DermaGPT — федеративная мультиформатная платформа с мета-обучаемой функцией доверия для интерпретируемой дерматологической диагностики

Почему важны более умные обследования кожи

Проблемы с кожей затрагивают миллиарды людей, однако во многих сообществах мало или вовсе нет дерматологов. Это означает, что подозрительные родинки или сыпь могут быть неверно оценены или пролечены слишком поздно, особенно в небольших клиниках с ограниченными технологиями. В этом исследовании представлен DermaGPT — система искусственного интеллекта, созданная, чтобы помогать врачам выявлять распространённые раковые и иные поражения кожи по фотографиям, при этом объясняя своё заключение понятным языком и защищая конфиденциальность пациентов.

Новый тип цифрового помощника по коже

DermaGPT построен как помощник из двух частей. Во-первых, модуль зрения анализирует крупным планом фотографии кожи, сделанные обычными камерами смартфонов или дерматоскопами, и предсказывает, какой из 11 распространённых типов поражений он видит, а также является ли оно, вероятно, доброкачественным или злокачественным. Во-вторых, отдельный языковой модуль преобразует эти предсказания в понятные пациенту объяснения, отвечающие на вопросы, например, что это за состояние, насколько оно серьёзно и какие методы лечения обычно рассматриваются. Разделяя «видение» и «объяснение», разработчики стремятся сохранить стабильность диагностического ядра при возможности со временем улучшать или заменять компонент, отвечающий за объяснения.

Разработан для реальных клиник

В отличие от многих звучных медицинских ИИ-систем, которые работают только на больших дорогих серверах, DermaGPT специально сделан лёгким. Его визуальная основа, адаптированная от модели Google для зрения и языка, дообучается так, что изменяется лишь около одного процента параметров. Это делает систему быстрой и доступной для запуска на сравнительно скромных графических картах, которые обычно есть в больницах. Авторы обучали систему на биопсией подтверждённых изображениях из четырёх частных клиник, а затем тестировали её на независимом публичном наборе данных Стэнфорда, содержащем 4452 изображения. На этом внешнем тесте DermaGPT правильно определял тип поражения примерно в 90% случаев и правильно различал доброкачественные и злокачественные поражения примерно в 93% случаев.

Хранение данных локально и обучение доверять каждому сайту

Поскольку медицинские изображения являются чувствительными данными, DermaGPT обучается с использованием федеративного обучения: каждая больница хранит свои изображения на месте и передаёт лишь обновления модели, а не исходные фотографии. Однако клиники различаются по составу пациентов, качеству камер и оттенкам кожи, что может делать общую модель менее надёжной. Чтобы справиться с этим, авторы добавили мета-обучаемую функцию доверия, которая оценивает, насколько надёжны обновления каждой клиники, исходя из показателей вроде неопределённости, калибровки и признаков сдвига данных. В процессе обучения обновления от лучше откалиброванных, более согласованных сайтов получают больший вес, а более шумные — понижаются в значимости. Эта схема с учётом «доверия» улучшила как точность, так и надёжность оценок уверенности модели, особенно на самом сложном сайте с более разнообразными типами кожи.

Объяснение диагнозов простым языком

Для объяснений DermaGPT подставляет свои предсказания в несколько крупных языковых моделей и сравнивает их результаты. Он также использует модуль «расширенного поиска», который извлекает короткие фрагменты из тщательно отобранных онлайн-ресурсов по дерматологии и предоставляет их языковой модели в качестве контекста. Четверо сертифицированных дерматологов оценивали полученные ответы по ясности, полезности, фактической обоснованности и по тому, насколько вероятно они бы использовали такой инструмент. Во всех моделях добавление шага с поиском сделало объяснения более информативными и менее склонными к неподтверждённым утверждениям. Одна модель, названная DeepSeek-V3, выделилась, давая наивысшие оценки за объяснения при относительно эффективной архитектуре, которая активирует только часть нейронов для каждого ответа.

Преимущества, оговорки и дальнейшие шаги

В целом DermaGPT демонстрирует, что возможно создать помощника по диагностике кожи, который быстр, точен, ориентирован на приватность и способен объяснять себя человеческим языком. Он не заменяет дерматологов; скорее предназначен помогать неспециалистам в сортировке случаев, поддержке консультирования и расширении экспертных рекомендаций для клиник, где нет специалистов. Авторы подчёркивают, что риски остаются — например, уверенные объяснения, основанные на неверном диагнозе — и что требуются дополнительные испытания в реальных условиях. Они планируют расширить перечень состояний, лучше покрыть редкие заболевания и более тёмные тона кожи, а также добавить многоязычные и функции самоконтроля. Если эти задачи будут решены, системы вроде DermaGPT могут помочь сделать высококачественную помощь при заболеваниях кожи более доступной и последовательной в самых разных условиях здравоохранения.

Цитирование: Hashjin, N.M., Amiri, M.H. & Najafabadi, M.K. DermaGPT a federated multimodal framework with a meta learned trust function for interpretable dermatology diagnostics. Sci Rep 16, 7959 (2026). https://doi.org/10.1038/s41598-026-38715-0

Ключевые слова: ИИ в дерматологии, обнаружение рака кожи, федеративное обучение, объяснимый медицинский ИИ, поддержка клинических решений