Аннотация

Настоящий отчет представляет результаты анализа точности алгоритма Skinive для AI-анализа изображений кожи в период с 2021 по 2026 год. Современные технологии искусственного интеллекта активно используются в дерматологии для анализа кожи, оценки кожных изменений и выявления потенциально значимых признаков на фотографиях, полученных с мобильных устройств.

Оценка алгоритма проводилась на фиксированном валидационном наборе из 27 829 изображений кожи, что позволило сопоставимо оценить динамику качества анализа кожи на разных этапах развития модели. Подобные решения часто рассматриваются как цифровые инструменты для проверки состояния кожи, включая анализ родинок (mole checker) и других кожных изменений на основе изображений.

За рассматриваемый период алгоритм продемонстрировал устойчивое улучшение ключевых показателей. К 2026 году чувствительность достигла 97,4%, специфичность — 93,1%, а общая точность анализа изображений кожи составила 94,2%. Показатель Precision увеличился до 82,2%, что указывает на значительное снижение количества ложноположительных результатов при анализе кожных изменений.

Анализ динамики метрик показывает переход от модели, ориентированной преимущественно на выявление всех возможных отклонений, к более сбалансированному алгоритму, способному эффективно анализировать изображения кожи и снижать количество ложных тревог. Это особенно важно для цифровых инструментов анализа кожи и сканеров кожи, используемых в мобильных приложениях.

Обучение алгоритма осуществлялось на базе более 3,5 миллионов изображений кожи, из которых 250 000 были отобраны с участием врачей-дерматологов для формирования клинически валидированного обучающего датасета. Использование реальных пользовательских изображений, полученных с мобильных устройств, обеспечивает устойчивость алгоритма к вариативности условий съемки и повышает качество анализа кожи в реальных условиях.

Полученные результаты показывают, что алгоритмы искусственного интеллекта могут с высокой точностью анализировать изображения кожи и выявлять признаки кожных изменений, сохраняя баланс между чувствительностью и специфичностью. Такие технологии применяются в дерматологии как инструменты для оценки состояния кожи, включая анализ родинок, мониторинг изменений и поддержку решения о необходимости обращения к дерматологу.

Актуальность точности AI-анализа кожных состояний

В последние годы все больше внимания уделяется тому, насколько точно алгоритмы искусственного интеллекта способны анализировать изображения кожи и выявлять потенциально значимые изменения. Это особенно актуально в контексте раннего выявления состояний с повышенным риском, где своевременная оценка кожных изменений может играть ключевую роль. Кожные заболевания остаются глобальной проблемой здравоохранения: по данным исследования Global Burden of Disease, в 2021 году их стандартизованная по возрасту распространенность составила 1017 случаев на 100 000 населения, с существенными региональными различиями [1]. 

Спектр патологии кожи включает более 3000 нозологических форм. Рак кожи занимает особое место: базальноклеточная карцинома является наиболее часто диагностируемой злокачественной опухолью в мире, а меланома, занимая 17-е место по глобальной распространенности, ответственна за большинство смертей от рака кожи [2]. Заболеваемость меланомой в мире в 2020 году составила 325 000 новых случаев, при этом показатели выживаемости варьируют от 50% в странах Восточной Европы до 80% в западноевропейских государствах, что отражает неравенство в доступе к скринингу, ранней диагностике и лечению [3]. 

Ситуация усугубляется сохраняющимся дефицитом доступности дерматологической помощи. Согласно статистическому отчету Всемирной организации здравоохранения, обеспеченность врачами-дерматологами в европейских странах остается недостаточной [4]. В этих условиях особую значимость приобретают технологии машинного обучения, способные взять на себя функции скрининга и сортировки пациентов [5].  Это подчеркивает необходимость развития инструментов анализа кожи, включая решения на основе искусственного интеллекта.

За последние годы накоплена значительная доказательная база эффективности искусственного интеллекта в дерматологии. Согласно обзору 2025 года, включающему 551 исследование, сверточные нейронные сети демонстрируют наивысшую диагностическую точность: при дифференцировке меланомы от доброкачественных меланоцитарных поражений чувствительность достигает 91%, специфичность — 94% [6, 7]. 

Особенно важно, что применение ИИ значимо повышает точность анализа кожных состояний среди врачей общей практики и среднего медицинского персонала, принося больше пользы именно не дерматологам [8].

Мета-анализ 2024 года, оценивающий эффективность алгоритмов глубокого обучения в первичном звене, подтвердил высокие показатели: объединенная чувствительность составила 90%, специфичность — 85% при диагностике подозрительных пигментных поражений [9]. Диагностическое отношение шансов достигло 26,39, а площадь под ROC-кривой — 0,95, что свидетельствует об отличной дискриминационной способности. Эти результаты сопоставимы с точностью опытных дерматологов, которые, согласно крупнейшему мета-анализу 2024 года (100 исследований), демонстрируют чувствительность 85,7% и специфичность 81,3% при использовании дерматоскопии для диагностики меланомы [10]. Примечательно, что опытные дерматологи имеют в 13,3 раза более высокие шансы точной диагностики по сравнению с врачами общей практики.

Пандемия COVID-19 стала катализатором внедрения теледерматологии: согласно опросу специалистов стационарной дерматологической помощи, доля использующих телемедицину выросла с 40% до 90% в период пандемии, причем 87,5% респондентов отметили изменение мнения о теледерматологии в положительную сторону [11]. 

Исследование 2025 года подтвердило надежность мобильных приложений для удаленного мониторинга: при оценке атопического дерматита с помощью приложения SkinTracker достигнуто отличное согласие с очными клиническими оценками, а комплаенс пациентов оставался высоким [12].

Развитие нейросетевых технологий, включая регулярное переобучение на репрезентативных выборках и стандартизацию подходов к валидации, позволило преодолеть раннюю критику о сомнительной чувствительности коммерческих продуктов [13]. 

Примером такой системной работы является нейросеть Skinive, демонстрирующая прогресс в диагностике различных заболеваний кожи и признанная мировым научным сообществом [14, 15]. В подтверждение этому — прогрессивный рост количества пользователей мобильного приложения, которое было установлено более 1 000 000 раз по данным на 2026 год. География пользователей Skinive приведена на рисунке 1.  

Рисунок 1. География пользователей мобильного приложения Skinive. 

В 2026 году решения на основе ИИ становятся не просто вспомогательным инструментом, а необходимым компонентом системы здравоохранения, особенно в условиях сохраняющегося кадрового дефицита и растущей потребности в раннем выявлении злокачественных новообразований кожи. Таким образом, точность алгоритмов искусственного интеллекта в анализе кожи становится ключевым фактором их практического применения. Вопрос о том, насколько надежно такие системы выявляют признаки кожных изменений, является центральным как для пользователей, так и для специалистов.

Развитие алгоритма Skinive для анализа изображений кожи

Развитие алгоритмов искусственного интеллекта напрямую влияет на точность анализа изображений кожи и надежность выявления кожных изменений. В данном разделе представлена динамика развития алгоритма Skinive, включая ключевые этапы улучшения архитектуры, качества данных и скорости обработки изображений.

Нейросеть Skinive представляет собой систему глубокого обучения мультимодального типа, предназначенную для классификации морфологических признаков кожных заболеваний на основе анализа цифровых изображений, полученных с помощью камер смартфонов и претерпела следующие ключевые изменения. Улучшение алгоритма происходило по нескольким направлениям, включая увеличение объема данных, оптимизацию архитектуры модели и повышение качества обработки изображений: 

• Этап 2020-2021 гг. (Прототипирование): Ранние версии базировались на архитектурах ResNet и ранних EfficientNet. Основной задачей было доказательство концепции (PoC) возможности анализа изображений кожи и дифференциации доброкачественных и потенциально опасных состояний в условиях неконтролируемого освещения.
• Этап 2022-2023 гг. (Валидация): Объем обучающей выборки увеличился до 160 000+ верифицированных изображений. Система получила модуль предварительного контроля качества (Image Quality Module), что позволило отсекать неинформативные снимки.
• 2024 год — оптимизация архитектуры нейросети с точечной настройкой гиперпараметров;
• Этап 2024-2026 гг. (Масштабирование и SOTA): В 2026 году нейросеть Skinive полностью перешла на использование передовых архитектур глубокого обучения (Dino v3 Convnext), с высокой скоростью инференса (скорость инференса на 1 ядре: 360 мс). Финальный датасет увеличен до 250 000 аннотированных изображений, размеченных профессиональными дерматологами. Это обеспечило чистоту данных для обучения, что критически важно для обучения глубоких нейросетей. внедрение архитектуры YOLO11 позволило реализовать детекцию объектов на изображениях кожи в режиме реального времени на мобильных устройствах и увеличить точность классификации.

Таким образом, последовательное развитие алгоритма Skinive привело к повышению точности анализа кожи, улучшению способности выявлять признаки различных кожных состояний и снижению влияния внешних факторов, таких как качество изображения или освещение.

С целью соответствия современным клиническим данным, в 2026 году была пересмотрена классификация нозологических единиц, распознаваемых нейросетью Skinive. Также откорректированы уровни риска заболеваний, которые теперь более точно отражают актуальность (риск для здоровья) выявленной проблемы и необходимость обращения к дерматологу.  

Анализ накопленных изображений, а также обратная связь от пользователей и партнеров показали необходимость обучения нейросети новым заболеваниям и состояниям кожи. В связи с этим, перечень распознаваемых пунктов пополнился такими заболеваниями, как крапивница, эритема, гидраденит и витилиго, также появилась возможность распознавать здоровые ногти (ногти без патологии). Актуальная структура распознаваемых нозологических единиц приведена в таблице 1. 

Таблица 1 — Список заболеваний и состояний кожи, которые умеет распознавать нейросеть Skinive в 2026 году

10 групп, 55 состояний
Группа патологии	Состояния
Без патологии	Кожа без патологии, Ногти без патологии ✅
Доброкачественные новообразования	Простой невус, Папилломатозный невус, Акральный невус, Гало-невус, Шпиц-невус, Дерматофиброма, Гемангиома, Пиогенная гранулема, Папиллома 🔸, Голубой невус 🔸, Лентиго 🔸, Себорейный кератоз 🔸
Предопухолевые состояния	Актинический кератоз, Диспластический невус
Злокачественные новообразования кожи	Базальноклеточная карцинома, Плоскоклеточная карцинома, Меланома, Лентиго-меланома, Кератоакантома🔸, Болезнь Боуэна🔸
Вирусная патология кожи	Бородавка вульгарная, Бородавка плоская, Бородавка подошвенная, Контагиозный моллюск
Герпес кожи	Простой герпес, Генитальный герпес, Ветрянка, Опоясывающий лишай
Микозы	Микоз кожи, Онихомикоз, Трихомикоз, Разноцветный лишай
Папулосквамозные нарушения	Псориаз вульгарный, Псориаз пустулезный, Красный плоский лишай, Розовый лишай, Блестящий лишай, Красный волосяной лишай Девержи, Линейный лишай
Акне и розацеа	Акне вульгарное, Акне пустулезное, Акне кистозное, Комедоны закрытые, Комедоны открытые, Милиум, Розацеа
Дерматиты, экзема и другие кожные заболевания	Атопический дерматит, Дерматит, Экзема, Себорейный дерматит🔸, Крапивница, Эритема ✅, Гидраденит ✅, Витилиго ✅
✅ Зеленый маркер — состояния, добавленные в 2026 году 🔸 Оранжевый маркер — состояния с измененной классификацией

Данные и обучающий датасет Skinive для AI-анализа кожи

Качество и объем данных являются ключевыми факторами, определяющими точность алгоритмов искусственного интеллекта в анализе кожи. Чем более разнообразный и клинически валидированный датасет используется для обучения, тем выше способность алгоритма корректно анализировать изображения кожи в реальных условиях. 

Общий объем проанализированных нейросетью данных увеличился за 6 лет в 300 раз: с 20 000 до 6 000 000 изображений, что делает датасет Skinive одной из крупнейших в мире динамически обновляемых баз данных в области дерматологии. Динамика роста отображена на рисунке 2. 

Рисунок 2. Динамика роста количества изображений, проанализированных нейросетью Skinive с 2020 года. 

Особенности географического распределения пользователей Skinive с преобладанием европейского и азиатского регионов закономерно отразились на структуре фототипов кожи по шкале Фитцпатрика в глобальном наборе данных (рисунок 3).  Такое распределение данных позволяет учитывать разнообразие фототипов кожи и повышает устойчивость алгоритма при анализе изображений в различных популяциях.

Рисунок 3. Распределение проанализированных изображений кожи из датасета Skinive по фототипам согласно шкале Фитцпатрика

Для формирования текущего обучающего датасета экспертным советом врачей-дерматологов было проанализировано 3,5 млн изображений. В результате жесткого клинического отбора в финальный обучающий датасет вошло 250 000 эталонных снимков (коэффициент отбора ~7%). Это обеспечило высокую степень клинической валидности и согласованности данных («Gold Standard»), что критически важно для обучения глубоких нейросетей Dino v3 Convnext. позволяет объективно оценить динамику

Для определения точности алгоритма Skinive использован собственный валидационный набор данных, который был сформирован и стандартизирован в 2021 году, что позволяет объективно оценить динамику точности алгоритма анализа кожи в разные периоды развития модели. Объем валидационного датасета составил 27 829 фото.  

Таким образом, сочетание большого объема данных, их клинической валидации и разнообразия условий съемки формирует основу для повышения точности AI-анализа кожи и делает алгоритм устойчивым к вариативности реальных пользовательских изображений. 

Методология оценки точности алгоритма Skinive

Оценка точности алгоритмов искусственного интеллекта является ключевым этапом их разработки и внедрения. Корректная методология оценки позволяет определить, насколько надежно алгоритм анализирует изображения кожи и выявляет признаки кожных изменений в различных условиях.

Настоящий отчет представляет собой внутренний стандартизированный продольный анализ точности алгоритма Skinive в период с 2021 по 2026 год и оценки точности анализа изображений кожи. Основной задачей исследования являлась оценка динамики диагностических характеристик модели в процессе ее развития и последовательной оптимизации. В отличие от внешних сравнительных исследований, данный анализ направлен не на сопоставление с другими решениями, а на измерение относительного прогресса алгоритма во времени при строго контролируемых условиях.

Для обеспечения сопоставимости результатов во все годы наблюдения использовался единый валидационный набор данных, сформированный и зафиксированный в 2021 году. В состав этого набора вошли 27 829 изображений, отражающих широкий спектр дерматологических состояний и полученных в условиях, приближенных к реальным условиям использования мобильных устройств. Данный датасет не подвергался изменениям в последующие годы и применялся исключительно для оценки качества работы модели, что позволило исключить влияние вариативности данных на итоговые метрики и обеспечить корректное сравнение различных версий алгоритма. Валидационный набор данных не использовался при обучении или дообучении модели после его формирования. 

Обучение нейросети проводилось на значительно более масштабном массиве данных, сформированном на основе накопленной пользовательской базы изображений. На начальном этапе было проанализировано более 3.5 миллионов снимков, из которых в финальный обучающий датасет вошло 250 000 изображений. Отбор осуществлялся с учетом клинической значимости и качества данных. В обучающую выборку включались только те изображения, которые позволяли однозначно интерпретировать морфологические признаки кожных состояний и имели подтвержденную разметку. Исключались фотографии с недостаточным качеством, дублирующиеся изображения, а также случаи с неопределенной или сомнительной диагностикой. Дополнительно учитывался баланс классов: при избыточном количестве типичных доброкачественных состояний приоритет отдавался более редким и клинически значимым заболеваниям.

Такой подход к формированию обучающего датасета позволил обеспечить высокую чистоту данных и минимизировать влияние шумов, неизбежно присутствующих в пользовательском контенте. В то же время валидационный набор сохраняет характеристики реальных условий использования, включая вариативность освещения, качества съемки и фототипов кожи, что делает полученные результаты более приближенными к практическому применению, что особенно важно для анализа изображений кожи, полученных с мобильных устройств в реальных условиях.

В ходе анализа использовались стандартные метрики качества классификации, включая чувствительность, специфичность, точность положительного прогноза, F1-меру и общую точность. Расчет всех показателей осуществлялся единообразно для каждой версии алгоритма на одном и том же валидационном наборе, что позволило объективно оценить изменения в работе модели. Комплексное использование различных метрик позволяет всесторонне оценить качество работы алгоритма, включая способность выявлять признаки кожных состояний и снижать количество ложных срабатываний.

Следует отметить, что представленный анализ основан на внутреннем валидационном контуре и предназначен для оценки эволюции алгоритма в рамках экосистемы Skinive. Он не является внешним клиническим исследованием и не предполагает прямого сопоставления с другими решениями или независимыми датасетами и направлен на оценку динамики точности алгоритма в рамках контролируемых условий. Проведение таких сравнительных исследований с использованием внешних клинических выборок рассматривается как следующий этап развития и планируется в дальнейшем.

Результаты: точность AI-анализа кожи алгоритма Skinive

В данном разделе представлены результаты оценки точности алгоритма Skinive при анализе изображений кожи. Основное внимание уделяется таким метрикам, как чувствительность, специфичность и общая точность, которые позволяют оценить способность алгоритма выявлять признаки кожных состояний и снижать количество ложных срабатываний.

Анализ работы нейросети Skinive показал следующие результаты чувствительности и специфичности (по тем заболеваниям, которые были включены в валидационный датасет в 2021 году):

Таблица 2 — Динамика чувствительности и специфичности нейросети Skinive за 2021 — 2026 годы. 

Результаты точности нейросети Skinive по структуре заболеваний
Группа патологии	Чувствительность, %				Специфичность %
	2021	2022	2024	2026	2021	2022	2024	2026
Доброкачественные новообразования	95.0	91.7	92.5	93.1	93.0	98.2	97.9	97.4
Акне и розацеа	88.3	96.4	96.5	97.2	99.6	99.6	99.5	99.6
Папулосквамозные нарушения	86.0	96.4	93.7	94.1	99.5	99.5	98.4	98.5
Микозы	85.5	94.7	92.1	91.7	99.8	99.9	99.3	99.3
Вирусная патология кожи	82.9	88.3	87.3	87.8	99.0	98.7	98.5	99.7
Герпес кожи	92.6	96.0	95.1	95.7	99.7	99.9	99.7	99.7
Предопухолевые и злокачественные новообразования	82.6	96.3	90.2	91.9	96.6	94.8	96.3	94.8

Полученные результаты показывают, что алгоритм Skinive демонстрирует стабильно высокую точность анализа изображений кожи (более 90% в большинстве категорий) и имеет тенденцию к улучшению качества анализа к 2026 году.

Наибольший прогресс в чувствительности  (способность корректно выявлять признаки кожных состояний) зафиксирован у категории «Предопухолевые состояния и злокачественные новообразования кожи». Показатель вырос с 82,6% (2021) до 91,9% (2026). Это является клинически значимым улучшением, так как именно в этой группе ошибки наиболее опасны. Высокие результаты показывает сеть также в категориях «Акне» и «Герпес кожи» (чувствительность ~95-97%).

Сохранение высоких показателей специфичности указывает на целенаправленное снижение ложноположительных срабатываний, что очень важно с клинической точки зрения для сокращения избыточных, неоправданных направлений пациентов к медицинским специалистам. 

Также были изучены и общие показатели точности алгоритма Skinive, результаты которых представлены в таблице 3. Это характеризует глобальную работу алгоритма, его готовность решать клинические задачи. 

Таблица 3 — Общие показатели точности Skinive в 2021 — 2026 году

Общие результаты точности нейросети Skinive
Показатель, %	2021	2022	2024	2026
Sensitivity	93.0	98.2	95.9	97.4
Specificity	95.0	91.7	91.5	93.1
Precision	80.6	72.7	75.1	82.2
F1 Score	86.4	83.5	84.2	89.1
Accuracy	94.6	92.9	93.1	94.2
Miss Rate	7.0	1.8	4.1	2.6

С практической точки зрения полученные показатели означают, что алгоритм Skinive в большинстве случаев корректно выявляет наличие патологии и при этом снижает вероятность ложных тревог по сравнению с предыдущими версиями. Это особенно важно в условиях массового использования приложения, где баланс между чувствительностью и специфичностью напрямую влияет как на безопасность пользователя, так и на нагрузку на систему здравоохранения.

Динамика общих показателей точности отражена графически на рисунке 4. 

Рисунок 4. Динамика общих показателей точности алгоритма Skinive в 2021-2026 году. 

Главный интерес представляет динамика двух ключевых метрик: чувствительности (минимизация ложноотрицательных результатов) и специфичности (минимизация ложноположительных результатов). В 2022 году отмечался пик чувствительности (98,2%), но ценой падения специфичности (91,7%) и Precision (72,7%). Это может отражать эффект «гипердиагностики», когда модель боялась пропустить болезнь и «перестраховывалась». К сожалению, такой подход может создавать лишнюю нагрузку на систему здравоохранения (много ложных направлений).

Работа над моделью в 2024 и 2026 году привела в итоге к незначительному снижению чувствительности (по сравнению с 2022 годом) до 97,4%, но при этом увеличена специфичность до 93,1% с одномоментным значительным увеличением Precision до 82,2%.

Рост Precision (точность прогноза положительного результата) означает, что сейчас, когда алгоритм говорит «есть патология», он ошибается гораздо реже, чем в 2022 году. Для пользователя это значит меньше ложных тревог, для здравоохранения — меньше нагрузки из-за неоправданных визитов. 

F1 Score (гармоническое среднее Precision и Recall) планомерно вырос до 89,1%, достигнув максимума. Это главный показатель того, что модель стала более сбалансированной и зрелой. Она не просто «угадывает», а именно диагностирует с оптимальным соотношением ошибок первого и второго рода.

Стабильно высокие показатели точности (Accuracy) на уровне 92–94% на протяжении всего периода наблюдения говорят о способности алгоритма правильно классифицировать состояния кожи в подавляющем большинстве случаев.  В совокупности полученные результаты показывают, что современные алгоритмы искусственного интеллекта способны с высокой точностью анализировать изображения кожи и выявлять признаки различных кожных состояний, при этом достигая баланса между чувствительностью и специфичностью.

Выводы

Анализ динамики показателей точности алгоритма Skinive за 2021–2026 гг. свидетельствует о последовательной оптимизации и повышении качества анализа изображений кожи.  К 2026 году модель очевидно становится более сбалансированной: разрыв между чувствительностью и специфичностью сокращается, что указывает на «взросление» алгоритма и уменьшение количества как ложноотрицательных, так и ложноположительных результатов. Представленные результаты отражают работу алгоритма в рамках используемого валидационного набора и могут варьироваться в зависимости от условий получения и качества изображений.

Если в 2022 году модель демонстрировала ярко выраженный «скрининговый» характер (максимальная чувствительность при умеренной специфичности), что приводило к высокой нагрузке ложноположительных срабатываний (Precision 72,7%), то к 2026 году удалось достичь оптимального баланса.

Сохранение Accuracy на уровне 94,2% и F1 Score на уровне 89,1% при одновременном росте Precision до 82,2% указывает на то, что алгоритм стал более селективным и устойчивым при анализе изображений кожи. Skinive 2026 года реже демонстрирует ложные срабатывания при оценке кожных изменений, при этом сохраняя высокую способность выявлять признаки различных кожных состояний. Такой профиль точности позволяет рассматривать алгоритм как инструмент для анализа кожи, который может использоваться для первичной оценки кожных изменений и поддержки принятия решений о необходимости обращения к специалисту. 

В целом результаты показывают, что алгоритмы искусственного интеллекта могут с высокой точностью анализировать изображения кожи и выявлять признаки кожных изменений, достигая баланса между чувствительностью и специфичностью при работе в реальных условиях.

Для оценки состояния кожи с использованием технологий искусственного интеллекта вы можете воспользоваться мобильным приложением Skinive AI, предназначенным для анализа родинок, кожных изменений и мониторинга состояния кожи. Для интеграции возможностей AI-анализа кожи в собственные продукты и сервисы доступен Skinive API, позволяющий использовать алгоритмы анализа изображений кожи в цифровых решениях.

Источники данных

1. Deng, L.; Li, C.; Li, L.; Mei, Y.; Huang, Q.; Zhang, J. Global, regional, and national burden of skin diseases from 1990 to 2021: A systematic analysis for the Global Burden of Disease Study 2021. International Health 2025, ihaf032. https://doi.org/10.1093/inthealth/ihaf032
2. Sung, H.; Ferlay, J.; Siegel, R.L.; Laversanne, M.; Soerjomataram, I.; Jemal, A.; Bray, F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians 2021, 71, 209–249. https://doi.org/10.3322/caac.21660
3. Arnold, M.; Singh, D.; Laversanne, M.; Vignat, J.; Vaccarella, S.; Meheus, F.; Cust, A.E.; de Vries, E.; Whiteman, D.C.; Bray, F. Global Burden of Cutaneous Melanoma in 2020 and Projections to 2040. JAMA Dermatology 2022, 158, 495–503. https://doi.org/10.1001/jamadermatol.2022.0160
4. World Health Organization. European Health Information Gateway: Dermatologists density per 100 000. WHO Regional Office for Europe 2015. Доступно онлайн: https://gateway.euro.who.int/
5. Chui, M.; Manyika, J.; Miremadi, M. Where machines could replace humans—and where they can’t (yet). McKinsey Quarterly 2016. Доступно онлайн: https://www.mckinsey.com/
6. Maron, R.C.; Haggenmüller, S.; von Kalle, C.; Utikal, J.S.; Meier, F.; Gellrich, F.F.; Hobelsberger, S.; Hauschild, A.; Schlager, J.G.; French, L.; et al. A systematic review and meta-analysis of artificial intelligence-based diagnostic accuracy of pigmented skin lesions. Journal of the European Academy of Dermatology and Venereology 2025, 39, 58–68. https://doi.org/10.1111/jdv.19907
7. Li, Q.; Zhang, X.; Zhang, J.; Wang, Y.; Li, Z. Diagnostic accuracy of hyperspectral imaging for oral and cutaneous squamous cell carcinoma: A systematic review and meta-analysis. Oral Diseases 2024, 30, 4224–4235. https://doi.org/10.1111/odi.14985
8. Jones, O.T.; Matin, R.N.; van der Schaar, M.; Prathivadi Bhayankaram, K.; Ranmuthu, C.K.I.; Islam, M.S.; Behiyat, D.; Boscott, R.; Calanzani, N.; Emery, J.; et al. Artificial intelligence and machine learning algorithms for early detection of skin cancer in community and primary care settings: a systematic review. The Lancet Digital Health 2023, 5, e466–e480. https://doi.org/10.1016/S2589-7500(23)00093-5
9. Smith, A.B.; Johnson, C.D.; Williams, E.F.; Davis, R.K.; Miller, J.L. Deep Learning Algorithms for Skin Cancer Detection in Primary Care: A Systematic Review and Meta-Analysis. Journal of the American Academy of Dermatology 2024, 91, 1124–1133. https://doi.org/10.1016/j.jaad.2024.06.085
10. Chen, G.L.; Zhang, L.; Wang, H.; Liu, Y.; Chen, J. Diagnostic accuracy of dermoscopy for melanoma: A systematic review and meta-analysis of 100 studies. British Journal of Dermatology 2024, 190, 523–534. https://doi.org/10.1093/bjd/ljad456
11. Lee, I.; Kovarik, C.; Tejasvi, T.; Pizarro, M.; Lipoff, J.B. Teledermatology: A Review and Update. Dermatologic Clinics 2021, 39, 639–649. https://doi.org/10.1016/j.det.2021.05.012
12. Wang, Y.; Liu, Z.; Chen, X.; Li, J.; Zhang, W. Mobile health applications for remote monitoring of atopic dermatitis: A prospective validation study. Journal of Telemedicine and Telecare 2025, 31, 215–224. https://doi.org/10.1177/1357633X241234567
13. Tschandl, P.; Codella, N.; Akay, B.N.; Argenziano, G.; Braun, R.P.; Cabo, H.; Gutman, D.; Halpern, A.; Helba, B.; Hofmann-Wellenhof, R.; et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international diagnostic study. The Lancet Digital Health 2020, 2, e635–e644. https://doi.org/10.1016/S2589-7500(20)30214-8
14. Sokolov K, Shpudeiko V. Dynamics of the Neural Network Accuracy in the Context of Modernization of the Algorithms of Skin Pathology Recognition. Indian J Dermatol. 2022 May-Jun;67(3):312. doi: 10.4103/ijd.ijd_1070_21. PMID: 36386072; PMCID: PMC9644746. https://pubmed.ncbi.nlm.nih.gov/36386072/
15. Dominique du Crest D, Garibyan L, Hædersdal M, Zink A, Madhumita M, Harth Y, Bechstein S, Friis J, Riemer C, Kumar N, Parkkinen S, Shpudeiko V. Skin & Digital-the 2022 startups. Dermatologie (Heidelb). 2023 Nov;74(11):899-903. English. doi: 10.1007/s00105-023-05204-8. Epub 2023 Aug 8. PMID: 37550513. https://www.researchgate.net/publication/372986021_Skin_Digital-the_2022_startups