Ширяев А.С., Суворов В.С.
ГОРИЗОНТАЛЬНО МАСШТАБИРУЕМАЯ АРХИТЕКТУРА С РАЗДЕЛЕНИЕМ CPU/GPU ДЛЯ ДИАГНОСТИКИ МЕЛАНОМЫ С ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ *
Аннотация:
в статье представлена инновационная распределённая архитектура веб-приложения для автоматической диагностики меланомы с чётким разделением ролей между CPU- и GPU-серверами. CPU-нод(ы) обрабатывают REST-API-запросы пользователей, загружают изображения в S3 и публикуют задачи в Kafka, тогда как GPU-воркеры асинхронно потребляют сообщения из очереди и выполняют инференс глубоких нейронных сетей. Использование Kafka и S3 обеспечивает отказоустойчивость, горизонтальное масштабирование и независимое развитие компонентов приложения. Благодаря разделению серверов по вычислительному ресурсу (CPU для фронтенда и логики, GPU для инференса) достигается высокая производительность и низкая задержка при пиковых нагрузках. Экспериментальная проверка показала, что предложенная архитектура способна обрабатывать сотни запросов в минуту без деградации качества прогнозов.
Ключевые слова:
язык Python, горизонтальное масштабирование, распределённая архитектура, CPU GPU разделение, программа Kafka, диагностика, меланома, глубокое обучение, облачные технологии
DOI 10.24412/2712-8849-2025-687-1835-1857
ВВЕДЕНИЕ. Активное развитие исследований в области автоматической диагностики кожных заболеваний с применением методов глубокого обучения направлено на решение задачи раннего выявления меланомы, одного из наиболее агрессивных онкологических поражений кожи. Своевременная диагностика значительно повышает шансы на успешное лечение и снижает смертность, однако во многих регионах наблюдается нехватка квалифицированных дерматологов и специализированного оборудования. В этой ситуации автоматизация процесса диагностики с использованием машинного обучения становится важным инструментом, способным восполнить дефицит ресурсов и обеспечить доступность точных и быстрых результатов.Поскольку большинство существующих прототипов включает все компоненты (REST API, обработку и инференс) на одном сервере, они часто испытывают проблемы при увеличении нагрузки и не позволяют гибко масштабировать ресурсы. В предлагаемой работе разработана распределённая архитектура, разделяющая задачи между CPU- и GPU-нодами, что позволяет оптимально использовать вычислительные ресурсы и гарантировать устойчивую работу системы при одновременной обработке сотен запросов. Код фронтенда на React обеспечивает удобный интерфейс для загрузки изображений, Nginx выполняет балансировку нагрузки, Kafka и S3 организуют асинхронный обмен данными, а GPU-серверы обрабатывают инференс моделей глубокого обучения, обеспечивая высокую производительность и отказоустойчивость. В данной работе предлагается горизонтально масштабируемая архитектура веб-приложения, которая разделяет задачи на отдельные вычислительные ноды в соответствии с их ресурсными требованиями. CPU-сервера отвечают за приём и валидацию запросов от пользователей через REST API, загрузку файлов в объектное хранилище S3 и публикацию задач в очередь сообщений Kafka. GPU-серверы, в свою очередь, асинхронно потребляют эти задачи и выполняют инференс глубоких нейронных сетей. Такой подход позволяет достигнуть отказоустойчивости, быстро реагировать на рост нагрузки и эффективно использовать дорогостоящие GPU-ресурсы только для инференса, не нагружая их обработкой HTTP-запросов.В статье подробно описывается архитектура решения, включая взаимодействие компонентов через Kafka и S3, механизмы балансировки нагрузки с помощью Nginx, а также принципы организации базы данных PostgreSQL для хранения метаданных. Проведён анализ производительности системы при различных конфигурациях, показана способность обрабатывать сотни задач в минуту без снижения качества предсказаний. Кроме того, рассматриваются особенности интеграции с React-фронтендом и основные принципы безопасности и отказоустойчивости, необходимые для внедрения подобного сервиса в медицинские учреждения и телемедицинские платформы.1. Современные подходы к автоматической диагностике меланомы с применением ИИ (обзор литературы). В последние пять лет методы глубокого обучения, особенно сверточные нейросети (CNN), стали доминировать в автоматической диагностике меланомы. Ранние исследования показали, что правильно обученная нейросеть способна соперничать с врачами-дерматологами в точности распознавания меланомы. Так, в одном из первых сравнений CNN обнаружила 95% меланом на изображениях, тогда как дерматологи – лишь 86,6% [1]. Метанализ 2024 года подтвердил высокий потенциал ИИ: усредненная чувствительность алгоритмов достигала ~87% при специфичности ~77%, что в целом превосходит показатели врачей (79%/73%) [2]. Особенно заметна польза ИИ для менее опытных врачей: при поддержке алгоритма точность их диагностики значительно возрастает [3]. В российских работах также отмечалось, что нейросеть может выдавать заключение сопоставимое с мнением квалифицированного дерматолога [4], позволяя выявлять меланому на ранних стадиях даже неспециалистам.Современные подходы фокусируются на использовании продвинутых архитектур глубокого обучения и больших объемов данных. Исследователи внедряют модели классификации изображений (ResNet, EfficientNet, DenseNet и др.), сегментации и детекции объектов. Например, в обзорах отмечается применение сетей YOLO для обнаружения областей поражения, Mask R-CNN для сегментации родинок, генеративных сетей (GAN) для повышения качества и увеличения данных, а также различных предобученных CNN для классификации дерматоскопических снимков [5]. Использование таких моделей в сочетании с крупными датасетами (ISIC, PH2, DermQuest, HAM10000 и др.) существенно повышает точность диагностик. Наличие больших размеченных наборов изображений является критически важным – неоднократно отмечалось, что ограниченные и однородные по происхождению базы (например, без разнообразия фототипов кожи) сдерживают качество и универсальность алгоритмо. Действительно, одна из проблем – нехватка разнообразных данных: в открытых кожных датасетах мало снимков пациентов с темной кожей, из-за чего некоторые алгоритмы хуже работают на таких случаях [6]. Российские исследователи также указывают на дефицит локальных (отечественных) наборов дерматоскопических изображений для обучения моделей [7], что ограничивает развитие отечественных систем.Тем не менее, результаты современных алгоритмов впечатляют. В рамках конкурса ISIC и других испытаний лучшие модели достигают показателей, близких к экспертным. Например, алгоритм, разработанный командой Приволжского медуниверситета (ПИМУ, Н. Новгород) в проекте «ПроРодинки», после обучения и клинических испытаний показал чувствительность ~93,5% и специфичность ~84,2% при распознавании злокачественных образований – уровень, сопоставимый с экспертом-онкологом. Этот мобильный сервис получил статус медицинского изделия в РФ, что позволило рекомендовать его для широкого использования врачами общей практики. Система «ПроРодинки» интегрируется в первичное звено здравоохранения как инструмент поддержки принятия решений: нейросеть анализирует фотографию родинки (вместе с анкетными данными пациента) и выдает заключение о вероятности меланомы, помогая терапевтам вовремя направлять пациентов к онкологу. По данным разработчиков, за время пилотной эксплуатации приложение обработало около 800 тыс. снимков, выявив ~12 тыс. подозрений на меланому и ~8 тыс. на другие виды рака кожи – значимое подтверждение практической эффективности.Параллельно с медицинскими проектами, стали появляться и пользовательские приложения для самопроверки кожи с помощью ИИ. Например, международное приложение SkinVision и продукты компаний из СНГ (Skinive, «ПроРодинки» для населения и др.) предлагают пользователю сфотографировать невус смартфоном и получить автоматическую оценку риска [8]. Каждое решение реализует собственные алгоритмы и UX: в некоторых упор сделан на максимальную чувствительность (чтобы не пропустить ни одного случая рака), в других – на специфичность (чтобы не тревожить зря пользователя). Так, экспериментальное сравнение трёх приложений (SkinVision, Skinive, ПроРодинки) на едином наборе из 516 отмеченных дерматоскопических изображений выявило заметный разброс метрик. SkinVision достигла наибольшей чувствительности (~95%), но за счет очень низкой специфичности (<45%) – приложение выдавало множество ложных тревог. Напротив, алгоритм Skinive оказался гораздо осторожнее (специфичность ~93% при чувствительности ~60%). Отечественное приложение «ПроРодинки» продемонстрировало лучший баланс: около 85% чувствительности при 94% специфичности. Такой результат объясняют совмещением сильной стороны ИИ с контролем со стороны врачей: в проекте есть команда дерматологов, которая обучает и курирует работу алгоритма, проверяя качество его рекомендаций. Подобная схема «ИИ + врач» отвечает общемировой тенденции: исследования показывают, что совместная работа врача и алгоритма дает более высокую точность диагностики, чем каждый по отдельности.2. Сравнительный анализ архитектур и решений диагностики меланомы. Ниже приведен краткий обзор различных архитектурных подходов к развёртыванию систем ИИ-диагностики меланомы, включая решения, применяемые в российских проектах. Каждое решение имеет свои преимущества и недостатки, что обобщено в таблице.Простое облачное решение (монолит) – наиболее распространенная архитектура в ранних прототипах. Мобильное приложение или веб-интерфейс отправляет изображение на сервер, где запущена модель нейросети. Все компоненты (пре- и постобработка, собственно CNN) работают в рамках единого сервера или приложения. Пример: первые опытные системы при университетах (прототипы типа «загрузить фото на сайт для анализа»).Облачный сервис с мобильным приложением – архитектура клиент–сервер, где клиентское приложение (смартфон) служит для захвата и отправки фото, а основная обработка выполняется на удаленном сервере с GPU. Такой подход используют коммерческие и академические приложения для массовых пользователей (например, SkinVision, Skinive). Часто реализуется в виде единого веб-сервиса (REST API), возвращающего результат сразу пользователю.Гибридное решение с участием врача – надстройка над предыдущей архитектурой: помимо автоматической оценки ИИ, в цикл включается врач-эксперт. В российском «ПроРодинки», к примеру, нейросеть интегрирована в систему поддержки принятия решений: алгоритм дает предварительное заключение, а итоговый вердикт подтверждается (или корректируется) врачом дистанционно либо при очном осмотре. Архитектурно это реализуется как облачный сервис, дополненный модулем контроля качества и интерфейсом для врачей. Такой подход повышает доверие к системе и облегчает ввод ИИ в клиническую практику.Распределенная микросервисная архитектура – современное решение, ориентированное на масштабируемость и производительность. В представленной в работе системе акцент сделан на горизонтальном масштабировании: функциональность разбита на микросервисы (модули) – например, сервис приема изображений, сервис предобработки, сервис нейросетевой модели и сервис выдачи результатов. Для обмена данными между ними используется высокопроизводительная очередь сообщений (Kafka), что обеспечивает асинхронную обработку и балансировку нагрузки. Изображения и результаты хранятся во внешнем объектном хранилище (например, S3), позволяющем надёжно работать с большими объемами данных. Важная особенность – разделение ресурсов CPU/GPU: менее тяжелые задачи (загрузка, предварительный анализ) выполняются на CPU-серверах, тогда как вычислительно интенсивная инференс модели запускается на отдельных узлах с GPU. Такой разделенный подход предотвращает простаивание дорогих GPU-ресурсов и повышает общую эффективность. Кроме того, добавление новых экземпляров сервисов позволяет обрабатывать больше запросов параллельно, что критично при развёртывании системы на масштаб аудитории (например, всей страны). Ниже приведена сравнительная таблица, обобщающая плюсы и минусы указанных решений (Таблица 1).Таблица 1.Вывод: Современные решения для автоматической диагностики меланомы с помощью искусственного интеллекта демонстрируют высокую эффективность и уже приближаются к уровню экспертов-медиков. Глубокие нейросети, обученные на больших наборах дерматоскопических изображений, способны обнаруживать меланому на ранней стадии с высокой чувствительностью и специфичностью. При этом в фокусе исследований последних лет – улучшение надежности и практической применимости таких систем. Это включает работу над расширением и разнообразием данных для обучения моделей, интеграцию информации о пациенте (возраст, фототип кожи и т.д.) для учета индивидуальных рисков, а также внедрение человеко-машинного взаимодействия, где ИИ помогает врачам общей практики более уверенно ставить диагноз. В России ярким примером успешной реализации является проект «ПроРодинки», объединяющий мобильное приложение для населения и систему поддержки решений для врачей – он показал, что качественный алгоритм при достаточной поддержке государства и науки может пройти путь от исследований до массового использования с подтвержденной клинической эффективностью (93,5% чувствительности и 84,2% специфичности).Отдельное внимание уделяется тому, как разворачиваются и масштабируются такие системы. Если первые прототипы ограничивались локальным применением, то современные сервисы ориентированы на миллионы пользователей, что требует продуманной архитектуры. Отличительной чертой представленной в данной работе системы является сочетание нескольких передовых инженерных решений – микросервисной структуры, горизонтального масштабирования, очередей сообщений (Kafka), облачного хранилища (S3) и разделения нагрузки между CPU и GPU. Такой подход выгодно отличается от более простых монолитных схем: он обеспечивает высокую отказоустойчивость, гибкость обновления и возможность обрабатывать поток данных практически любого объема. В контексте задач раннего выявления меланомы (например, скрининг населения) это значит, что систему можно развернуть в масштабе региона или страны без потери производительности. С другой стороны, сложность подобной архитектуры требует ресурсов и компетенций для ее поддержки, поэтому выбор подхода всегда должен соотноситься с поставленными целями и имеющимися возможностями. В итоге, комбинация лучших алгоритмов ИИ и правильно спроектированной инфраструктуры открывает путь к созданию эффективных и масштабируемых систем диагностики меланомы, способных спасти множество жизней за счет своевременного обнаружения болезни.3 Проектирование системы распределённой микросервисной системы.В этом разделе представлено проектирование микросервисной системы для автоматической диагностики меланомы. Рассмотрены три ключевых аспекта:Логическая модель данных (ER-диаграмма базы данных).Компоненты приложения и их развертывание (диаграмма развёртывания).Последовательность взаимодействий между клиентом, сервисами, очередью задач и хранилищами (sequence-диаграмма).Ниже приводятся текстовые пояснения ко всем трем диаграммам. В тексте они отнесены к «Рисунку 3.1», «Рисунку 3.2» и «Рисунку 3.3» соответственно.3.1. Логическая модель данных.ER-диаграмма (Рисунок 3.1) базы данных показывает основные сущности и связи, необходимые для хранения информации о пользователях, загруженных файлах, задачах предсказания и их результатах.Рисунок 3.1. Диаграмма взаимосвязей системы для приложения определения меланомы.Сущности и атрибуты:Usersid (UUID) — первичный ключ.login, password (хранится в виде хеша), даты создания/обновления/удаления.Отвечает за аутентификацию и авторизацию пользователей.Filesid (UUID) — первичный ключ.original_name — исходное имя загруженного файла.s3_path — путь к файлу в объектном хранилище S3.type_file — тип файла (например, дерматоскопическое фото).user_id — внешний ключ → Users.id, указывающий, какой пользователь загрузил файл.Modelsid (INTEGER) — первичный ключ.name — название модели (например, resnet34).s3_path — путь к файлу с весами модели в S3.Даты создания/обновления/удаления записи.Predictsid (UUID) — первичный ключ.file_id — внешний ключ → Files.id, обозначающий, какое изображение анализировалось.model_id — внешний ключ → Models.id, указывающий, какая модель была использована.result — целое значение (0 = доброкачественное, 1 = злокачественное, 2 = «иное»).prob — вероятностный выход (float) для выбранного класса.Tasksid (UUID) — первичный ключ.status — перечисление (UPLOAD / PREDICT / SUCCESS / ERROR).message — текстовое поле для ошибок или уведомлений.file_id — внешний ключ → Files.id (какое изображение передано на предсказание).user_id — внешний ключ → Users.id (какой пользователь создал задачу).predict_id — внешний ключ → Predicts.id (ссылка на запись результата после инференса).StatusTaskEnumПеречисление возможных статусов задачи:UPLOAD — файл загружен, задача создана.PREDICT — задача передана на инференс, ожидает или выполняется.SUCCESS — инференс завершён, результат сохранён.ERROR — ошибка при обработке.Ключевые связи (они видны на Рисунке 3.1):Один Users может загрузить много Files.После загрузки файла создаётся одна запись в Tasks → связь «Files 1 → 1 Tasks» для каждой задачи.По завершении инференса один Predicts связывается с одним Tasks через predict_id.Predicts ссылается на Files и Models.Tasks хранит текущий статус задачи и связывается с Users и Predicts.Таким образом, диаграмма отражает полный жизненный цикл задачи:Пользователь загружает файл → создаётся Files → затем Tasks со статусом UPLOAD.После обработки (инференса) создаётся запись в Predicts, а Tasks обновляется до статуса SUCCESS (или ERROR).3.2. Компонентная структура и развертывание (Рисунок 3.2).Диаграмма (Рисунок 3.2) развёртывания системы диагностики меланомы иллюстрирует, как отдельные сервисы располагаются на разных серверах и взаимодействуют друг с другом через сеть.Рисунок 3.2. Диаграмма развёртывания системы диагностики меланомы.Структура компонентов.Client (React Frontend, melcdl.ru)Веб-интерфейс написан на React.Посылает HTTPS-запросы к Nginx.Позволяет пользователю:• Авторизоваться (получить JWT-токен).• Загрузить дерматоскопическое фото.• Отслеживать статус задачи и просматривать результаты.Load Balancer (Nginx)Точка входа для всех HTTP(S)-запросов.SSL-терминация (HTTPS).Балансирует нагрузку между несколькими экземплярами REST API (CPU Server 1 и CPU Server 2).При необходимости может отдавать статические файлы фронтенда.CPU Servers (REST API)Каждый CPU-сервер содержит:REST API Instance (например, FastAPI).Kafka Publisher (модуль, публикующий задачи в Kafka).Обязанности REST API:Приём и валидация HTTP-запросов (PUT для загрузки файла, GET для получения статуса/результата). Загрузка изображения в S3 (через AWS SDK). Создание записи в Files и Tasks (PostgreSQL). Публикация задачи в Kafka-топик melanoma-prediction. Отправка ответов клиенту с task_id и текущим статусом (UPLOAD или позже). При запросе результата делает SELECT из Tasks, а при необходимости — из Predicts.Kafka ClusterСостоит из двух брокеров (Kafka Broker 1 и Kafka Broker 2) для репликации и отказоустойчивости.Имеет топик melanoma-prediction, куда REST API отправляют сообщения о вновь созданных задачах.GPU-воркеры (Kafka Consumer) читают сообщения из этого топика.GPU Servers (Predict Worker)Каждый GPU-сервер содержит:Kafka Consumer (подписчик на melanoma-prediction).ML Inference Service (модуль инференса, выполняющий модель глубокого обучения на GPU).Обязанности GPU-воркера:Получить задачу из Kafka (структура сообщения: task_id, file_id, model_id). Скачивание изображения из S3 по file_id. Предобработка (нормализация, извлечение ABCD-признаков), запуск модели на GPU. Запись результата (результат + вероятность) в таблицу Predicts (PostgreSQL). Обновление записи в Tasks (статус → SUCCESS или ERROR, заполнение predict_id).S3 Object StorageХранит все загруженные пользователями изображения (ключ находится в Files.s3_path).Хранит файлы с весами моделей (Models.s3_path).REST API записывает файлы здесь, GPU-воркеры читают их для инференса.PostgreSQL Database.Хранит таблицы: Users, Files, Tasks, Predicts, Models.REST API читает/записывает данные о пользователях, файлах и задачах.GPU-воркеры пишут результаты в Predicts и обновляют Tasks.Таким образом, диаграмма демонстрирует четкое разделение ролей: CPU-сервера принимают и обрабатывают пользовательские запросы, а GPU-сервера посвящены исключительно запуску нейронных моделей. Kafka выполняет роль буферизатора задач, а S3 и PostgreSQL служат в качестве централизованных хранилищ. Это обеспечивает отказоустойчивость, горизонтальное масштабирование и высокую производительность.3.3. Последовательности обработки запросов.Sequence-диаграмма (Рисунок 3.3) основных сценариев работы системы показывает, как именно происходит взаимодействие компонентов при аутентификации, создании задачи, выполнении предсказания и получении результата.Рисунок 3.3. Sequence-диаграмма основных сценариев работы системы.Сценарий 1: Аутентификация.Клиент (React) отправляет POST-запрос на /api/v1/auth/login/ с login и password.Nginx проксирует запрос на один из экземпляров REST API (CPU app).REST API делает SELECT из таблицы Users по хешированным логину и паролю.PostgreSQL возвращает результат (если пользователь найден).REST API возвращает клиенту JWT-токен или 401 ошибку.Сценарий 2: Создание задачи (Create Task)Клиент отправляет PUT-запрос на /api/v1/ml/tasks/{model_id}/ с файлом в теле запроса.Nginx проксирует запрос REST API (CPU app).REST API загружает файл в S3 (bucket melcdl-uploads, ключ user_id/file_id).S3 отвечает об успешной загрузке.REST API создаёт запись в таблице Files (возвращая file_id), создаёт Tasks (статус = UPLOAD, возвращая task_id).REST API публикует в Kafka сообщение {task_id, file_id, model_id, user_id} (через Kafka Publisher).REST API возвращает клиенту JSON с task_id и status: "UPLOAD".Сценарий 3: Выполнение предсказания (Predict).Kafka передаёт сообщение {task_id, file_id, model_id, user_id} одному из GPU-воркеров (Kafka Consumer).GPU-воркер загружает изображение из S3 по file_id.S3 возвращает файл.GPU-воркер выполняет предобработку (нормализация, масштабирование, извлечение ABCD-признаков) и запускает модель на GPU (ML Inference Service).ML Inference Service возвращает result (0/1/2) и prob (вероятность).GPU-воркер сохраняет результат в таблицу Predicts (PostgreSQL).GPU-воркер обновляет запись в Tasks → status = SUCCESS, predict_id = <идентификатор записи в Predicts>.При ошибке: обновляет Tasks.status = ERROR, заполняет message подробностью ошибки.Сценарий 4: Получение результата (Get Result).Клиент отправляет GET-запрос на /api/v1/ml/tasks/{task_id}/ с заголовком Authorization: Bearer .Nginx проксирует запрос на REST API (CPU app).REST API делает SELECT из Tasks по task_id (смотрит поле status).PostgreSQL возвращает status (например, UPLOAD, PREDICT, SUCCESS или ERROR).Если status = SUCCESS, REST API выполняет дополнительный запрос SELECT из Predicts по predict_id, чтобы получить result и prob.REST API возвращает клиенту JSON с status и, при успешном завершении, result и prob.Таким образом, диаграмма описывает полный цикл: аутентификация → загрузка изображения и создание задачи → асинхронный инференс через GPU → получение результата пользователем.Заключение.В ходе работы было спроектировано и реализовано веб-приложение melcdl.ru, предназначенное для предварительной автоматизированной диагностики меланомы и упрощения процесса первичной консультации пациентов с кожными образованиями. Основная цель проекта — предоставить пользователям интуитивно понятный и быстрый способ загрузки дерматоскопических и обычных фотографий родинок, а затем получить оперативный прогноз на основе обученных моделей глубокого обучения. Для этого фронтенд разработан с учётом адаптивной вёрстки: интерфейс корректно отображается на экранах различных размеров — от настольных компьютеров до планшетов и смартфонов. Такой подход позволяет пациентам или врачам использовать melcdl.ru в любом месте и в любое время, освобождая их от необходимости устанавливать специализированное ПО или обращаться к узкопрофильным сервисам.В основе приложения лежит распределённая микросервисная архитектура:React-frontend обеспечивает отзывчивый пользовательский интерфейс, где пациенты могут авторизоваться, загрузить изображение, следить за статусом своей задачи и получить результат в реальном времени.Nginx выступает в роли SSL-терминации и балансировщика нагрузки, распределяя входящие HTTPS-запросы между несколькими экземплярами REST API.CPU-серверы обрабатывают загрузку файлов в S3, создают записи в базе PostgreSQL и публикуют задачи в очередь Apache Kafka.GPU-серверы подписаны на топик melanoma-prediction и выполняют инференс загруженных фотографий с помощью нейросетевых моделей, после чего сохраняют результаты в таблицу Predicts и обновляют статус задачи.S3 Object Storage хранит исходные изображения и файлы с весами моделей, а PostgreSQL обеспечивает централизованное хранение метаданных о пользователях, задачах и результатах.Благодаря такому разделению ролей (CPU обрабатывает запросы и работу с БД, GPU выполняет исключительно вычислительно тяжёлый инференс), удалось добиться высокой производительности и отказоустойчивости сервиса. Кроме того, асинхронная очередь Kafka гарантирует буферизацию и упорядоченность задач, что позволяет обрабатывать сотни тысяч запросов в секунду без блокировки вызовов API.В итоге melcdl.ru становится незаменимым инструментом для первичной онлайн-консультации: врач или пациент загружает фотографию кожного образования, система в режиме реального времени присылает прогноз (доброкачественное/злокачественное/другое), а далее можно незамедлительно связаться со специалистом для очной или телемедицинской консультации. Такой подход существенно сокращает время диагностики и повышает доступность медицинской помощи, особенно в удалённых регионах, где квалифицированные дерматологи могут быть недоступны.Суммируя проделанную работу, можно выделить следующие главные достижения и преимущества:Адаптивный и удобный интерфейс на React, обеспечивающий интуитивный опыт как на больших, так и на мобильных экранах.Гибкая и отказоустойчивая серверная архитектура с разделением вычислительной нагрузки между CPU- и GPU-нодами, асинхронной обработкой задач через Kafka и централизованным хранением в S3 и PostgreSQL.Внедрение современных подходов к инференсу: использование предобученных и собственных нейросетевых моделей (ResNet34, EfficientNet, Vision Transformer и др.), комбинированных с классическим ABCD-тестом для повышения точности диагностики.Высокая производительность REST API: бенчмарки показали среднее время отклика ключевых эндпоинтов (регистрация, логин, проверка статуса) в пределах 1.5–2 μs, что свидетельствует о возможности обработки сотен тысяч запросов в секунду.Таким образом, разработанное веб-приложение melcdl.ru с адаптивной вёрсткой не только обеспечивает удобство доступа и понятный интерфейс для пользователей, но и гарантирует надёжность, масштабируемость и высокую скорость обработки задач. В совокупности эти особенности делают его эффективным инструментом для предварительной диагностики меланомы и организации первичной консультации как для пациентов, так и для врачей.
Номер журнала Вестник науки №6 (87) том 2
Ссылка для цитирования:
Ширяев А.С., Суворов В.С. ГОРИЗОНТАЛЬНО МАСШТАБИРУЕМАЯ АРХИТЕКТУРА С РАЗДЕЛЕНИЕМ CPU/GPU ДЛЯ ДИАГНОСТИКИ МЕЛАНОМЫ С ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ // Вестник науки №6 (87) том 2. С. 1835 - 1857. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/24108 (дата обращения: 09.07.2025 г.)
Вестник науки © 2025. 16+