Система поддержки решений для врача

Диагностика
новообразований
кожи с ИИ

Ансамбль из 6 нейронных сетей для скрининга меланомы и злокачественных образований кожи. Результат за секунды.

⚠️ Только для медицинских специалистов. Не заменяет решение врача.

🔬 Открыть диагностику ↓ Как работает

6 моделей

CNN + Swin Transformer

5 модулей

М1–М5 алгоритм

3 уровня

Low / Medium / High

~95%

точность (тест. выборка)

🔬

Derma Onko Melanoma Check

Диагностика новообразований

🔴 ЗЛОКАЧЕСТВЕННОЕ

→ ОНКОДЕРМАТОЛОГ (1–2 нед.)

Вероятности

🎯 Меланома98.6%

🔬 Злокачественное95.6%

🏥Онколог

Алгоритм работы

Как работает система

От фото до клинической рекомендации — за несколько секунд

📷

Загрузите фото

Сфотографируйте или выберите из галереи. Система проверяет качество в реальном времени.

🎯

Gate-проверка

М1 определяет есть ли новообразование кожи. Нерелевантные фото отсеиваются.

🧠

Анализ 4 моделями

Система А (меланома) и Б (ЗНО) — две архитектуры дают независимые оценки.

🗳

Консенсус М2+М3+М4

Три модуля голосуют. Итог: Low / Medium / High риск.

📋

Данные анамнеза

М5 уточняет рекомендацию с учётом возраста, симптомов, фототипа.

🏥

Маршрутизация

ВОП / дерматолог / онколог с рекомендацией по биопсии.

Архитектура

Диагностические модули

5 независимых модулей формируют надёжный консенсус

🚦

Модуль 1

Gate — кожа / не кожа

ONNX-модель фильтрует нерелевантные изображения.

ONNX Gate

🗳

Модуль 2

Мягкое голосование (0.41)

Системы А и Б через взвешенное голосование с порогом 0.41.

CNN + Swin

📐

Модуль 3

Алгоритм маршрутизации (0.62)

Матрица 4×4. Корабельников и Ламоткин, 2025.

Diagram 4×4

⚖️

Модуль 4

Risk-модель (3 класса)

ONNX напрямую: Low / Medium / High.

ONNX Risk

🧬

Модуль 5

Консенсус CV + ML-анамнез → биопсия

risk_model (регрессия 0–1) и biopsy_model. Признаки: возраст, пол, симптомы, анамнез. Итог — нужна биопсия или нет.

ML Biopsysklearn pkl

Возможности

Всё что нужно врачу

📱

Адаптивный дизайн

Работает на смартфоне, планшете и компьютере.

🎯

Контроль качества фото

Резкость, яркость и пересвет — в реальном времени. Плохие снимки блокируются.

🔒

Ваш сервер

Все модели работают на вашем VPS. Данные не покидают вашу инфраструктуру.

📷

Прямая съёмка

Съёмка с камеры или загрузка из галереи. Сохранение фото на устройство.

📊

Прозрачные вероятности

Вероятности меланомы и ЗНО, заключения каждого модуля и согласованность.

📋

Анамнез пациента

Симптомы, фототип, диаметр, семейный анамнез — ML уточняет рекомендацию.

Результаты

Точность диагностики

Показатели на тестовой выборке.

AUC-ROC меланомы (Система А)

~0.95

CNN + Swin Transformer

AUC-ROC ЗНО (Система Б)

~0.93

Злокачественное vs Доброкачественное

Согласованность консенсуса

2–3/3

Большинство случаев — полное согласование

Gate-точность

~97%

Фильтрация нерелевантных снимков

Начать

Готовы попробовать?

Откройте приложение и загрузите первое фото

🔬 Открыть диагностику