ИИ помог выделить группу людей с особенно высоким риском меланомы за пять лет до диагноза

Исследователи из Гётеборгского университета (University of Gothenburg) и Чалмерского технологического университета (Chalmers University of Technology) показали, что искусственный интеллект может использовать уже накопленные медицинские и социальные данные, чтобы заранее выделять людей с повышенной вероятностью развития меланомы. Работа опиралась на регистры, охватывающие всё взрослое население Швеции, и, надо сказать, масштаб тут действительно впечатляет: в анализ вошли 6 036 186 человек. За пятилетний период наблюдения меланома была диагностирована у 38 582 из них, то есть у 0,64%.

Исследование опубликовано в журнале «Acta Dermato-Venereologica». Авторы полагают, что подобные модели в будущем могут помочь не просто «считать риск вообще», а точнее отбирать небольшие группы людей, которым действительно нужен более пристальный скрининг. Не всем подряд — вот в чём суть.

Методы исследования

В основу работы легли рутинно собираемые сведения из шведских регистров: возраст, пол, медицинские диагнозы, назначенные препараты и социально-демографические характеристики. Существенную часть анализа выполнил Мартин Гилльстедт (Martin Gillstedt) — аспирант Гётеборгского университета и статистик отделения дерматологии и венерологии Университетской больницы Сальгренска. Как отмечают авторы, идея здесь довольно практичная: использовать то, что уже есть в системе здравоохранения, а не строить прогноз только на основе единичного осмотра или двух базовых параметров.

Исследовательская группа протестировала несколько моделей машинного обучения, включая более простые и более сложные алгоритмы. Сравнение шло не «в вакууме», а с базовым вариантом, где учитывались только возраст и пол. Такой подход позволил понять, действительно ли добавление диагнозов, лекарственной нагрузки и социальных факторов улучшает прогноз, или это просто красивый технический шум. Спойлер: улучшает. И заметно.

Что показал анализ

Наилучший результат продемонстрировала наиболее продвинутая модель: она различала людей, у которых позднее развивалась меланома, и тех, у кого этого не происходило, с показателем AUC 0,735. Для сравнения, модель, основанная только на возрасте и поле, показала значительно более скромный результат — около 0,64 по изложению университетского пресс-релиза и 0,681 при исключении диагностических и лекарственных данных в статье. Разница, в общем, не косметическая.

Особенно важным оказалось то, что алгоритм смог выделять небольшие подгруппы населения с существенно более высоким риском. В этих группах вероятность развития меланомы в течение ближайших пяти лет достигала примерно 33%. То есть речь идёт уже не о «немного повышенном фоне», а о реально концентрированном риске, который потенциально можно использовать для адресного наблюдения.

Почему это может изменить подход к скринингу

Работу возглавил Сам Полези (Sam Polesie) — научный сотрудник по дерматологии и венерологии Гётеборгского университета и врач-дерматолог Университетской больницы Сальгренска. По его словам, выборочный скрининг в небольших группах высокого риска теоретически способен сделать наблюдение одновременно и более точным, и более рациональным с точки зрения ресурсов здравоохранения. Идея ясна: не распылять усилия, а направлять их туда, где вероятность выявления заболевания выше.

По сути, авторы предлагают шаг в сторону персонализированной профилактики меланомы. Не универсальной для всех, не шаблонной. Более адресной. Возможно, именно так в ближайшие годы и будут выглядеть многие программы раннего выявления — когда решение о дополнительном обследовании будет опираться не только на клинический взгляд врача, но и на крупные массивы уже существующих данных. Звучит очень современно, хотя до рутинной практики, конечно, ещё не один шаг.

Ограничения и что дальше

Авторы отдельно подчёркивают: несмотря на обнадёживающие результаты, для внедрения такого подхода в обычную клиническую практику потребуются дополнительные исследования и, вероятно, отдельные организационные решения на уровне системы здравоохранения. То есть это не кнопка, которую можно нажать завтра утром. Но сигнал, прямо скажем, сильный.

Кроме того, модель предсказывает риск, а не ставит диагноз. Это принципиально. Искусственный интеллект в данном случае не заменяет дерматолога и не отменяет очный осмотр, дерматоскопию или биопсию при подозрительных образованиях. Он лишь помогает заранее понять, кому имеет смысл уделить больше внимания. Иногда именно этого и не хватает.

Заключение

Шведское исследование показывает, что большие регистровые массивы данных можно использовать не только для отчётности и эпидемиологических сводок, но и для более тонкой оценки индивидуального риска меланомы. Модели ИИ, обученные на сочетании демографических, клинических, лекарственных и социальных факторов, оказались заметно точнее простых подходов на основе возраста и пола. А выявление небольших групп с риском около 33% за пять лет делает саму идею адресного скрининга уже не теоретической фантазией, а вполне предметным направлением для будущей медицины.

Авторы другого исследования утверждают, что успех лечения меланомы во многом зависит не только от раннего выявления, но и от понимания механизмов лекарственной устойчивости опухоли — подробнее об этом можно прочитать в материале «Понимание того, как меланома становится устойчивой к лечению».

Литература

Gillstedt M., Stempfle L., Paoli J., Johansson F.D., Polesie S. Predicting melanoma impact on the Swedish healthcare system from the adult population using machine learning on registry data // Acta Dermato-Venereologica. 2026. Vol. 106. Article adv44610. Published April 8, 2026. doi:10.2340/actadv.v106.44610