Двоетапна система глибокого навчання для класифікації уражень шкіри

Автор(и)

DOI:

https://doi.org/10.31498/2225-6733.53.2.2026.359935

Ключові слова:

штучний інтелект, глибоке навчання, класифікація уражень шкіри, дерматоскопічні зображення, згорткові нейронні мережі, раннє виявлення раку шкіри, пояснюваний штучний інтелект, HAM10000 dataset

Анотація

Рак шкіри є одним із найпоширеніших онкологічних захворювань, а раннє виявлення суттєво підвищує ефективність лікування. У зв’язку з цим актуальним є застосування методів штучного інтелекту для автоматизованого аналізу дерматоскопічних зображень. У роботі запропоновано двоетапну систему глибокого навчання: на першому етапі визначається наявність ділянки шкіри на зображенні за допомогою MobileNetV3-Small, на другому ‒ класифікуються ураження за сімома діагностичними категоріями із використанням EfficientNet-B4. Для підвищення точності та узагальнювальної здатності моделей застосовано попередню обробку зображень, доповнення даних та балансування класів. Інтерпретованість результатів забезпечується методом Grad-CAM, що дозволяє візуалізувати ділянки, які найбільше впливають на прогноз. Результати експериментів на наборі дерматоскопічних зображень HAM10000 демонструють високу точність класифікації (до 94 %) та стабільність роботи системи на реальних даних. Запропонований підхід може бути використаний як інструмент підтримки попереднього скринінгу уражень шкіри та раннього виявлення онкологічних захворювань

Посилання

  1. Bozkurt F. Skin lesion classification on dermato-scopic images using effective data augmentation and pretrained deep learning approach. Multimedia Tools and Applications. 2023. Vol. 82. Pp. 18985–19003. DOI: https://doi.org/10.1007/s11042-022-14095-1.
  2. Advances in Deep Learning for Medical Image Analysis: A Comprehensive Investigation / R. R. Kumar et al. Journal of Statistical Theory and Practice. 2025. Vol. 19. Article 9. DOI: https://doi.org/10.1007/s42519-024-00422-2.
  3. Shobayo O., Saatchi R. Developments in Deep Learning Artificial Neural Network Techniques for Medical Image Analysis and Interpretation. Diag-nostics. 2025. Vol. 15, no. 9. Article 1072. DOI: https://doi.org/10.3390/diagnostics15091072.
  4. Unraveling the Impact of Class Imbalance on Deep-Learning Models for Medical Image Classification / C. J. Hellín et al. Applied Sciences. 2024. Vol. 14, no. 8. Article 3419. DOI: https://doi.org/10.3390/app14083419.
  5. Evaluating the robustness of explainable AI in medical image recognition under natural and adversarial data corruption / S. Repetto et al. Ma-chine Learning. 2026. Vol. 115. Article 4. DOI: https://doi.org/10.1007/s10994-025-06919-6.
  6. Transformers in Skin Lesion Classification and Diagnosis: A Systematic Review / A. Adebiyi et al. MedRxiv. 2024. Preprint. DOI: https://doi.org/10.1101/2024.09.19.24314004.
  7. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network / B. Shetty et al. Scientific Reports. 2022. Vol. 12. Article 18134. DOI: https://doi.org/10.1038/s41598-022-22644-9.
  8. Classification of Skin Lesions Using Convolution-al Neural Networks and Soft Attention / Tran N.-T., Le X.-K., Pham T.-T.-H., Le T.-H. 10th International Conference on the Development of Biomedical Engineering in Vietnam, Phan Thiet, Vietnam, 25-27 July 2024. Pp. 289–304. DOI: https://doi.org/10.1007/978-3-031-90194-2_21.
  9. Alruwaili M., Mohamed M. An Integrated Deep Learning Model with EfficientNet and ResNet for Accurate Multi‑Class Skin Disease Classification. Diagnostics. 2025. Vol. 15, no. 5. Article 551. DOI: https://doi.org/10.3390/diagnostics15050551.
  10. Ahmed A., Hengy M., Daveluy S. Comparative evaluation of AI algorithms for dermoscopic image analysis in skin disease diagnosis: a systematic review of model accuracy and methodological heterogeneity. Archives of Dermatological Research. 2026. Vol. 318. Article 64. DOI: https://doi.org/10.1007/s00403-025-04458-7.
  11. Tschandl P., Rosendahl C., Kittler H. The HAM10000 dataset: A large collection of multi-source dermatoscopic images of common pig-mented skin lesions. Scientific Data. 2018. Vol. 5. Article 180161. DOI: https://doi.org/10.1038/sdata.2018.161.
  12. Handling imbalanced medical datasets: review of a decade of research / M. Salmi et al. Artificial Intelligence Review. 2024. Vol. 57. Article 273. DOI: https://doi.org/10.1007/s10462-024-10884-2.
  13. DermViT: Diagnosis‑Guided Vision Transformer for Robust and Efficient Skin Lesion Classification / X. Zhang et al. Bioengineering. 2025. Vol. 12, no. 4. Article 421. DOI: https://doi.org/10.3390/bioengineering12040421.
  14. Shih P. E., Oh D. H. Artificial Intelligence for Der-matological Image Quality Assessment. Current Dermatology Reports. 2025. Vol. 14. Article 23. DOI: https://doi.org/10.1007/s13671-025-00483-x.
  15. Efficient and real‑time skin lesion image segmentation using spatial‑frequency information and channel convolutional networks / Liu S., Zhou B., Lin Y., Wang P. Journal of Real‑Time Image Processing. 2024. Vol. 21. Article 165. DOI: https://doi.org/10.1007/s11554-024-01542-5.
  16. Aras H. H., Doğan N. A comparative analysis for skin cancer detection by using explainable deep learning. Neural Comput & Applic. 2026. Vol. 38. Article 50. DOI: https://doi.org/10.1007/s00521-025-11809-y.
  17. Enhancing Skin Cancer Diagnosis with XAI: Integrating Grad-CAM, SHAP, and LIME for Model Interpretability / D. Jadhav et al. 2025 6th International Conference for Emerging Technology (INCET), Belgaum, India, 23-25 May 2025. Рp. 1-8. DOI: https://doi.org/10.1109/INCET64471.2025.11140007.

##submission.downloads##

Опубліковано

2026-03-26

Як цитувати

Нечипоренко , Н., Хоменко , О., & Лосіхін , Д. (2026). Двоетапна система глибокого навчання для класифікації уражень шкіри. Вісник Приазовського Державного Технічного Університету. Серія: Технічні науки, 2(53), 93–99. https://doi.org/10.31498/2225-6733.53.2.2026.359935

Номер

Том 2 № 53 (2026): Вісник ПДТУ. Серія: Технічні науки

Розділ

163 Біомедична інженерія

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).

Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.

Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:

1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.

2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.