Одним из самых коварных и гадких заболеваний у человека является рак. Независимо от его локализации, он может нанести колоссальный ущерб здоровью или привести к летальному исходу. Одним из самых распространенных считается рак кожи, а именно меланома. Проблема этого типа рака заключается в том, что он может быть на видном месте и не вызывать каких-либо ощутимых симптомов до момента, когда уже будет поздно что-либо делать. Именно потому людям, которые входят в группу риска, необходимо регулярно проверяться у дерматоонколога. Однако даже самый опытный специалист все равно остается человеком, который может упустить малозаметные признаки, тем самым подарив раку шанс на развитие. По этой причине человечество начало изобретать множество разнообразных инструментов диагностики, помогающие врачам найти рак вовремя. Одним из потенциально полезных инструментов в данном начинании может быть искусственный интеллект. Ученые из Университета им. Раскина (Великобритания) провели исследование, в котором обучили систему ИИ определять ранние признаки меланомы. Как именно проходило это обучение, и насколько эффективен ИИ в качестве диагноста? Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Рак кожи разделяется на 4 основных типа: плоскоклеточный, базалиома, меланома и аденокарцинома. Меланома является причиной более 80% летальных случаев рака кожи. Несвоевременная диагностика может привести к снижению 5-летней выживаемости более чем на 20%.

К методам диагностирования, а точнее направления пациентов на диагностику с подозрениями на меланому, относятся 7PCL (от 7-point checklist) и ABCDE (Asymmetry — асимметрия, Вorder irregularity — нерегулярность края, Color — цвет, Diameter — диаметр, Evolving — изменение). Другой стандартный подход, известный как шкала Уильямса, также используется для оценки пожизненного риска меланомы, самой смертельной формы рака кожи. В последние годы были достигнуты значительные успехи в технологии искусственного интеллекта (ИИ), которые оказались экономически эффективными и обеспечили их использование в поддержке приложений здравоохранения. Методы ИИ продвинули применение глубокого обучения (DL от deep learning) и моделей на основе зрения при обнаружении рака кожи с использованием данных изображений. Однако большинство исследований классификации рака кожи были сосредоточены на данных изображений и моделях DL, при этом относительно мало работы было сделано по обнаружению рака кожи с использованием только метаданных. Более того, эффективность стандартных методов неудовлетворительна, о чем свидетельствуют их низкие показатели чувствительности, такие как 7PCL (чувствительность 68 ± 2.10%) и оценка Уильямса (чувствительность 67 ± 1.90%).

Дабы улучшить эффективность обнаружения рака кожи за счет использования только метаданных пациентов, ученые разработали структуру ИИ, состоящую из сбора метаданных о поражениях кожи, определения нового списка факторов риска рака кожи и предложения новой оценки риска. Структура ИИ объединяет пять моделей ИИ для классификации поражений кожи на подозрительные и неподозрительных классы. Новый список из семи факторов риска рака кожи, определенных структурой ИИ, превосходит факторы риска 7PCL и Уильямса в обнаружении подозрительных поражений кожи и может быть объединен с факторами риска 7PCL и Уильямса, что приводит к значительно более высокой чувствительности (85.24 ± 2.20%). В совокупности данное исследование провело следующие работы:

• Сбор метаданных о 53 601 кожных новообразованиях у 25 105 пациентов;
• Определение нового списка факторов риска под названием «факторы риска C4C» из пула из 22 метапризнаков, ответственных за развитие всех подтипов рака кожи (меланома, плоскоклеточный рак, базальноклеточный рак), с помощью ансамбля из пяти моделей ИИ, что значительно превосходит существующие методы 7PCL и Уильямса со сбалансированной точностью 71.27 ± 1.10% и чувствительностью 80.46 ± 2.50%;
• Предложение новой оценки риска рака кожи под названием «оценка риска C4C», которая основана на взвешивании «факторов риска C4C» с весами, определенными с помощью интеллектуального анализа данных. Использование только оценки риска C4C достигает 68.90% сбалансированной точности и 76.09 ± 1.20% чувствительности при классификации подозрительных и неподозрительных поражений кожи, что значительно выше, чем существующая оценка риска 7PCL и Уильямса;
• Объединение «факторов риска C4C» с факторами риска 7PCL и Уильямса для поиска наилучшей комбинации признаков, которая обеспечивает наивысшую общую производительность со сбалансированной точностью 73.18 ± 2.10% и чувствительностью 85.24 ± 2.20%.

Сбор метаданных

Ученые собрали и проанализировали метаданные 53601 кожных новообразований у 25105 пациентов, которые посещали частные клиники диагностики рака кожи Check4Cancer (C4C) в Великобритании в период с 2015 по 2022 год. Пациенты были проинформированы о том, что собранные данные могут быть использованы для исследования, и данные были обезличены для обеспечения конфиденциальности.


Таблица №1

Поражения подлежали оценке, если они: были у взрослых > 18 лет, от 1 до 3 подозрительных поражений, которые не больше дерматоскопической линзы (< 15 мм). Для каждого поражения было включено 23 метапризнака, как показано в Таблице №1: 7PCL (размер поражения, форма поражения, цвет поражения, поражение > 7 мм, воспаление, выделения и зуд поражения), оценка поражения на основе 7PCL, факторы риска Уильямса (возраст пациента, пол пациента, цвет волос, родинки, солнечные ожоги, веснушки, предшествующий немеланомный рак кожи), общая оценка Уильямса, группа Уильямса, предшествующая меланома, предшествующий семейный анамнез рака кожи, местоположение поражения, возраст поражения и было ли это преимущественно непигментированное розовое поражение. Все признаки, за исключением оценки поражения, считались потенциальными признаками для идентификации новых наборов факторов риска для классификации поражений кожи на подозрительные и неподозрительных категории.


Таблица №2

Метапризнаки, перечисленные в таблице №1, говорят сами за себя, за исключением признака местоположения поражения, который включает семь значений в соответствии с анатомическим местоположением поражения, например, (1) голова и шея, (2) туловище выше талии (спереди или сзади), (3) пах/ягодицы/гениталии, (4) рука, (5) ступня, (6) левая/правая нога (выше лодыжки) и (7) левая/правая рука (выше запястья). Оценка по Уильямсу рассчитывается на основе метода, обобщенного в таблице №2, где возраст, пол, солнечные ожоги, естественный цвет волос, плотность веснушек на руках, количество родинок и предшествующие немеланомные анамнезы включены для оценки окончательной оценки по Уильямсу. Оценка поражения оценивается на основе взвешенного 7PCL с использованием следующего уравнения:


где M — набор основных признаков поражения (размер поражения, форма поражения, цвет поражения), а N — набор второстепенных признаков (поражение >7 мм, поражение воспалено, поражение сочится, поражение зудит).

7PCL был впервые сформулирован в 1986 году в труде Роны Макки «An Illustrated Guide to the Recognition of Early Malignant Melanoma». В нем было использовано семь одинаково взвешенных характеристик поражений (изменение размера, формы, цвета, воспаление, выделения, зуд и диаметр 7 мм) для определения приоритетности пигментированных поражений кожи для срочного направления. Позднее другая группа ученых достигла лучших результатов с пересмотренной версией, которая разделила признаки поражения на две группы: (1) основные признаки (изменение размера, формы и цвета), каждый из которых имел вес 2, и (2) второстепенные признаки (воспаление, выделения, зуд и диаметр 7 мм) с весом 1, как показано в уравнении выше.

Следовательно, поражения с оценкой 3 были отправлены на экспертное заключение. Наконец, целевая переменная с оценкой поражения как подозрительного или неподозрительного оценивалась штатными специалистами по раку кожи. Эксперты классифицировали пигментированные поражения с нетипичными признаками по размеру, форме, цвету или дерматоскопическому виду меланомы как подозрительные. Кроме того, поражения кожи, похожие на BCC (базалиома), SCC (плоскоклеточная карцинома) или потенциально предраковые актинические кератозы, также были оценены как подозрительные.


Таблица №3

Метаданные пациента состоят из метапризнаков с категориальными/текстовыми значениями, такими как значения пола пациента (мужской и женский). Возникла необходимость преобразовать эти категориальные значения в числовые, поскольку большинство моделей ИИ хорошо работают с числовыми данными, а не с категориальными. Ученые закодировали все нечисловые метапризнаки, чтобы преобразовать их в числовые, используя подход прямого кодирования (таблица №3).

Далее ученые проанализировали собранные метапризнаки с помощью анализа пояснительных данных. Были изучены все метапризнаки и выделены результаты, используя факторы риска «розовый цвет» и «возраст пациента» поражения для демонстрационных целей.


Изображение №1

Во-первых, ученые проанализировали метапризнак оценки поражения (диапазон 0–10) с помощью столбчатой диаграммы и показали разницу между подозрительными и неподозрительными случаями с помощью статистического t-теста. Почти 50% поражений с оценкой поражения 10 относятся к подозрительной категории. Напротив, только 5% поражений с оценкой 0 относятся к подозрительной группе, как показано на графиках выше. Таким образом, можно сделать вывод, что оценка поражения и переменная результата, т. е. рейтинг поражения, сильно коррелируют, и вероятность того, что поражение кожи будет подозрительным увеличится для более высоких значений оценки поражения. При оценке по шкале Уильямса от 56 до 61 около 60% случаев относятся к подозрительной категории, тогда как только около 7% случаев относятся к подозрительной группе с оценкой по шкале Уильямса от 0 до 6. Весьма вероятно, что чем выше оценка по шкале Уильямса, тем выше вероятность того, что поражение кожи является подозрительным.


Изображение №2

Ученые проанализировали еще одну потенциально важную метахарактеристику: «розовый цвет поражения». Ее статистика показана с помощью столбчатой диаграммы выше. Было установлено, что около 83% поражений кожи со значением розового цвета поражения «нет» относятся к группе не вызывающих подозрения по сравнению с всего лишь около 17% поражений кожи со значением розового цвета поражения «да». Таким образом, можно утверждать, что вероятность того, что поражение является подозрительным, низкая, если значение розового цвета поражения равно «нет». И наоборот, вероятность того, что поражение кожи будет подозрительным, сравнительно выше (54%), если это розовое поражение.


Изображение №3

Еще одна проанализированная метахарактеристика — «возраст пациента». Ее распределения для подозрительных и не вызывающих подозрения случаев сравниваются на графике выше. Было отмечено, что средний возраст пациентов с подозрительными поражениями кожи составляет 52 года, что значительно выше среднего возраста пациентов с не вызывающими подозрения поражениями кожи, составляющего 41 год.


Изображение №4

Для достижения надежных результатов ученые использовали ансамбль из пяти моделей машинного обучения (ML от machine learning) для определения нового набора эффективных факторов риска из пула из 22 метапризнаков поражений кожи. Обзор предлагаемой структуры ИИ для определения нового набора факторов риска для классификации поражений кожи на подозрительные или неподозрительных классы показан на схеме выше.

Ученые использовали формулу комбинации: (ⁿ_k) = ⁿC_k = n! / k!(n−k)! для генерации подмножества признаков и предложили сгенерировать четыре потенциальных подмножества признаков разных размеров: Set1, Set2, Set3 и Set4 с 7, 10, 15 и 20 метапризнаками соответственно. Во-первых, применяя теорию сочетания, ученые сгенерировали различные комбинации 7 метапризнаков из 22, что в итоге дало 170544 комбинации для Set1. Генерацию подмножеств признаков повторили с использованием теории сочетания для Set2, Set3 и Set4 соответственно. Лучшие комбинации метапризнаков для этих четырех наборов были выбраны на основе их общих характеристик моделей машинного обучения.

Наивный байесовский классификатор (NB от Naive Bayes)

Класс с наибольшей вероятностью рассматривается как предсказанный класс для заданного набора данных. NB классификаторы предполагают, что все атрибуты условно независимы от заданной метки класса. Цель этого классификатора — выучить репрезентативную функцию из заданного маркированного обучающего набора данных. Условная вероятность p(Y|X) целевой переменной Y вычисляется следующим образом:


где p(Y) — априорная вероятность класса Y, p(X|Y) — условная вероятность данных X при заданном классе, а p(X) — свидетельство или вероятность данных X независимо от их целевого класса (подозрительный или неподозрительных образований).

Метод опорных векторов (SVM)

Это одна из самых популярных контролируемых моделей машинного обучения, чаще всего используемая для классификации в различных отраслях, таких как медицина. SVM находит гиперплоскость для максимизации разницы между группами, используя технику оптимизации Лагранжа. Одним из основных преимуществ SVM является то, что если данные линейно разделимы, то существует уникальное глобальное максимальное значение разницы. В случаях нелинейного распределения данных, когда гиперплоскость не может разделить данные, SVM использует функцию ядра, которая преобразует данные в пространство признаков более высокой размерности, где возможно линейное разделение данных.

Логистическая регрессия (LR)

Это статистический метод, в котором логарифмические шансы вероятности события являются линейными комбинациями независимых переменных. Хотя модель выводит вероятность события, ее можно использовать для задачи классификации, применяя пороговое значение. Результат подхода логистической регрессии является бинарным, например, положительным или 1 (подозрительное образование) и отрицательным или 0 (неподозрительное). В данном исследовании LR был реализован для представления связи (функции) между метапризнаками и переменными результата путем поиска наилучшей описательной модели соответствия. Для обучения этой функции были доступны два разных подхода. Дискриминирующая модель изучает функцию напрямую для вычисления апостериорного класса, в то время как генеративная модель изучает условную вероятность класса и априорный класс, применяя правило Байеса. Ученые использовали модифицированную альтернативу дискриминативным и генеративным моделям, чтобы объединить вероятность в целом для обучения дискриминативной функции, которая напрямую сопоставляет входные метапризнаки с выходной целевой переменной следующим образом:


где p(Y|X) — вероятность того, что поражение кожи является подозрительным (Y = 1) при заданном векторе метапризнаков X, 0 — отсекаемый элемент, 1, ..., P — коэффициенты, а P — общее количество метапризнаков.

Метод случайного леса (RF)

Он использует метод ансамблирования, который генерирует несколько случайных деревьев решений и объединяет результаты деревьев решений с учетом тестовой выборки на основе голосования большинства или усреднения. В данном исследовании деревья решений были построены на основе выборки данных методом бутстрапа. RF добавляет больше случайности в выбор подмножества предикторов по сравнению со стандартным деревом решений, где каждый узел разделяется с использованием лучшей переменной, выбранной на основе критерия разделения узла — Джини или энтропии. Эта случайность в выборе признаков делает классификатор RF более точным и надежным по сравнению с другими классификаторами, такими как SVM, дискриминантный анализ и нейронные сети. В данном эксперименте модель RF была оптимизирована путем поиска лучших гиперпараметров (количество деревьев — 500, максимальная глубина — 40, критерий разделения — Джини, бутстрап, истина) для классификации поражений кожи на подозрительные и неподозрительные категории.

Многослойный перцептрон (MLP)

Это одна из доминирующих предиктивных моделей, используемых в приложениях машинного обучения. MLP состоит из входного и выходного слоя и скрытого слоя (в большинстве случаев) для преобразования входных данных в некоторую форму внутреннего представления, которое может использовать следующий слой. MLP помогает находить шаблон или извлечение признаков из данных, которые считаются сложными или трудоемкими для человека. Успех подходов нейронных сетей, таких как MLP, обусловлен техникой, известной как «обратное распространение», которая позволяет изменять веса скрытого слоя, если есть какие-либо ошибки. Фундаментальное преимущество MLP заключается в том, что он не требует глубоких знаний о взаимосвязи между входными метапризнаками и целевыми переменными выходных данных. Вместо этого он пытается распознать шаблоны в наборе данных и сохранить эти шаблоны в виде весов для последующего использования в тестовых случаях. В данном труде был принят MLP с тремя скрытыми слоями (32, 16, 8 нейронов) с функцией ректифицированной линейной активации (ReLU) и обучен с использованием оптимизатора адаптивной оценки момента (Adam).

В этом исследовании для принятия решений было принято большинство голосов, объединяющее результаты NB, LR, SVM, RF и MLP. В подходе наложения NB, LR, SVM и RF использовались как экстракторы признаков, а MLP как метаобучающийся, чтобы классифицировать входные метаданные на подозрительные и неподозрительные классы.


Изображение №5

Выше представлена схема предлагаемой структуры ИИ для получения новой оценки риска рака кожи для обнаружения подозрительных и неподозрительных поражений кожи. Ученые использовали модель LR для ранжирования выявленных новых факторов риска. Ранжирование признаков помогает найти наиболее важные признаки и дает интерпретацию модели ИИ относительно того, почему определенные признаки важнее других, и, следовательно, могут отбрасывать признаки, имеющие самую низкую или отсутствующую корреляцию с переменными результата. Кроме того, это может способствовать снижению нагрузки на сбор данных в будущем (например, вместо сбора 23 метапризнаков сбор данных можно сократить только до 7 метапризнаков), а также снизить сложность модели и время обучения.

В данном эксперименте использовался набор из N обучающих образцов, каждый из которых был представлен в виде (X, Y), где X — вектор метапризнаков, а Y — соответствующий выход (т. е. целевой класс). Правило классификации формулируется с использованием обучающих данных для назначения метки класса, подозрительного (Y_test = 1) или неподозрительного (Y_test = 0), новому тестовому входу X_test, путем минимизации вероятности ошибки. Обычно признак считается релевантным, если он помогает различать классы и не является избыточным с другими релевантными признаками. Как показано в уравнении выше, модель LR выдает апостериорные вероятности через линейную функцию элементов в векторе метапризнаков X, гарантируя, что вероятности в сумме равны единице и остаются в диапазоне [0, 1]. LR поставляется с набором диагностических инструментов, которые позволяют количественно оценить качество соответствия предлагаемой модели и выбрать признаки соответствующим образом. Эффективность модели оценивается на основе максимального значения логарифмического правдоподобия (LL от log-likelihood), достигнутого для каждого признака из X с использованием отклонения D, определенного ниже:



Насыщенная модель — это модель с числом параметров, равным размеру выборки, вероятность которой равна единице. Низкие значения отклонения указывают на хорошее соответствие или, что эквивалентно, на высокую прогностическую ценность соответствующих признаков. Отклонение полезно для сравнения двух моделей с разным числом признаков. Уменьшение отклонения путем добавления нового признака идентично статистике отношения правдоподобия, которая имеет распределение хи-квадрат (χ²), при условии, что размер выборки N большой. Следовательно, можно использовать тест отношения правдоподобия для последовательного включения признаков в процедуру прямого отбора. Если разница в отклонении моделей до и после добавления нового признака равна или превышает критическое значение, то новый признак значим для прогнозирования целевого класса, в противном случае — нет.

Хотя ученые исследовали четыре новых набора факторов риска, где Set1, Set2, Set3 и Set4 состоят из 7, 10, 15 и 20 факторов риска соответственно, они хотели сравнить производительность моделей ИИ, используя предложенную ими оценку риска C4C вместе с оценкой поражения на основе 7PCL и оценкой Уильямса. Поэтому для разработки оценки риска C4C использовалось только 7 факторов риска из Set1. Ученые считают, что использование 7 факторов риска для разработки предложенной оценки риска C4C позволяет провести справедливое сравнение с оценкой поражения на основе 7PCL (включающей 7 факторов риска) и оценкой Уильямса (включающей 7 факторов риска). 7 факторов риска из Set1 были ранжированы на основе их значений коэффициентов, полученных с помощью модели LR. Фактору риска с самым высоким рейтингом был присвоен самый высокий вес, и, следовательно, факторам риска с более низким рейтингом были назначены более низкие веса для расчета взвешенной суммы семи факторов риска, что привело к получению предложенной оценке риска C4C.

Результаты экспериментов

Таблица №4

Во-первых, применяя теорию сочетаний, ученые сгенерировали различные комбинации 7 метапризнаков из 22, что в результате дало в общей сложности 170544 комбинации. Среди них 7 метапризнаков, перечисленных как Set1 в таблице №4, продемонстрировали самую высокую сбалансированную точность и чувствительность: цвет, размер, форма, воспаление, естественный цвет волос, возраст поражения и розовость.

Аналогичным образом ученые повторили эксперимент для определения наборов факторов риска 2, 3 и 4. В таблице выше показаны лучшие метапризнаки в наборах 2, 3 и 4, включающих 10, 15 и 20 признаков соответственно. Эффективность выявленных наборов факторов риска для классификации поражений кожи (подозрительные и неподозрительные) оценивалась путем обучения и тестирования разработанных моделей машинного обучения. Результаты четырех наборов факторов риска также представлены в таблице №4.

Используя набор факторов риска 1 только с 7 метапризнаками, наилучшая ансамблированная модель машинного обучения достигла сбалансированной точности 71.27 ± 1.10%, чувствительности 80.46 ± 2.50% и специфичности 62.09 ± 1.90%. Сбалансированная точность и чувствительность были заметно улучшены до 73.01% и 84.51% соответственно, когда использовался набор факторов риска 3. Однако использование большего набора факторов риска 4 с добавлением дополнительных метапризнаков не улучшило результаты модели.


Таблица №5

Ученые далее попытались сравнить недавно предложенные факторы риска C4C с факторами риска 7PCL и оценкой Уильямса (таблица №5). Интересно отметить, что возраст поражения, розовый цвет поражения и цвет волос являются факторами риска для всех подтипов рака кожи, которые не входят в 7PCL, поскольку он, как предполагается, имеет значение только для меланомы, пигментированного типа рака кожи.

Наконец, ученые оценили прирост производительности от слияния признаков. Примечательно, что наивысшая производительность со сбалансированной точностью 73.18 ± 2.10%, чувствительностью 85.24 ± 2.20% и специфичностью 61.12 ± 0.90% была достигнута, когда факторы риска C4C были объединены с факторами риска 7PCL и оценкой Уильямса, что образует набор из 18 метапризнаков.

Ученые исследовали прирост производительности для каждого признака из факторов риска 7PCL и Уильямса. Генератор подмножества признаков использовался для поиска оптимального набора признаков, который включал 11 внешних факторов риска (возраст пациента, пол пациента, оценка по шкале Уильямса, группа Уильямса, солнечный ожог, веснушки, родинки, тело поражения, зуд, поражение > 7 мм и выделения). Объединение их с факторами риска C4C может достичь лучшей производительности с разработанными моделями ML, но это достигается ценой сбора гораздо большего количества метаданных.


Таблица №6

Наконец, производительность оценки риска C4C сравнивается с производительностью оценки поражения 7PCL и оценки Уильямса в таблице №6. Оценка риска C4C сама по себе достигла чувствительности 76.09 ± 1.20% и специфичности 61.71 ± 0.6%, что значительно превосходит оценку риска на основе 7PCL (чувствительность 73.91 ± 1.10%, специфичность 49.49 ± 0.50%) и оценку риска Уильямса (чувствительность 60.68 ± 2.10%, специфичность 60.87 ± 0.80%).

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог

В рассмотренном нами сегодня труде ученые использовали ИИ для создания нового метода классификации признаков рака кожи. Разработанная на базе метаданных пациентов структура ИИ превзошла существующие методы 7PCL и оценку Уильямса.

В качестве данных для обучения и тестирования системы использовались 53601 новообразований от 25105 пациентов. Используя машинное обучение и теорию комбинирования, ученые выделили из 22 клинических признака семь наиболее важных, которые предсказывают, может ли кожное новообразование быть подозрительным или нет (т. е. может ли оно быть/стать меланомой). К этим признакам относятся: размер, цвет, форма, розовость, воспаление, цвет волос пациента, возраст.

Исследователи применили пропорциональное взвешивание к этим семи признакам, чтобы создать новую оценку риска C4C, которая имеет точность 69%. В исследовании она значительно превзошла существующие методы, такие как 7PCL (62%) и оценка Уильямса (60%). В ходе исследования было также установлено, что некоторые клинические признаки (например, возраст поражения) хоть и были крайне важны для классификации любого типа рака кожи, но не были включены в классические методы, которые ориентировались только на меланому.

Важность данного исследования и его результатов заключается в том, что при большом числе пациентов скорость диагностики однозначно снижается. Проведение биопсии, гистологический анализ материалов, ожидание результатов и последующее ожидание очного визита к врачу — все это занимает время, которое дорогого стоит, когда речь идет о раке. Если же перед всеми этими этапами провести анализ данных с помощью разработанной методики, то можно определить, какой пациент требует скорейшего визита к специалисту, а какой может подождать.

Диагностика это половина лечения, а ранняя диагностика в разы увеличивает шансы пациента на выздоровление либо на сдерживание заболевания. Именно потому любые новые методы, способные ускорить диагностику, имеют важнейшее значение для любого направления в медицине.

Немного рекламы

Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?