиально важно, что система сохранила диагностическую ценность или практическую полезность для направления пациентов в 80 % случаев исключительно сложной выборки специализированного медицинского центра.

Для инструмента поддержки принятия решений точное диагностическое совпадение и правильное направление пациента представляют собой два связанных, но различных результата.

Гистопатологическое исследование остаётся необходимым для окончательной классификации многих злокачественных и пограничных кожных образований.

Поэтому ответ ИИ, полученный на основании фотографии кожного образования, не следует оценивать исключительно по способности воспроизводить гистологическую классификацию.

Способность системы выявлять клинические подозрения, определять уровень риска и способствовать своевременному обращению к специалисту также имеет клиническое значение.

Характер ошибок: полностью неправильные результаты составляли 16,25 % случаев.

Они преимущественно относились к редким заболеваниям, включая невус Шпица, ювенильную ксантогранулёму и пиогенную гранулёму, а также к атипичным проявлениям распространённых заболеваний.

Ложноположительные результаты встречались чаще, чем ложноотрицательные.

С точки зрения онкологической настороженности склонность к ложноположительным результатам может быть предпочтительнее, поскольку снижает риск пропустить опасное образование.

Однако ложноположительные результаты также имеют последствия: они могут вызывать тревогу, приводить к ненужным консультациям и увеличивать нагрузку на систему здравоохранения.

Оптимальный баланс зависит от клинического контекста и доступности специалистов.

Полученные результаты подтверждают целесообразность использования Skinive как дополнительного инструмента выявления рисков и поддержки принятия решений, а не автономной диагностической системы.

Ограничения исследования

• Основная выборка включает только 160 случаев, что ограничивает статистическую точность результатов.
• Выборка не является последовательной или репрезентативной для населения в целом. Она содержит высокую долю сложных и злокачественных образований, что создаёт смещение спектра заболеваний и смещение отбора.
• Не все референсные диагнозы были подтверждены гистологическим исследованием.
• Комплексный показатель 80 % объединяет три различных уровня оценки. Поэтому его нельзя представлять как «диагностическую точность 80 %». Строгие показатели совпадения top 1 и top 3 составляют соответственно 54,4 % и 70,6 %.
• Результаты нельзя напрямую переносить на массовый скрининг, первичную медицинскую помощь или самостоятельную оценку кожи пользователями.

Сравнение с опубликованной научной литературой

За последнее десятилетие многочисленные исследования показали, что глубокое обучение может достигать эффективности, сопоставимой с результатами дерматологов, при выполнении определённых задач классификации в контролируемых условиях.

Однако эти же исследования подчёркивают, что точность, достигнутая в лаборатории, не гарантирует аналогичную эффективность в повседневной практике.

Систематические обзоры выявляют значительную неоднородность между исследованиями.

Различия в способах получения изображений, распространённости заболеваний, референсных методах и используемых показателях затрудняют прямые сравнения.

Именно поэтому рекомендуется проводить проспективную клиническую валидацию и использовать данные реальной практики.

Результаты Skinive соответствуют этой тенденции: они демонстрируют постепенное улучшение благодаря итеративной разработке, расширению наборов данных и непрерывной валидации, а не за счёт отдельного технологического прорыва.

Отчёт не ставит целью доказать превосходство Skinive над другими системами.

Различия в дизайне исследований и составе выборок не позволяют проводить научно обоснованные прямые сравнения.

Выводы соответствуют формирующемуся научному консенсусу: надёжная оценка систем поддержки принятия клинических решений требует нескольких взаимодополняющих источников доказательных данных.

Обсуждение

Настоящий отчёт объединяет три источника доказательных данных: техническую валидацию, независимую клиническую оценку и сравнение с научной литературой.

Техническая валидация демонстрирует последовательное совершенствование алгоритма.

Клиническая оценка дополняет эти результаты, показывая, как система работает в значительно более сложных диагностических условиях.

Научная литература предоставляет внешний контекст, позволяющий точнее интерпретировать наблюдения.

Важный вывод заключается в том, что оценка медицинского ИИ должна выходить за рамки одного показателя.

Точное диагностическое совпадение остаётся важным, однако оно не полностью отражает клиническую ценность систем, предназначенных для ранней оценки и направления пациентов.

Даже в специализированной выборке сложных случаев Skinive часто предоставлял клинически значимую помощь посредством дифференциальной диагностики, распознавания групп заболеваний или рекомендаций по направлению к специалистам.

Практическое значение для первичной медицинской помощи, теледерматологии и самостоятельной оценки: ключевой вопрос часто заключается не в том, «Каков точный диагноз?», а в том, «Следует ли этому пациенту обратиться к врачу?».

При правильном использовании ИИ может способствовать раннему выявлению рисков, повышению осведомлённости пациентов и определению приоритетности консультаций специалистов.

Таким образом, технология дополняет клинический осмотр, дерматоскопию и гистологическое исследование, но не заменяет их.

Отчёт также подчёркивает важность прозрачности.

Одна лишь техническая точность даёт только частичное представление об эффективности системы.

Независимая оценка, анализ ограничений и сопоставление с научной литературой позволяют более реалистично интерпретировать результаты.

Ограничения и перспективы

• Клиническая оценка проводилась в специализированном медицинском центре на крайне селективной выборке пациентов. Поэтому результаты не отражают обычные условия первичной медицинской помощи или самостоятельного обследования кожи.
• Не все кожные образования проходили одинаковые процедуры подтверждения диагноза.
• Отсутствие публичного доступа к полному набору данных ограничивает возможность независимого воспроизведения результатов, несмотря на публикацию методологии и показателей эффективности.
• Ни один набор данных, исследование или показатель сам по себе не способен полностью охарактеризовать надёжность системы ИИ. Необходимы дополнительные данные реальной практики, независимые внешние оценки и проспективные многоцентровые исследования.
• Следующие выпуски отчёта должны включать более крупные проспективные наборы данных, продольные исследования, новые независимые оценки и дополнительные результаты, связанные с направлением пациентов к специалистам.

Заключение

Искусственный интеллект играет всё более значимую роль в современной дерматологии.

Однако доверие к этим технологиям должно основываться на прозрачных доказательных данных, а не на отдельных показателях эффективности.

Основные выводы:

1. Техническая валидация демонстрирует непрерывное совершенствование алгоритма Skinive от версии к версии.
2. Независимая клиническая оценка подтверждает клинически значимую полезность в сложных условиях: в особенно сложной выборке клинически полезные результаты были получены в 80 % случаев.
3. Клиническая полезность не ограничивается точностью диагноза. Правильная классификация заболеваний и рекомендации по направлению пациентов являются важными составляющими поддержки принятия решений.
4. Результаты согласуются с научной литературой, которая всё чаще подчёркивает необходимость объединения технической валидации, данных реальной практики и независимой клинической оценки.
5. Прозрачность в отношении сильных сторон и ограничений имеет принципиальное значение. Ответственное внедрение ИИ требует непрерывной валидации, независимых оценок и регулярной публикации результатов.

ИИ не заменяет дерматолога.

Однако он может способствовать ранней оценке рисков, повышению осведомлённости пациентов и определению приоритетности консультаций специалистов при интеграции в существующую дерматологическую практику.

Доступность данных

Полный набор обучающих данных и собственные коллекции изображений не находятся в открытом доступе в связи с наличием защищённых клинических данных и прав интеллектуальной собственности.

Агрегированные показатели эффективности, методология и результаты валидации представлены в Отчёт Skinive о точности за 2026 год и соответствующих научных публикациях.

Декларация о конфликте интересов

Кирилл Сокол является основателем Skinive.

Авторы участвуют в разработке, валидации и коммерциализации платформы искусственного интеллекта Skinive.

Независимая клиническая оценка, описанная в настоящем отчёте, проводилась медицинскими специалистами специализированного дерматологического центра третичного уровня.

Медицинское учреждение сохраняло полную ответственность за установление референсных диагнозов в соответствии с обычной клинической практикой.

Название учреждения не раскрывается в соответствии с соглашением о конфиденциальности. Данное обстоятельство не влияет на интерпретацию представленных результатов.

Авторы не заявляют о каких-либо других конфликтах интересов.

Часто задаваемые вопросы

Что такое отчёт Skinive о данных реальной клинической практики?

Отчёт Skinive о данных реальной клинической практики (Real-World Evidence Report) обобщает результаты более 6,5 миллиона анализов кожи с помощью ИИ, объединяя их с данными клинической валидации и научными доказательствами из рецензируемых публикаций.

Его цель — прозрачно описать эффективность ИИ Skinive в повседневном использовании, его диагностическую точность и ограничения крупных наборов данных, полученных в реальных условиях.

Почему набор данных из 6,5 миллиона анализов кожи имеет большое значение?

Крупные наборы данных реальной практики позволяют оценивать алгоритмы ИИ на широком разнообразии типов кожи, условий фотосъёмки и клинических проявлений, которые сложно воспроизвести в контролируемых исследованиях.

Они также предоставляют ценную информацию о том, как люди действительно используют дерматологические технологии на основе ИИ в повседневной практике.

Может ли искусственный интеллект точно выявлять рак кожи?

Искусственный интеллект может помогать выявлять кожные образования, требующие медицинского внимания, включая подозрительные пигментные образования, которые могут быть связаны с меланомой и другими видами рака кожи.

Однако ИИ следует рассматривать как инструмент поддержки принятия решений, а не как замену клиническому осмотру или гистопатологической диагностике.

Может ли искусственный интеллект заменить дерматолога?

Нет. ИИ предназначен для помощи в ранней оценке рисков и определении необходимости направления пациентов к специалистам, а не для замены дерматологов.

Окончательный диагноз и решения о лечении всегда должны приниматься квалифицированными медицинскими специалистами.

Какие факторы чаще всего снижают эффективность ИИ при анализе кожи?

Наиболее распространённые причины неудачного анализа изображений или снижения их качества:

• недостаточное освещение;
• размытые изображения;
• неправильная фокусировка;
• неполное отображение кожного образования.

Улучшение качества изображений значительно повышает надёжность оценки кожи с помощью ИИ.

Прошёл ли Skinive клиническую валидацию?

Да. Skinive опубликовал несколько исследований по валидации, а также ежегодный отчёт о точности (Accuracy Report), в котором описаны методология, наборы данных для валидации и диагностические показатели алгоритма.

Клинические доказательные данные постоянно обновляются по мере развития платформы.

Для получения дополнительной информации посетите Clinical Evidence Hub (Центр клинических доказательных данных).

Какие смартфоны использовались для проведения анализов кожи с помощью ИИ?

Приблизительно 60–65 % обследований проводились на устройствах Android, остальные анализы выполнялись пользователями iPhone.

Такое разнообразие устройств позволяет оценивать эффективность алгоритма при использовании различных камер и в разных условиях фотосъёмки в реальной жизни.