Достижения в классификации псориаза с использованием настраиваемых алгоритмов трансферного обучения

Почему важна более точная диагностика кожи

Псориаз — это не просто упрямый сыпь. Это хроническое заболевание кожи, которое может трескаться, кровоточить, зудеть и даже поражать суставы, нарушая сон, работу и социальную жизнь. Тем не менее врачи по‑прежнему в основном ставят диагноз визуально, что может быть медленным и субъективным — особенно когда болезнь проявляется по‑разному на разных участках тела. В этом исследовании рассматривается, как современные методы искусственного интеллекта (ИИ) могут помочь: обучая компьютерные программы распознавать семь различных типов псориаза по фотографиям кожи с точностью, сопоставимой с экспертными клиническими оценками и потенциально способной их поддерживать.

Одна болезнь — множество проявлений

Псориаз выглядит по‑разному у разных людей. Авторы сосредоточились на семи подтипах: бляшечный (классические чешуйчатые очаги), каплевидный (маленькие каплевидные пятна), ногтевой псориаз, пустулезный псориаз (похожий на прыщи узелки, наполненные гноем), эритродермический псориаз (широкораспространённое огненно‑красное покраснение), инверсный псориаз (гладкие красные участки в складках кожи) и псориатический артрит, который сочетает изменения кожи с болезненными, опухшими суставами. Различение этих типов важно, поскольку каждый может требовать разного лечения и указывать на разные риски. Однако симптомы могут перекрываться друг с другом и с другими кожными заболеваниями, что усложняет визуальную диагностику, особенно вне специализированных клиник.

Создание богатой библиотеки изображений

Чтобы научить компьютеры различать эти подтипы, команде сначала пришлось собрать подходящие данные. Существующие публичные коллекции изображений кожи редко маркируют точный подтип псориаза, и некоторые формы встречаются гораздо реже других. Авторы объединили 4 005 изображений из нескольких открытых медицинских репозиториев, включая ISIC, HAM10000 и DermNet. Затем каждое изображение отнесли к одному из семи категорий псориаза. Чтобы предотвратить чрезмерное обучение модели на распространённых типах и игнорирование редких, они использовали «аугментацию изображений»: создавали разнообразные копии снимков путем поворота, масштабирования и зеркального отражения. Этот шаг по балансировке сделал набор данных более равномерным по всем семи классам и помог моделям выучивать устойчивые закономерности вместо запоминания нескольких часто встречающихся примеров.

Обучение машин «читать» кожу

Вместо того чтобы начинать с нуля, исследователи опирались на трансферное обучение. Они взяли три мощные системы распознавания изображений — ResNet50, InceptionResNetV2 (далее именуемую InceptionV2) и InceptionV3 — ранее обученные на миллионах повседневных фотографий, и дообучили их на изображениях псориаза. Перед подачей картинок они стандартизировали каждое до фиксированного размера и нормализовали значения пикселей. Затем заморозили большую часть внутренних слоёв, добавили новые «верхние» слои, адаптированные под семь типов псориаза, и обучили эти добавленные слои на подготовленном наборе данных. Для обучения сравнивали два популярных оптимизатора — Adam и RMSprop — чтобы выбрать более надёжную процедуру обучения.

Какой ИИ лучше распознаёт псориаз?

Все три модели ИИ могли распознавать типы псориаза с обнадёживающей точностью, но одна показала себя явно лучше других. Модель ResNet50 работала неплохо, правильно классифицируя примерно четыре из пяти тестовых изображений. InceptionV2 показала значительно лучшие результаты, достигая примерно 97% точности на невидимых тестовых данных при обучении с оптимизатором RMSprop. Наилучшие показатели продемонстрировала InceptionV3, также в связке с RMSprop: она правильно определяла подтип примерно для 99% тестовых изображений, а её точность и чувствительность (насколько часто положительные предсказания и обнаружения были верны) были так же высоки. Инструменты визуального объяснения, выделяющие области изображения, влияющие на решение ИИ, показали, что модель концентрировалась на клинически значимых участках поражений, а не на несущественном фоне — обнадёживающий сигнал для будущего клинического доверия.

Что это может значить для пациентов

Для людей, живущих с псориазом, эти достижения не заменят дерматолога, но вскоре могут обеспечить мощную дополнительную экспертную оценку. Точная автоматизированная система, способная распределять фотографии кожи по детализированным подтипам, может поддержать телемедицину, помочь неспециалистам в отдалённых районах и быстрее выявлять сложные или тяжёлые случаи. Авторы подчёркивают, что их инструмент всё ещё нуждается в проверке на клинических фотографиях из реальной практики и на представителях разных тонов кожи и камер. Тем не менее их работа показывает, что тщательно обученный ИИ — особенно модель InceptionV3 — способен надёжно различать семь форм псориаза, открывая путь к более быстрой, более последовательной диагностике и, в конечном счёте, к более персонализированному уходу.

Цитирование: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

Ключевые слова: псориаз, сканирование кожи, глубокое обучение, медицинский ИИ, классификация заболеваний