МУЛЬТИАГЕНТНАЯ ТЕХНОЛОГИЯ В РАННЕЙ ДИАГНОСТИКЕ МЕЛАНОМЫ КОЖИ

Проанализированы проблемы использования существующих форм организации в здравоохранении, ориентированных на своевременную диагностику опухолей наружной локализации. Актуальность проблемы и необходимость повышения её эффективности определяются рядом факторов, в числе которых многочисленные публикации в РФ и за рубежом, а также многолетний опыт авторов. Предлагается подход, основанный на междисциплинарной технологии (медицина, программная инженерия) с применением мультиагентных методов. Разработана концепция технологии и модель системы, состоящая из искусственной нейронной сети, экспертной системы, базы данных, базы знаний, средств дистанционного доступа и защиты информации. В качестве критериев эффективности системы предлагаются энтропийные действия различных групп пользователей - врачей профильных и непрофильных специальностей в пространстве ситуаций. Конечный результат диагностики - выживаемость. Разработана методика, содержащая теоретический и практический материал, предназначенная для расширенного варианта анализа ошибок и распознавания сложных сцен, возможных при диагностике меланомы кожи. Предусмотрено применение предлагаемой технологии в учебном процессе, рассчитанном на широкий круг пользователей, в числе которых студенты, врачи, административные работники, средний медицинский персонал.

мультиагентная технология, медицина, меланома кожи, ранняя диагностика, распознавание сложных сцен, нейросетевые технологии

1. Garbe C., Leiter U. Melanoma epidemiology and trends. Clin. Dermatol. 2009; 27(1): 3-9

2. Глущенко А.И., Еременко Ю., Цуканов М.А. Мультиагентные технологии как основа проектирования системы-советчика диспетчера энергосистемы. Фундаментальные исследования. 2013; 15(10): 3305-9.

3. Минаев А.А., Иващенко А.В. Мультиагентные технологии сбора и обработки информации в задачах медицинской диагностики. Труды международного симпозиума «Надежность и качество». 2014; 1: 49-51.

4. Drulyte I., Ruzgas T., Raisutis R., Valiukeviciene S., Linkeviciute G. Application of automatic statistical post-processing method for analysis of ultrasonic and digital dermatoscopy images. Libyan J. Med. 2018; 13(1): 1479600. doi:10.1080/19932820.2018.1479600.

5. Mar V.J., Soyer H.P. Artificial intelligence for melanoma diagnosis: How can we deliver on the promise? Ann. Oncol. 2018; 29(8): 1625-8. doi: 10.1093/annonc/mdy193.

6. Jaworek-Korjakowska J., Kłeczek P. Automatic Classification of Specific Melanocytic Lesions Using Artificial Intelligence. Biomed Res. Int. 2016; 2016: 8934242. doi: 10.1155/ 2016/8934242.

7. 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(5): 1029-38.

8. Patel J.K., Konda S., Perez O.A., Amini S., Elgart G., Berman B. Newer technologies/techniques and tools in the diagnosis of melanoma. Eur. J. Dermatol. 2008; 18(6): 617-31. doi: 10.1684/ejd.2008.0508.

9. Дaвыдов М.И., Aкceль E.М. Статистика злокачественных новообразований в России и странах CНГ в 2012 г. М.: РОНЦ; 2014

10. Siegel R., Naishadham D., Jemal A. Cancer statistics. CA Cancer J. Clin. 2012; 62(1): 10-29.

11. Dick V., Tschandl P., Sinz C., Blum A., Kittler H. Image-based computer diagnosis of melanoma. Hautarzt. 2018; 69(7): 591-601. (in German)

12. Fuller C., Cellura A.P., Hibler B.P., Burris K. Computer-assisted diagnosis of melanoma. Semin. Cutan. Med. Surg. 2016; 35(1): 25-30. doi: 10.12788/j.sder.2016.004.