Клинический разбор в общей медицине №01 2026

Artificial intelligence in dermatovenereology: a review of mobile apps with AI functionality 

Andrei I. Lamotkin, Daniil I. Korabelnikov

Moscow Haass Medical and Social Institute, Moscow, Russia
lamotkin.an@yandex.ru

Abstract
Aim. To conduct a systematic review of artificial intelligence (AI)-powered mobile apps in dermatovenereology, assess their number, target audience, functionality, level of scientific validation, regulatory status, and data security.
Materials and methods. We searched the Google Play Store and Apple App Store for mobile apps based on AI models (43 apps were selected from 909 records), and Google Scholar for publications from 2020–2025 (seven studies on the use of convolutional neural networks in mobile apps were selected from 209 records).
Results. Of the 43 apps, 74.4% were patient-focused, 14.0% were physician-focused, and 11.6% were both. The main tasks were: skin cancer screening (32.6%), skin disease diagnosis (27.9%), mole monitoring (14.0%), and acne (11.6%). Only 7 apps (16.3%) had peer-reviewed publications. The Russian apps Derma Onko Check and Melanoma Check stand out for their validated datasets, publications, and full on-device data processing.
Conclusion. Most mobile AI apps in dermatovenereology do not meet the minimum requirements for scientific validation, regulatory certification, and ethical transparency. Safe use requires independent publications, disclosure of training data characteristics, local image processing, and clear regulatory status.
Keywords: artificial intelligence, computer programs, mobile applications, deep learning, convolutional neural networks, dermatology, skin tumors, skin cancer, telemedicine, diagnostics, screening.
For citation: Lamotkin A.I., Korabelnikov D.I. Artificial intelligence in dermatovenereology: a review of mobile apps with AI functionality. Clinical review for general practice. 2026; 7 (1): 95–104. DOI: 10.47407/kr2026.7.1.00761



Введение
В эпоху цифровизации здравоохранение претерпевает значительные изменения, и дерматовенерология не является исключением. Дерматовенерология как клиническая специальность, ориентированная на визуальную диагностику, идеально подходит для интеграции цифровых технологий. С развитием смартфонов и искусственного интеллекта (ИИ) мобильные приложения стали мощным инструментом для пациентов и врачей, позволяя проводить предварительную оценку патологий кожи, мониторить изменения в динамике и даже проводить консультации удаленно. 
Применение ИИ в дерматовенерологии имеет глубокие корни, уходящие в начало 2000-х годов. За это время были достигнуты значительные результаты в интеграции ИИ как в клиническую диагностику, так и в персонализированное лечение. ИИ оказал революционное влияние на диагностику, лечение и управление кожными заболеваниями [1, 2]. 
В начале 2000-х годов исследователи начали изучать возможности применения алгоритмов машинного обучения в области дерматовенерологии. В последующие десятилетия были разработаны искусственные нейронные сети (ИНС) для различных медицинских задач. Однако их применение в дерматовенерологии все еще нуждается в совершенствовании. Одним из ключевых направлений использования ИНС является распознавание доброкачественных и злокачественных образований кожи in vivo [3]. Концепция глубокого обучения и его методы были представлены в 2006 г. [4]. Этот раздел ИИ позволяет вычислительным моделям с несколькими уровнями обработки данных выявлять представлениe данных на разных уровнях абстракции. В последние годы глубокое обучение, особенно с использованием сверточных нейронных сетей (CNN), достигло впечатляющих успехов в дерматовенерологии, позволяя напрямую обнаруживать сложные закономерности и характеристики в больших наборах данных [5]. Пример работы CNN приведен на рис. 1.

Применение нейронных сетей
Для анализа медицинских изображений применяется компьютерное зрение (англ. computer vision, CV). Ключевой задачей в области компьютерного зрения считается классификация изображений (рис. 2), что имеет высокую значимость для клинической практики [6]. Помимо этого, широкое применение находят и другие методы, включая детекцию (метод обнаружения объектов) [7] (рис. 3), семантическую сегментацию [8] (рис. 4) и генерацию изображений [9].
Чаще всего применяется метод классификации изображений, так как он не требует слишком долгой и тщательной подготовки, как метод детекции, а также менее прихотлив к фотоизображениям, чем метод сегментации, и при этом метод классификации показывает высокую точность. 

Моделирование процесса принятия решений в клинической дерматовенерологии
В диагностике дерматовенерологических заболеваний визуализация кожного покрова играет ключевую роль. Применение ИИ в клинической диагностике требует получения фотоизображений кожи в цифровом формате, при этом наиболее широко используются клинические фотоизображения. Технологии компьютерного зрения находят значительное применение в дерматовенерологии благодаря своей способности анализировать визуальные данные с высокой точностью.
На рис. 5 представлен обобщенный алгоритм автоматизированного процесса принятия решений в дерматовенерологии. Процесс начинается с регистрации цифрового изображения кожного поражения, после чего следует этап предварительной обработки. Обработанные изображения затем поступают на этап логического вывода, где в качестве основного инструмента чаще всего используются CNN, обеспечивающие классификацию или предсказание на основе выявленных признаков. Завершающий этап включает интерпретацию результатов и принятие клинических решений, что может быть дополнено оценкой уверенности модели.



ЭВМ-программы на основе моделей искусственного интеллекта в дерматовенерологии
Большинство программ для ЭВМ на основе моделей ИИ в дерматовенерологии работают на основе алгоритмов машинного обучения, таких как CNN, которые анализируют изображения кожи для их классификации. Недостатки большинства программ включают низкую точность диагностики при некоторых типах кожи (диспаритеты по тонам кожи), зависимость от качества фотоизображений, значимый риск ложноположительных результатов, ведущих к дополнительным консультациям врачей-специалистов, и отсутствие интеграции с клиническими данными (биопсия, анамнез). Архитектура мобильных приложений обычно основана на операционных системах iOS и Android, также есть некоторые приложения с использованием облачных серверов для обработки и анализа, и часто включает гибридные модели (ИИ + человеческий контроль, например телемедицинские консультации врачей-специалистов). Области применения программ для ЭВМ на основе ИИ охватывают скрининг рака кожи, динамический мониторинг хронических заболеваний кожи (экзема, псориаз) и самодиагностику, но требуют валидации в реальных условиях для предотвращения потенциального вреда. 
Актуальными проблемами при использовании ИИ в медицине также являются этические вопросы (конфиденциальность данных), регуляторные барьеры и необходимость баланса между доступностью и точностью, чтобы избежать перегрузки систем здравоохранения [10]. 
Цель – провести систематический обзор мобильных приложений с ИИ в дерматовенерологии, оценить их количество, целевую аудиторию, функциональность, уровень научной и клинической валидации, регуляторный статус, прозрачность данных и безопасность с точки зрения конфиденциальности пациентов.

Материалы и методы
В настоящей работе мы проводим сравнительный анализ мобильных приложений с технологией ИИ, применяемых в дерматовенерологии. Для того чтобы ИИ в этой области мог получить широкое распространение и стать доступным максимальному числу пациентов и врачей, реализация моделей ИИ должна происходить прежде всего в формате удобных и повсеместно используемых мобильных приложений, а не дорогостоящего специализированного оборудования или стационарных систем.
Отбор мобильных приложений. Поиск мобильных приложений проводился в официальных магазинах Google Play Store и Apple App Store. Использовались следующие ключевые слова и их комбинации на английском и русском языках: «skin cancer», «melanoma», «dermatology», «AI dermatology», «искусственный интеллект кожа», «меланома», «дерматология». По комбинациям ключевых слов первоначально выявлено 909 приложений. После удаления 518 дубликатов осталось 391 уникальное приложение. На этапе скрининга исключено 350 приложений. В окончательный анализ включено 41 приложение.
Отбор научных публикаций. В Google Scholar выполнен поиск c 2020 по 2025 г. по точному запросу: «convolutional neural networks», «melanoma», «malignant neoplasms». Первоначально выявлено 209 публикаций. Удалено 47 дубликатов и пересекающихся записей. Далее исключено 155 публикаций. Для детального анализа отобрано 7 публикаций.





Критерии включения
А. Мобильных приложений:
– приложение относится к дерматологии, дерматоонкологии, диагностике кожных новообразований;
– явно заявлено использование ИИ (нейронных сетей) для анализа изображений кожи;
– интерфейс доступен на английском и/или русском языках;
– медицинская или диагностическая направленность;
– приложение доступно для загрузки хотя бы в одном из магазинов приложений.
Б. Научных публикаций:
– оригинальное исследование или систематический обзор 2020–2025 гг.;
– применение сверточных нейронных сетей (CNN);
– полный текст на английском или русском языках.
Критерии исключения
А. Мобильных приложений:
– отсутствие модели ИИ;
– исключительно образовательная или развлекательная направленность;
– отсутствие медицинского контекста;
– интерфейс только на языках, отличных от английского и русского;
– приложение недоступно для загрузки.
Б. Научных публикаций:
– научные исследования, в которых описаны только модели CNN без какого-либо упоминания о мобильных приложениях;
– отсутствие применения моделей ИИ;
– не относящиеся к области дерматологии, дерматоонкологии, диагностике кожных новообразований;
– тезисы конференций, редакционные заметки, патенты, препринты без рецензирования, книги или главы книг.
В итоге проведения поиска, последовательного отбора для углубленного анализа было отобрано 43 мобильных приложения, полностью соответствующих критериям включения.
Из семи научных публикаций, прошедших отбор, все описывали реализацию моделей на основе CNN в формате мобильных приложений. При перекрестной проверке оказалось, что:
– 5 из этих 7 приложений находились в магазинах приложений Google Play Store и/или App Store;
– 2 приложения, подробно описанные в публикациях, в официальных магазинах приложений найдены не были.
Схема отбора мобильных приложений представлена на рис. 6.



Результаты
На основе проведенного анализа в исследование были отобраны 43 мобильных приложения на основе моделей ИИ, применяемых в дерматовенерологии: Acne Doc; Acno; AI Dermatologist: Skin Scanner; AI Skin Disease Detection; AI Tool for Skin Problems; Atopic Dermatitis; Aysa; Blemish Types, Skin Cancer ID; Cube-Check Ur Birthmark Easily; Derma AI; DermEngine; DermoApp: SkinCancer Detection; DermObserver: Dermatology Scan; EczemaLess; Emdee Skin; FaceDia – Acne Diagnostic Scan; Human Disease Checker With AI; iHairium: Hair & Skin Health; Kara AI Skin Expert Assistant; MatchLab AI; MDAcne; Medgic – AI Skin Analysis; Medic Scanner – Skin Analyze; Melatect; MetisAI+; Miiskin Skin & Dermatology; Model Dermatology; Mole Checker Skin Dermatology; Piel; Proton Health: Acne & Eczema; Rash ID – Rash Identifier; Scanoma – Mole Check; Skin Bliss: Skincare Routines; Skin Check; SkinChange.AI; SkinIO; Skinlog / Skin Diary, Analysis; Skinner: Analyze Your Skin; Sun Index–Vitamin D & UV; UV Safe – Sun Protection; VisualDx, Melanoma Check; Derma Onko Che.
Анализ по ключевым характеристикам мобильных приложений на основе моделей ИИ, применяемых в дерматовенерологии, представлен в таблице и на рис. 7.
Основная целевая аудитория большинства приложений (32 приложения, или 74,4%) – не медицинские работники или пациенты. Шесть (14,0%) приложений ориентированы исключительно на врачей-специалистов (включая Derma Onko Check и Melanoma Check), а 5 (11,6%) приложений предназначены для обеих групп пользователей. По операционным системам приложения разделяются так: 14 (32,6%) приложений доступны только на Android, 13 (30,2%) – только на Apple, 16 (37,2%) – на обеих операционных системах.
Ключевые цели приложений распределены следующим образом: 14 (32,6%) приложений предназначены для выявления рака кожи; 12 (27,9%) приложений – для диагностики и/или выявления заболеваний кожи и/или волос; 6 (14,0%) приложений – для мониторинга родинок; 5 (11,6%) приложений – для диагностики, лечения и/или мониторинга акне; 4 (9,3%) приложения – для мониторинга состояния кожи; 1 (2,3%) приложение – для лечения атопического дерматита; 1 (2,3%) приложение – для защиты от солнечных лучей.
В США создано 14 приложений, при этом лишь два из них содержат официальное предупреждение об отсутствии одобрения FDA. В странах Европы также разработано 14 приложений, однако только два из них сертифицированы CE Mark. Два приложения (Derma Onko Check и Melanoma Check) разработаны в России. Об остальных мобильных приложениях информация не представлена.
Семь приложений имеют описания клинической эффективности в виде рецензируемых публикаций в научных журналах (включая Derma Onko Check и Melanoma Check с рецензируемыми статьями об эффективности). 
В 24 (55,8%) приложениях отсутствует информация о наборах данных для обучения и тестирования, в остальных предоставлены только общие описания (например, «фотографии», «общедоступные» или «проприетарные»), за исключением Derma Onko Check и Melanoma Check, где использовался собственный набор данных. Шесть (14,0%) приложений указывают на доступность данных, но ни один набор не предоставлен разработчиками; вместо этого упоминаются общедоступные наборы, такие как ISIC и HAM10000. 
Участие дерматовенерологов в создании баз данных, валидации и/или апробации моделей указано в 18 (41,9%) приложениях, в том числе в Derma Onko Check и Melanoma Check. 
По политике конфиденциальности: 14 (32,6%) приложений не хранят изображения пользователей (включая Derma Onko Check и Melanoma Check, где данные нигде не хранятся); 16 (37,2%) хранят их на защищенных облачных серверах; 13 (30,2%) – используют данные для анализа и дальнейшей разработки.
Все приложения демонстрируют отсутствие прозрачности в разработке алгоритмов, использовании данных и мерах конфиденциальности, что указывает на потенциальные риски предвзятости и неуместных рекомендаций, хотя приложения Derma Onko Check и Melanoma Check предлагают более надежные подходы за счет автономной работы и собственных данных. 
В целом большинство приложений демонстрируют недостаточную прозрачность в описании алгоритмов, источников данных, методов валидации и мер конфиденциальности, что создает риски предвзятости, низкой точности и нарушения приватности. Приложения Derma Onko Check и Melanoma Check выделяются более надежным подходом: использованием собственных баз данных, подтвержденным участием дерматовенерологов в наборе и валидации данных, наличием научных публикаций, локальной обработкой фотоизображений без хранения вне устройств пользователей и высокой заявленной эффективностью в независимых сравнительных исследованиях.

Обсуждение
Полученные результаты анализа подтверждают мировые тенденции: рынок мобильных приложений на основе моделей ИИ в дерматовенерологии растет экспоненциально, однако качество и безопасность большинства продуктов остаются низкими. Отсутствие рецензируемых публикаций с результатами оценки среди 83,7% приложений и полная непрозрачность наборов данных среди 81,4% приложений создают серьезные риски предвзятости моделей и ложных заключений. Лишь два приложения из США имеют предупреждение об отсутствии одобрения FDA, а в Европе только два обладают маркировкой CE. Это указывает на «серую зону» регуляции медицинских мобильных приложений с ИИ.
Российские приложения Derma Onko Check и Melanoma Check выделяются наличием собственных валидированных наборов данных, публикаций в рецензируемых журналах и полным отсутствием передачи изображений на серверы, что делает их одними из наиболее безопасных и доказательных в настоящее время. Для применения этих приложений в клинической практике предложены алгоритмы маршрутизации пациентов, которые предоставляют рекомендации по дальнейшим действиям врача в зависимости от уровня риска: направление к онкологу или дерматологу, диспансерное наблюдение [11, 12].
Выявленные недостатки большинства приложений (отсутствие интеграции с анамнезом и лабораторными данными, высокая частота ложноположительных результатов) ограничивают их использование как самостоятельного диагностического инструмента и позиционируют их исключительно как средства предварительного скрининга с обязательным последующим осмотром врача.
Влияние ИИ на развитие дерматовенерологии на уровне врачей. ИИ значительно преобразует повседневную клиническую практику врачей-дерматовенерологов, предоставляя инструменты для повышения точности диагностики и оптимизации рабочего процесса. Алгоритмы ИИ, основанные на глубоком обучении, помогают в анализе фотоизображений кожи, позволяя врачам-дерматовенерологам быстрее выявлять злокачественные новообразования, такие как меланома, с точностью, сопоставимой или даже превосходящей человеческий уровень (врачей-специалистов) [13]. Например, ИИ может идентифицировать редкие состояния и аномалии, которые трудно заметить невооруженным глазом, тем самым снижая нагрузку на врачей-специалистов и минимизируя ошибки диагностики [14]. Врачи-дерматовенерологи отмечают, что такие инструменты не заменяют их, а дополняют, позволяя сосредоточиться на сложных случаях и взаимодействии с пациентами [15]. Однако внедрение ИИ требует внимания к этическим вопросам, таким как предвзятость алгоритмов и прозрачность решений [16]. В целом врачи воспринимают ИИ как полезного ассистента, который ускоряет мониторинг кожных поражений и улучшает точность клинико-диагностических решений [17].



Влияние ИИ на развитие дерматовенерологии на уровне пациентов. Для пациентов ИИ открывает новые возможности в доступности и персонализации медицинской помощи. Автоматизированные системы анализа кожных поражений позволяют пациентам самостоятельно загружать фотоизображения через мобильные приложения, получая предварительные заключения по оценке риска, что особенно полезно в отдаленных районах и регионах с дефицитом врачей-специалистов [18]. Это способствует раннему выявлению заболеваний, оптимизируя маршрутизацию, улучшая исходы лечения и снижая финансовые затраты и нагрузку на систему здравоохранения [19]. Пациенты отмечают удобство таких инструментов, которые интегрируются в телемедицину, позволяя проводить динамический мониторинг хронических заболеваний, таких как псориаз или экзема, без частых визитов к врачу [20]. Однако пациенты выражают обеспокоенность по поводу конфиденциальности данных и точности ИИ в разнообразных популяциях, подчеркивая необходимость баланса между развитием технологий и человеческим фактором [21].
Влияние ИИ на развитие дерматовенерологии на уровне больниц. На уровне больниц ИИ оптимизирует операции, управление ресурсами и административные процессы, способствуя повышению эффективности всей системы здравоохранения. Алгоритмы ИИ анализируют большие объемы данных для прогнозирования потоков пациентов, распределения ресурсов и снижения административной нагрузки на персонал, что особенно актуально в дерматовенерологических отделениях и центрах с большим числом койко-мест и посещений [22]. Внедрение ИИ в анализ медицинских изображений интегрируется с электронными системами учета, автоматизируя отчетность и снижая время на рутинные задачи, такие как обработка и анализ биопсий или планирование процедур [23]. Это приводит к экономии средств и улучшению качества оказания медицинской помощи и ухода, помогая справляться с неравномерным распределением медицинских ресурсов. Больницы также используют ИИ для популяционного здоровья, анализируя данные о распространенности кожных заболеваний, что способствует разработке и развитию профилактических программ [24].
Влияние ИИ на разные уровни развития дерматовенерологии схематично представлено на рис. 8.
Перспективы развития ИИ в дерматовенерологии. Будущие перспективы развития ИИ в дерматовенерологии обещают революционные изменения благодаря интеграции современных технологий, таких как трансформеры и мультимодальные системы. Трансформеры как основа моделей типа Vision Transformers позволят более эффективно обрабатывать последовательные данные, например, такие как динамичные изменения в поражениях кожи, улучшая определение и прогнозирование риска прогрессирования заболеваний [25]. Мультимодальные системы, объединяющие изображения, текст и клинические данные (например, макроскопические фото с микроскопическими анализами), смогут повысить точность диагностики, помогая клиницистам в принятии решений за счет комплексного анализа клинико-лабораторных и анамнестических данных [26]. Эти подходы, включая большие языковые модели и мультимодальные трансформеры, эволюционируют в сторону персонализированной медицины, где ИИ будет прогнозировать эффективность лечения и интегрироваться с телемедициной [27].

Заключение
Мобильные приложения с ИИ обладают огромным потенциалом для повышения доступности дерматовенерологической помощи, особенно в условиях дефицита специалистов и отдаленных регионов. Однако на 2025 г. большинство из 43 проанализированных приложений не соответствуют минимальным требованиям научной валидации, регуляторной безопасности и этической прозрачности.
Для безопасного внедрения в клиническую практику необходимы: 
– обязательная публикация результатов независимой валидации в рецензируемых журналах;
– раскрытие характеристик обучающих наборов данных; 
– предпочтение моделей с обработкой изображений исключительно на устройстве пользователя; 
– четкий регуляторный статус.
Только при соблюдении этих условий технологии ИИ смогут стать надежным помощником как для пациентов, так и для врачей-дерматовенерологов, не создавая при этом новых рисков и не перегружая систему здравоохранения ложными обращениями.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Conflict of interests. The authors declare that there is not conflict of interests.

Список литературы доступен на сайте журнала https://klin-razbor.ru/
The list of references is available on the journal‘s website https://klin-razbor.ru/

Информация об авторах

Information about the authors

Ламоткин Андрей Игоревич – ассистент каф. внутренних болезней с курсами семейной медицины, функциональной диагностики, инфекционных болезней, профессиональных болезней медицинского факультета АНО ДПО «Московский медико-социальный институт им. Ф.П. Гааза. E-mail: lamotkin.an@yandex.ru; 
ORCID: 0000-0001-7930-6018; SPIN-код: 4170-7782

Andrei I. Lamotkin – Assistant, Moscow Haass Medical and Social Institute. E-mail: lamotkin.an@yandex.ru; ORCID: 0000-0001-7930-6018; SPIN-code: 4170-7782

Корабельников Даниил Иванович – канд. мед. наук, доц., почетный работник сферы образования РФ, зав. каф. внутренних болезней с курсами семейной медицины, функциональной диагностики, инфекционных болезней, профессиональных болезней медицинского факультета, ректор АНО ДПО «Московский медико-социальный институт им. Ф.П. Гааза». E-mail: dkorabelnikov@mail.ru; ORCID: 0000-0002-0459-0488; SPIN-код: 7380-7790

Daniil I. Korabelnikov – Cand. Sci. (Med.), Assoc. Prof., Honorary Worker in the field of education of the Russian Federation, Rector, Moscow Haass Medical and Social Institute. E-mail: dkorabelnikov@mail.ru; ORCID: 0000-0002-0459-0488; SPIN-code: 7380-7790

Поступила в редакцию: 29.12.2025
Поступила после рецензирования: 13.01.2026
Принята к публикации: 15.01.2026

Received: 29.12.2025
Revised: 13.01.2026
Accepted: 15.01.2026