Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
54
3. Directive 2011/83/EU of the European Parliament and of the Council of 25
October 2011 on consumer rights, amending Council Directive 93/13/EEC and Directive
1999/44/EC of the European Parliament and of the Council and repealing Council Directive
85/577/EEC and Directive 97/7/EC of the European Parliament and of the Council. URL:
https://eur-lex.europa.eu
4. Белов В. А. Смарт-торговля (цифровая торговля): основные положения
о цифровизации договорных отношений с участием потребителей // Вестник ар-
битражной практики. 2022. № 3 (100). С. 17–23.
5. Будылин С. Л. Криптоактивы: роль в гражданском обороте и правовая
природа // Вестник экономического правосудия Российской Федерации. 2023. № 5.
С. 74–115.
А. С. Березина,
ассистент,
Красноярский государственный медицинский университет
имени профессора В. Ф. Войно-Ясенецкого
Ю. В. Карачева,
доктор медицинских наук,
Красноярский государственный медицинский университет
имени профессора В. Ф. Войно-Ясенецкого
А. Ю. Карачев,
кандидат медицинских наук,
Красноярский государственный медицинский университет
имени профессора В. Ф. Войно-Ясенецкого
Д. В. Дзюба,
преподаватель,
Красноярский государственный медицинский университет
имени профессора В. Ф. Войно-Ясенецкого
ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ПРОГРАММ
НА ОСНОВЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
ДЛЯ КОНТРОЛЯ ТЕЧЕНИЯ АТОПИЧЕСКОГО ДЕРМАТИТА
Аннотация.
Цель – усовершенствовать систему дистанционного контроля те-
чения атопического дерматита у пациентов на основе создания алгоритмов и адап-
тации программы сверточных нейронных сетей, а также анализа заболеваемости
атопическим дерматитом в Красноярском крае за последние 5 лет. Также програм-
мируются разные модели сверточных нейронных сетей для создания на их основе
программы для контроля течения атопического дерматита.
Ключевые слова
: сверточные нейронные сети, атопический дерматит, моде-
ли нейронных сетей
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
55
PROSPECTS FOR THE APPLICATION OF PROGRAMS BASED
ON CONVOLUTIONAL NEURAL NETWORKS TO CONTROL
THE COURSE OF ATOPIC DERMATITIS
Abstract.
Purpose – To improve the system for remote monitoring of the course
of atopic dermatitis in patients based on the creation of algorithms and adaptation
of the convolutional neural networks program, as well as analysis of the incidence
of atopic dermatitis in the Krasnoyarsk Territory over the past 5 years. Various models
of convolutional neural networks are also programmed to create a program based on
them to control the course of atopic dermatitis.
Keywords
: convolutional neural networks, atopic dermatitis, neural network
models
Введение.
Атопический дерматит (АД) – многофакторное, генетически де-
терминированное воспалительное заболевание кожи, характеризующееся зудом,
хроническим рецидивирующим течением, возрастными особенностями локали-
зации и морфологии поражений [1]. АД – одно из наиболее распространенных
заболеваний кожи в промышленно развитых странах с тенденцией к увеличению,
диагностируемое у 20 % детей и 1-3 % взрослых [8]. Высокий уровень заболева-
емости, а также множество провоцирующих факторов, таких как продукты пи-
тания, загрязнение окружающей среды, стрессовые ситуации и климатические
условия, придают эпидемиологии заболевания особую актуальность [6. С. 24–26].
Первичная диагностика АтД не вызывает трудностей, но течение заболе-
вания требует контроля, так как чем раньше начата терапия при обострении,
тем быстрее и легче купируется этот процесс [6. С. 30]. В период пандемии
большинство таких пациентов осталось без контроля терапии. Большинство
стационаров переоборудовано под инфекционные койки. На этом фоне суще-
ственно снизилась эффективность от терапии. В дальнейшем приходилось
больше времени затрачивать на снятия обострений у пациентов с атопическим
дерматитом. Также усилился контроль за ведением медицинской документа-
ции, где при ведении пациентов с хроническими дерматозами с целью улуч-
шения контроля ведения больных, необходимо указывать различные индексы.
Существует множество методик контроля обострений. Тяжесть течения и ди-
намика заболевания оцениваются по разным шкалам: SCORAD (Scoring Atopic
Dermatitis), EASY (Eczema Area and Severity Index), SASSAD (Six Area, Six
Sign Atopic Dermatitis Severity Score). Помимо данных индексов существуют
лабораторные и инструментальные методы контроля. В последние годы широ-
кое применение в диагностике различных заболеваний находят нейросетевые
технологии. Они уже используются в области кардиологии, онкологии, пуль-
монологии, гастроэнтерологии, неврологии и др. Высокая точность функци-
онирования нейронных сетей указывает на перспективность использования
искусственных нейрогенных сетей для диагностики и прогнозирования забо-
леваний, в том числе атопического дерматита. В настоящее время перспектив-
ным направлением становится телемедицинские консультирования.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
56
С 1 августа в рамках экспериментального правового режима согласно по-
становлению Правительства Российской Федерации от 18.07.2023 № 1164 кли-
никам можно предоставлять плановую медицинскую помощь через телемеди-
цинские консультации для пациентов с уже установленным диагнозом с целью
контроля терапии и течения заболевания [5]. Все это позволит активизировать
предпринимательскую деятельность в рассматриваемой сфере [7].
Материалы и методы.
В исследовании проведен статистический анализ об-
ращаемости пациентов Красноярского края за последние 5 лет. Также проведен
опрос у 142 пациентов с атопическим дерматитом на предмет использования эмо-
лентов на постоянной основе.
Контроль течения заболевания проводится на основе индекса SCORAD.
(рис. 1).
Рис. 1. Индекс SCORAD
По индексу SCORAD оцениваются шесть признаков: эритема, отек/папу-
лезные проявления, образование корок/мокнутие, экскориации, лихенификация/
шелушение и сухость кожи. Каждый критерий оценивается по 4-уровневой шка-
ле: 0 – отсутствует, 1 – слабая, 2 – умеренная, 3 – сильная. При оценке площади
повреждения кожи следует пользоваться правилом девяти, согласно которому еди-
ницей измерения является площадь поверхности ладони пациента, равная одному
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
57
проценту всей поверхности кожи. Цифрами указано значение площади для боль-
ных в возрасте старше 2 лет, а в скобках – для детей в возрасте до 2 лет. Оценку
субъективных симптомов (ощущение зуда, нарушение сна) проводят у детей в воз-
расте старше 7 лет и взрослых; у детей младшего возраста оценку субъективных
симптомов проводят с помощью родителей, которым предварительно объясняют
принцип оценки.
Расчет индекса SCORAD производится по формуле:
SCORAD = А/5+7В/2+С,
где: А – распространенность поражения кожи; В – сумма уровней интенсивности
клинических симптомов атопического дерматита; С – сумма оценок субъективных
нарушений по визуальной аналоговой шкале.
На линейке внизу рисунка указывается точка, соответствующая степени вы-
раженности оцениваемого субъективного признака, усредненное за последние
3 суток.
Значения индекса могут варьировать в пределах от 0 (нет заболевания) до
103 (максимально тяжелое течение атопического дерматита).
Атопический дерматит легкой степени тяжести соответствует значению
SCORAD<25
Атопический дерматит средней степени тяжести соответствует значению
SCORAD от 25 до 50.
Тяжелый атопический дерматит соответствует значению SCORAD> 50 [1].
С целью формирования базы для программы на основе нейронных сетей
производится фотографирование морфологических элементов. На основе этих
изображений производится обучение. Все изображения разбиты на 3 группы:
1) обучающая выборка (70 % от общего числа), на которой обучается модель;
2) валидационная выборка (20 % обучающей выборки), на которой контро-
лируется обучение;
3) тестовая выборка (30 % от общего количества), на которой происходит
финальное тестирование модели. Для подготовки и обработки изображений мы
использовали обработку данных и построение моделей в среде программирова-
ния – PyCharm (Community Edition 2020 версия 2.2), на языке программирования
Python (версия 3.7.5).
Нейронная сеть – это математическая модель, состоящая из одного или не-
скольких слоев искусственных нейронов, относящаяся к области машинного об-
учения. Каждый нейрон представляет собой сложную нелинейную функцию,
рассчитывающую вероятность развития того или иного исхода на основе получен-
ных параметров (весовой коэффициент или коэффициент смещения) [3. С. 5-10].
Процесс определения этих параметров называется обучением. Простая нейронная
сеть представлена многослойным перцептроном (рис. 2), а схематическое изобра-
жение искусственного нейрона изображено на рис. 3 [4].
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
58
Рис. 2. Схематичное изображение нейронной сети,
многослойный перцепторн
Рис. 3. Схематическое изображение искусственного нейрона,
где х – вход нейрона, у – выход нейрона, w – весовой коэффициент нейрона,
s – текущее состояние нейрона
Текущее состояние нейрона определяется по формуле:
где:
х
– вход нейрона;
у
– выход нейрона;
w
– весовой коэффициент;
s
– текущее состоя-
ние нейрона;
n
– сколько всего нейронов на входе;
i
– порядковый номер нейрона.
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
59
Выход нейрона, является функцией его состояния:
y
=
f
(
s
),
где:
у
– выход нейрона;
f
– нелинейная функция (функция активации).
Каждый нейрон или узел в нейронной сети имеет функцию активации вы-
вода, которая устанавливает выход на основе ввода. Существует множество раз-
личных функций активации, подходящих для разных задач, это Elu, Relu, Sigmoid
Tanh и другие, но наиболее распространенной функцией активации является Relu.
Формула функции активации Relu:
y
= max(
x
; 0)
где: y – выходное значение; х – сумма входных значений [4].
Обучение сверточных нейронных сетей делится на контролируемое и некон-
тролируемое. При обучении с учителем модель должна находить закономерности
с выходными данными в дополнение к входным данным, а при обучении без учи-
теля, не имея выходных данных, за счет скрытых закономерностей определять
эти выходные данные (в виде выделения областей, общих черт, отличительных
особенностей). функции). Чаще всего используется принцип контролируемого об-
учения: на вход подаются изображения определенного класса, которые уже имеют
выходное значение в виде наличия или отсутствия патологии [3. С. 25–28].
За выделение важных особенностей изображения отвечают два основных
типа слоев:
1. Свертки – формирование из изображения совершенно новых изображе-
ний с выделением признаков путем расчета нового значения для данного пикселя
с учетом значения соседних, окружающих его пикселей;
2. Unions – слой, уменьшающий размерность изображения за счет объедине-
ния пикселей.
Сами изображения подаются в виде тензоров (трехмерного объекта) и преи-
мущественно два типа слоев сверточной нейронной сети, чередуясь друг с другом,
формируют вектор признаков (с помощью выпрямляющего слоя) на вход много-
слойного перцептона, изменение параметров (значений) внутри тензора.
Полносвязный слой – это слой с нейронами, где каждый нейрон связан со
всеми предыдущими и последующими нейронами. Количество нейронов в по-
следнем слое отражает количество классов классификации (если нейронов 2, то
классификация будет бинарной) [3. С. 15].
Сверточные нейронные сети также могут использовать другие слои с разны-
ми функциями.
Не менее важной составляющей работы модели является оптимизатор – это
алгоритм изменения параметров обучения (весового коэффициента и коэффи-
циента смещения) и скорости обучения с целью нахождения оптимальных значе-
ний, нахождения основных признаков и эффективной работы нейронных сетей.
Архитектура или, другими словами, структура нейронных сетей – это сово-
купность конкретных значений гиперпараметров сети.
Гиперпараметры сети – это переменные, связанные со структурой сети (на-
пример, количество слоев, расположение слоев в разном порядке, количество
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
60
нейронов и т. д.). Эти переменные настраиваются вручную перед обучением ар-
хитектуры [4].
Двумя ключевыми гиперпараметрами нейронной сети являются:
– размер маски свертки в сверточном слое по умолчанию 3х3, но если мы
говорим о крупных объектах изображения, то размер может измениться на 5х5,
7х7 и более, но если мы говорим о небольшом размере объекта изучается, то эф-
фективнее использовать 1х1;
– количество сверточных фильтров, отражающих увеличение глубины изо-
бражения, для выделения особенностей.
Результаты и обсуждение.
За последние 5 лет было 29 790 случает реги-
страции больных с атопическим дерматитом. Из них в 2018 г. – 6 377 случаев,
2019 г. – 7 225, 2020 г. – 4 985, 2021 г. – 6 354, 2022 г. – 4 849 случаев. Что несо-
мненно доказывает актуальность данной проблемы.
При опросе 142 пациентов. Из них мужчин – 98, женщин – 44 человек.
Из опрошенных обострения 3-4 раза в год у 33 % респондентов, 2 раза в год –
30 %, 1 раз в год – 19 % и чаще 4 раз в год – 18 %
По давности заболевания у 80 % респондентов атопический дерматит с дет-
ства, у 20 % с подросткового возраста.
Базовую терапию получают – 76 % респондентов, 24 % – не получают.
При обучении сверточных нейронных сетей используем разные архитектуры
для повышения точности. В настоящее время общая точность получается 67,31 %.
Выводы.
Учитывая высокую заболеваемость, и распространенность ато-
пического дерматита, поражающего все слои населения, особенно детский воз-
раст, данная проблема является актуальной. Также данная программа позволит
улучшить контроль течения заболевания при дистанционном консультировании
и оптимизировать прием как очный, так и дистанционный, что позволит больше
уделять времени на осмотр и определение тактики ведения пациента, а не на за-
полнение документации.
Список литературы
1. Атопический дерматит: клинические рекомендации. URL: https://cr.minzdrav.
gov.ru/schema/265_2
2. Выучейская М. В., Крайнова И. Н., Грибанов А. В. Нейросетевые техноло-
гии в диагностике заболеваний: обзор // Журнал медико-биологических исследо-
ваний. 2018. Т. 6, № 3. С. 284–294.
3. Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и прило-
жения: учебное пособие. Казань: Издательство Казанского университетата, 2018.
С. 5–35.
4. Нейронные сети. Основы. URL: https://digitrain.ru/articles/308510
5. Постановление Правительства Российской Федерации от 18.07.2023
№ 1164 «Об установлении экспериментального правового режима в сфере циф-
ровых инноваций и утверждении Программы экспериментального правового ре-
жима в сфере цифровых инноваций по направлению медицинской деятельности,
в том числе с применением телемедицинских технологий и технологий сбора
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
Специальные вопросы регулирования и охраны цифровых технологий
Special issues of regulation and protection of digital technologies
61
и обработки сведений о состоянии здоровья и диагнозах граждан». URL: http://
publication.pravo.gov.ru
6. Скрипкин Ю. К., Мордовцева В. Н. Кожные и венерические болезни: рук.
для врачей. Т. 2. М., 1999. С. 24–30.
7. Кванина В. В., Громова Е. А., Спиридонова А. В. К вопросу о системе
прин ципов предпринимательского права // Бизнес, менеджмент и право. 2018.
№ 4. С. 18–21. EDN: XWHGMX.
8. Mayba J., Gooderham M. J. Review of atopic dermatitis and topical therapies //
J Cutan Med Surg. 2017. Vol. 21, № 3. Pp. 227–236.
З. М. Бешукова,
доктор юридических наук, доцент,
Адыгейский государственный университет
МОШЕННИЧЕСТВО С ИСПОЛЬЗОВАНИЕМ
МЕТОДОВ СОЦИАЛЬНОЙ ИНЖЕНЕРИИ: МЕХАНИЗМ СОВЕРШЕНИЯ
И ОСНОВНЫЕ СПОСОБЫ ЗАЩИТЫ
Аннотация.
В статье рассматриваются наиболее популярные и распро-
страненные схемы мошенничества с использованием методов социальной инже-
нерии. Определен механизм совершения данного вида преступлений, который
включает четыре этапа: подготовка, проникновение, эксплуатация и отключение.
Сформулированы рекомендации, которые могут быть использованы в целях по-
вышения эффективности профилактики мошенничества с использованием мето-
дов социальной инженерии.
Ключевые слова
: мошенничество, социальная инженерия, телефонное
мошенничество, предупреждение, профилактика, фишинг, смишинг, вишинг,
претекстирование
FRAUD USING SOCIAL ENGINEERING METHODS: MECHANISM
OF COMMITMENT AND BASIC METHODS OF PROTECTION
Abstract.
The article discusses the most popular and widespread fraud schemes
using social engineering methods. The mechanism for committing this type of crime
has been determined, which includes four stages: preparation, penetration, exploitation
and shutdown. Recommendations are formulated that can be used to increase the
effectiveness of fraud prevention using social engineering methods.
Keywords
: fraud, social engineering, telephone fraud, warning, prevention,
phishing, smishing, vishing, pretexting
Введение.
В последние годы наблюдается значительный рост телефонного
мошенничества, которое реализуется методами социальной инженерии.
В 2022 г. по официальной информации Центрального банка РФ российские
граждане в результате телефонного мошенничества потеряли 14,2 млрд рублей [1].
